Wenn du auf "Alle Cookies akzeptieren" klickst, stimmst du der Speicherung von Cookies auf deinem Gerät zu, um die Navigation auf der Website zu verbessern, die Nutzung der Website zu analysieren und unsere Marketingmaßnahmen zu unterstützen. Mehr Infos
Cookie-Einstellungen
Wenn du auf "Alle Cookies akzeptieren" klickst, stimmst du der Speicherung von Cookies auf deinem Gerät zu, um die Navigation auf der Website zu verbessern, die Nutzung der Website zu analysieren und unsere Marketingmaßnahmen zu unterstützen. Mehr Infos
Ein tiefer Einblick in die Erkennung von Pillen mit Ultralytics YOLO11
In diesem Kodierlehrgang lernst du, wie du mit YOLO11 und dem Medical-Pills-Datensatz Pillen erkennen kannst. Erkunde außerdem die möglichen Anwendungen und Vorteile.
Künstliche Intelligenz wird in fast allen Branchen eingesetzt, aber ihr Einfluss auf das Gesundheitswesen, insbesondere auf die Pharmaindustrie, ist besonders groß. In diesem Jahr wird der Markt für künstliche Intelligenz in der Pharmabranche auf 1,94 Milliarden Dollar geschätzt, und es wird erwartet, dass er bis 2034 auf 16,49 Milliarden Dollar anwächst.
Ein wichtiger technologischer Treiber für diesen Markt ist die Computer Vision. Im Gegensatz zur traditionellen Bildverarbeitung ist Computer Vision ein Teilbereich der KI, der es Maschinen ermöglicht, visuelle Daten in Echtzeit zu verstehen und zu analysieren.
Abb. 1. Ein Überblick über KI auf dem Pharmamarkt.
In der pharmazeutischen Industrie, wo selbst der kleinste Fehler schwerwiegende Folgen haben kann, bietet Vision AI neue und zuverlässige Möglichkeiten, die Sicherheit und Präzision zu verbessern.
Zum Beispiel, Ultralytics YOLO11 ist ein Computer Vision Modell, das für Echtzeitaufgaben wie Objekterkennung und Instanzsegmentierung entwickelt wurde und für Anwendungen wie die Identifizierung von Pillen oder die Erkennung von Defekten in medizinischen Verpackungen eingesetzt werden kann.
In diesem Artikel zeigen wir dir, wie du mit Vision AI arbeiten kannst, indem du YOLO11 trainierst, Pillen zu erkennen. Außerdem erkunden wir seine realen Anwendungen. Los geht's!
Aufbau eines KI-Modells zur Pillenerkennung
Bevor wir uns ansehen, wie YOLO11 trainiert werden kann, um Pillen zu erkennen, sollten wir einen Schritt zurückgehen und verstehen, was es bedeutet, ein Modell zu trainieren und welche Rolle ein Datensatz spielt.
Um ein Modell zu trainieren, muss es lernen, Muster zu erkennen, indem man ihm viele Beispiele zeigt. In diesem Fall ist ein Datensatz eine Sammlung von Bildern, bei der jedes Bild beschriftet ist, um anzuzeigen, wo sich die Pillen befinden. Auf diese Weise lernt das Modell aus den Beispielen, so dass es später Pillen in neuen Bildern erkennen kann.
Das Ultralytics Python macht diesen Prozess noch einfacher, indem es eine Vielzahl von Datensätzen in einem optimierten YOLO unterstützt. Sie bieten einen problemlosen Zugang zu beliebten Datensätzen und unterstützen Anwendungen wie die Pillenerkennung.
Das Medical Pills Dataset zum Beispiel ist eine spezielle Proof-of-Concept-Sammlung, die zeigen soll, wie die Objekterkennung pharmazeutische Arbeitsabläufe durch Aufgaben wie Qualitätskontrolle, Sortierung und Fälschungserkennung verbessern kann.
Auswahl einer Entwicklungsumgebung
Ein weiterer Faktor, den du berücksichtigen musst, bevor du mit der Ausbildung mit dem Ultralytics Python beginnen kannst, ist die Wahl der richtigen Entwicklungsumgebung. Hier sind drei beliebte Optionen:
Befehlszeilenschnittstelle (CLI): Das CLI oder Terminal ist ein einfaches, textbasiertes Werkzeug, in das du Befehle eingeben kannst, um deinen Code auszuführen und mit deinem Computer zu interagieren.
Jupyter Notebooks: Dies ist eine interaktive Umgebung, in der du Code in kleinen Abschnitten (Zellen) schreiben und ausführen kannst, was das Testen und Debuggen erleichtert.
Google Colab: Eine Cloud-basierte Option, die wie Jupyter Notebooks funktioniert, aber mit dem zusätzlichen Bonus des kostenlosen GPU , sodass du dich nicht um die lokale Einrichtung kümmern musst.
Es gibt noch weitere Einrichtungsoptionen, die du in der offiziellen Ultralytics nachlesen kannst, aber die drei oben genannten sind einfach einzurichten und zu verwenden und eignen sich daher hervorragend für einen schnellen Einstieg.
In diesem Leitfaden werden wir uns darauf konzentrieren, wie du YOLO11 mit Google Colab, Jupyter Notebooks oder einem einfachen Python einrichtest und trainierst, da der Prozess in jeder dieser Umgebungen recht ähnlich ist.
Außerdem ähnelt diese Anleitung derjenigen, die wir bereits über die Erkennung von Wildtieren mit YOLO11 geschrieben haben. Wenn du dich für mehr Details zu den einzelnen Schritten in diesem Tutorial interessierst, kannst du es dir ansehen.
Erkundung eines Datensatzes zur Echtzeit-Pillenerkennung mit YOLO
Der Datensatz "Medizinische Pillen" enthält 92 Trainingsbilder und 23 Validierungsbilder, die eine solide Grundlage für die Erstellung und den Test deines Modells bilden. Die Trainingsbilder dienen dazu, dem Modell etwas beizubringen, während die Validierungsbilder dabei helfen, zu bewerten, wie gut das Modell bei neuen, ungesehenen Daten abschneidet.
Jedes Bild im Datensatz ist für eine einzige Klasse gekennzeichnet: Pillen. Bounding Box Annotationen markieren eindeutig die Position jeder Pille und machen den Datensatz ideal für gezielte Aufgaben wie die Pillenerkennung, ohne die Komplexität der Handhabung mehrerer Objektklassen.
Abb. 2. Ein Blick auf den Datensatz der medizinischen Pillen.
Um das Training mit YOLO11 zu unterstützen, stellt Ultralytics eine YAML-Konfigurationsdatei zur Verfügung, in der wichtige Parameter wie Dateipfade, Klassennamen und Metadaten für das Modelltraining definiert sind. Egal, ob du ein bereits trainiertes Modell verfeinerst oder ganz neu anfängst, diese Datei macht den Prozess viel einfacher und hilft dir, schnell loszulegen.
Trainiere ein Ultralytics YOLO mit dem Pillendatensatz
Zu Beginn richten wir eine Umgebung zum Trainieren und Testen des Modells ein. Je nach Vorliebe kannst du Google Colab, Jupyter Notebooks oder eine einfache Python verwenden. Erstelle einfach ein neues Notizbuch oder eine Python in der von dir gewählten Umgebung.
Dann können wir unsere Umgebung einrichten und das Ultralytics Python mit dem unten stehenden Befehl installieren. Wenn du eine notebookbasierte UmgebungGoogle Colab oder Jupyter) verwendest, führe den folgenden Befehl mit einem Ausrufezeichen (!) am Anfang aus.
pip install ultralytics
Nach der Installation musst du YOLO11 herunterladen und mit dem Datensatz "Medical Pills" trainieren. Da der Datensatz vom Ultralytics Python unterstützt wird, ist der Vorgang einfach.
Den Prozess der Modellschulung verstehen
Zuerst können wir die YOLO aus dem Ultralytics importieren. Dann können wir ein vortrainiertes YOLO11 aus der Datei "yolo11n.pt" laden, was empfohlen wird, weil es ein Nano-Modell und leichtgewichtig ist.
Schließlich können wir den Trainingsprozess starten, indem wir das Modell auf unsere Datensatzkonfiguration (medical-pills.yaml) verweisen und die Anzahl der Trainingsepochen (ein kompletter Durchlauf durch den gesamten Datensatz) auf 100 setzen, wie unten gezeigt.
from ultralytics import YOLO
model = YOLO("yolo11n.pt")
results = model.train(data="medical-pills.yaml", epochs=100)
Durch das Training über mehrere Epochen hinweg kann das Modell lernen und seine Leistung mit jedem Durchgang verbessern. Im Unterordner "runs/train/" werden Protokolle und Kontrollpunkte gespeichert, mit denen du den Fortschritt und die Leistung des Modells überprüfen kannst.
Nach Abschluss des Trainings sollte das trainierte YOLO11 in der Lage sein, Pillen genau zu erkennen. Du kannst die endgültigen Gewichte des trainierten Modells im Unterordner "runs/detect/train/weights/" unter dem Namen "best.pt" finden.
YOLO11 nach der Modellschulung auswerten
Um zu bewerten, wie gut das Modell gelernt hat, Pillen zu erkennen, können wir die Validierung wie folgt durchführen:
metrics = model.val()
Dieser Prozess liefert allgemeine Metriken zur Objekterkennung, die Aufschluss über die Leistung des Modells geben. Hier sehen wir uns einige dieser Metriken genauer an:
Präzision: Sie misst den Anteil der vom Modell erkannten Pillen, die korrekt sind.
Rückruf: Sie gibt den Anteil der tatsächlichen Pillen an, die das Modell erfolgreich identifiziert.
Mittlere durchschnittliche Genauigkeit (mAP): Diese Kennzahl kombiniert sowohl die Präzision als auch den Recall über verschiedene Erkennungsschwellen hinweg, um eine Gesamtbewertung der Leistung zu erhalten.
Zusammen bieten diese Kennzahlen einen umfassenden Überblick darüber, wie genau das Modell Pillen in neuen, ungesehenen Daten erkennt.
Wenn dein Modell nicht so gut abschneidet wie erwartet, kannst du versuchen, es für mehr Epochen zu trainieren oder andere Trainingsparameter wie die Lernrate, die die Größe der Schritte während der Modelloptimierung steuert, oder die Bildgröße fein abzustimmen, um seine Leistung weiter zu verbessern.
Schlussfolgerungen mit deinem individuell trainierten YOLO11 ziehen
Sobald das YOLO11 trainiert und ausgewertet ist, wird in einem nächsten Schritt getestet, wie gut es auf neuen, ungesehenen Bildern funktioniert. Dies hilft dabei, reale Bedingungen zu simulieren, z. B. das Erkennen von Pillen in unterschiedlichen Beleuchtungen, Anordnungen oder Verpackungsarten.
Um das Modell zu testen, haben wir ein Beispielbild von Pexels, einer Website für kostenlose Bilder, heruntergeladen und das Bild analysiert oder eine Vorhersage mit dem speziell trainierten YOLO11 durchgeführt, wie im folgenden Codeschnipsel gezeigt.
Du kannst dieses Beispielbild oder jedes andere relevante Bild verwenden, um zu beurteilen, wie gut das Modell in realen Szenarien funktioniert.
Die Option "Speichern" weist das Modell an, das Ausgabebild zu speichern, und die Einstellung "Vertrauen" stellt sicher, dass nur Vorhersagen mit mindestens 30 Prozent Sicherheit in die Ergebnisse aufgenommen werden.
Wenn du die Vorhersage ausführst, wird in der Ausgabe eine Meldung angezeigt, die dir sagt, wo sich das gespeicherte Bild befindet - zum Beispiel: "Results saved to runs/detect/train."
Dein Ergebnisbild sieht ähnlich aus wie das hier gezeigte, mit erkannten und durch Begrenzungsrahmen hervorgehobenen Pillen. Die angezeigten Konfidenzwerte geben den Grad der Sicherheit für jede Erkennung an.
Abb. 3. Pillenerkennung mit YOLO11.
Praktische Anwendungen von YOLO11 in der Pharmazie
Nachdem wir nun herausgefunden haben, wie man YOLO11 mit dem Medical-Pills-Datensatz trainiert und Inferenzen auf Bildern zur Pillenerkennung durchführt, wollen wir einen Blick auf die realen Anwendungen von YOLO11in der Pharmaindustrie werfen.
Pharmazeutische Pillen-Sortierung mit YOLO11
Die automatisierte Pillenerkennung mit YOLO11 kann bei der Sortierung von Arzneimitteln eingesetzt werden. Die manuelle Sortierung ist oft langsam, repetitiv und fehleranfällig, was die Arzneimittelsicherheit und die Einhaltung der Vorschriften gefährden kann.
Durch den Einsatz eines fein abgestimmten YOLO11 können wir Pillen anhand von visuellen Merkmalen wie Größe, Form und Farbe genau erkennen und sortieren. Diese Automatisierung beschleunigt den Prozess und trägt dazu bei, dass die Produkte den strengen Qualitätsstandards entsprechen, was sie zu einem wertvollen Werkzeug in pharmazeutischen Betrieben macht.
Abb. 4. Aufspüren von Pillen mit Hilfe von YOLO11.
Überwachung des Inventars mit Hilfe von YOLO11
Die rechtzeitige Bevorratung der richtigen Medikamente ist mehr als nur eine logistische Aufgabe - sie kann sich auf die Patientenversorgung und die Kosten auswirken. Wenn eine wichtige Pille knapp wird, kann sich die Behandlung verzögern, während eine Überbevorratung zu abgelaufenen Medikamenten und verschwendetem Bestand führen kann. Da es in der pharmazeutischen Industrie zahlreiche Pillenarten und Verpackungsvarianten gibt, können automatisierte Inventarsysteme genauere Aufzeichnungen ermöglichen.
Intelligente Inventarsysteme können Computer-Vision-Modelle wie Ultralytics YOLO11 nutzen, um die Lagerbestände in Echtzeit zu überwachen. Das Modell kann Regale und Verpackungsbereiche mithilfe von Bildern oder Videos scannen, um Pillen zu erkennen und zu zählen. Wenn sich der Lagerbestand ändert, z. B. wenn Artikel hinzugefügt, entfernt oder verschoben werden, kann das System die Zählung automatisch aktualisieren.
Qualitätskontrolle in der Pharmaindustrie durch YOLO11
In der pharmazeutischen Produktion ist die Qualitätskontrolle entscheidend, um sicherzustellen, dass jede Pille sicher und wirksam ist. Selbst kleine Mängel wie ein Riss, eine ungleichmäßige Form oder eine leichte Farbabweichung können zu Dosierungsfehlern oder Produktrückrufen führen.
YOLO11 kann helfen, indem es Pillen, die nicht den Qualitätsstandards entsprechen, automatisch erkennt. Das Modell kann visuelle Merkmale erlernen und verwendet Bounding Boxes, um Probleme wie Absplitterungen, verblasste Aufdrucke oder Verfärbungen in Echtzeit zu erkennen. So können fehlerhafte Pillen frühzeitig aussortiert werden, um Abfall zu vermeiden und sicherzustellen, dass nur qualitätsgesicherte Medikamente zu den Patienten gelangen.
Darüber hinaus kann YOLO11 die Pillen bei der Kontrolle erkennen und zählen, um die Qualität genau zu überwachen.
Abb. 5. YOLO11 kann zum Erkennen und Zählen von Kapseln verwendet werden.
Vor- und Nachteile der Verwendung von Vision AI für die Pillenerkennung
Jetzt haben wir herausgefunden, wie KI in der Pharmaindustrie eingesetzt werden kann. Werfen wir einen kurzen Blick auf einige der wichtigsten Vorteile des Einsatzes von Computer Vision in diesem Sektor:
Vorausschauende Wartung: YOLO11 kann verwendet werden, um frühe Anzeichen von Maschinenverschleiß zu erkennen, indem es Unregelmäßigkeiten bei Pillen oder Verpackungen identifiziert. Es hilft, rechtzeitig Reparaturen zu planen und ungeplante Produktionsausfälle zu vermeiden.
Skalierbarer Einsatz des Modells: Das Modell kann auf verschiedenen Datensätzen für unterschiedliche Pillen und Verpackungen feinabgestimmt werden. Das macht die Inspektion skalierbar und kosteneffizient, wenn der Betrieb wächst.
Fernüberwachung: Sie ermöglicht Qualitätskontrollen in Echtzeit, wenn sie mit Cloud-Systemen und Edge-Devices integriert wird, und eignet sich ideal für die Verwaltung von Dispensern in ländlichen Gebieten, automatisierten Einheiten und entfernten Telepharmazie-Einrichtungen.
Der Einsatz von Vision AI in der Pharmaindustrie bietet viele Vorteile, aber es gibt auch einige Dinge zu beachten, wenn man solche Technologien einsetzt:
Operative Integration: Die Integration von KI-Systemen in bestehende Arbeitsabläufe kann Anpassungen, Schulungen und Kompatibilitätsprüfungen mit der aktuellen Infrastruktur erfordern.
Einhaltung von Vorschriften: Automatisierte Systeme müssen strenge gesetzliche Vorgaben einhalten, um die Sicherheit der Patienten und eine gleichbleibende Produktqualität zu gewährleisten.
Fehlermanagement: Selbst fortschrittliche Modelle können falsch positive oder negative Ergebnisse liefern. Es ist wichtig, dass du über Prozesse verfügst, um diese Fehler zu behandeln und zu korrigieren.
Der Weg in die Zukunft für KI-Workflows in der Pharmaindustrie
In Zukunft wird KI wahrscheinlich eine größere Rolle dabei spielen, klinische Studien schneller, intelligenter und kostengünstiger zu machen. Sie kann dabei helfen, bessere Studienprotokolle zu erstellen, die richtigen Patientengruppen auszuwählen und Daten in Echtzeit zu überwachen.
So können Forscher/innen auf Probleme reagieren, wenn sie auftauchen, anstatt sie erst im Nachhinein zu klären. KI kann auch den Genehmigungsprozess beschleunigen, indem sie den manuellen Papierkram reduziert und Routineprüfungen automatisiert. Insgesamt kann die Integration von KI in die Arbeitsabläufe der Pharmaindustrie zu weniger Verzögerungen und einem schnelleren Zugang zu neuen Therapien führen.
Die wichtigsten Erkenntnisse
Das Training von Ultralytics YOLO11 mit dem Datensatz für medizinische Pillen zeigt, wie schnell und effektiv sich das Modell an pharmazeutische Aufgaben anpassen kann. Selbst mit einem kleinen Datensatz kann es Tabletten genau erkennen, was es für Aufgaben wie Sortierung, Qualitätskontrolle und Bestandsverfolgung nützlich macht.
Da die Datensätze wachsen und die Modelle besser werden, geht das Potenzial von Vision AI in der Pharmaindustrie über die Logistik hinaus. Die Technologie könnte auch klinische Studien unterstützen, indem sie die Identifizierung und Nachverfolgung von Tabletten erleichtert und Forschern dabei hilft, neue Medikamentenkombinationen sicher zu testen.
