Ein genauer Blick auf die Tablettenerkennung mit Ultralytics YOLO11

Künstliche Intelligenz kommt in fast allen Branchen zum Einsatz. Besonders groß ist ihr Einfluss jedoch im Gesundheitswesen, vor allem in der Pharmaindustrie. Der Markt für KI in der Pharmaindustrie hat in diesem Jahr einen Wert von 1,94 Milliarden US-Dollar und soll bis 2034 auf 16,49 Milliarden US-Dollar anwachsen.

Ein wichtiger technologischer Treiber dieses Marktes ist Computer Vision. Anders als die herkömmliche Bildverarbeitung ist Computer Vision ein Teilgebiet der KI, das Maschinen in die Lage versetzt, visuelle Daten in Echtzeit zu verstehen und zu analysieren.

Abb. 1. Ein Überblick über KI im Pharmamarkt.

In der Pharmaindustrie, in der selbst der kleinste Fehler schwerwiegende Folgen haben kann, bietet visuelle KI neue und zuverlässige Möglichkeiten, die Sicherheit und Präzision zu verbessern.

Zum Beispiel ist Ultralytics YOLO11 ein Computer-Vision-Modell, das für Echtzeitaufgaben wie Objekterkennung und Instanzsegmentierung entwickelt wurde und für Anwendungen wie die Identifizierung von Tabletten oder das Erkennen von Defekten an medizinischen Verpackungen eingesetzt werden kann.

In diesem Artikel zeigen wir dir anhand praktischer Beispiele, wie du mit Bildverarbeitungs-KI arbeitest, indem du Ultralytics YOLO11 für die Erkennung von Tabletten trainierst. Außerdem betrachten wir praktische Anwendungsfälle.

Ein KI-Modell zur Tablettenerkennung erstellen#

Bevor wir uns damit befassen, wie Ultralytics YOLO11 darauf trainiert werden kann, Tabletten zu erkennen, schauen wir uns zunächst an, was es bedeutet, ein Modell zu trainieren, und welche Rolle ein Datensatz dabei spielt.

Beim Training eines Modells lernt dieses, Muster zu erkennen, indem ihm viele Beispiele gezeigt werden. In diesem Fall ist ein Datensatz eine Sammlung von Bildern, in denen jeweils markiert ist, wo sich die Tabletten befinden. So kann das Modell aus diesen Beispielen lernen und später Tabletten in neuen Bildern erkennen.

Das Ultralytics-Python-Paket vereinfacht den Prozess zusätzlich, indem es zahlreiche Datensätze in einem übersichtlichen YOLO-Dateiformat unterstützt. Es ermöglicht den einfachen Zugriff auf beliebte Datensätze und unterstützt Anwendungen wie die Tablettenerkennung.

Der Medical Pills Dataset ist beispielsweise eine spezielle Proof-of-Concept-Sammlung, die zeigt, wie die Objekterkennung pharmazeutische Arbeitsabläufe durch Aufgaben wie Qualitätskontrolle, Sortierung und das Erkennen von Fälschungen verbessern kann.

Eine Entwicklungsumgebung auswählen#

Ein weiterer Punkt, den du berücksichtigen solltest, bevor du mit dem Ultralytics-Python-Paket mit dem Training beginnst, ist die Wahl der passenden Entwicklungsumgebung. Hier sind drei beliebte Möglichkeiten:

• Kommandozeilenschnittstelle (CLI): Die CLI oder das 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 interaktivere Umgebung, in der du Code in kleinen Abschnitten (Zellen) schreiben und ausführen kannst. So kannst du deinen Code während der Arbeit einfach testen und Fehler beheben.
• Google Colab: Eine cloudbasierte Möglichkeit, die ähnlich wie Jupyter Notebooks funktioniert, aber zusätzlich kostenlosen GPU-Zugriff bietet. So musst du dir keine Gedanken über eine lokale Einrichtung machen.

Weitere Einrichtungsoptionen findest du in der offiziellen Ultralytics-Dokumentation. Die drei oben genannten Möglichkeiten lassen sich jedoch einfach einrichten und verwenden und eignen sich daher hervorragend für einen schnellen Einstieg.

In dieser Anleitung zeigen wir dir, wie du Ultralytics YOLO11 mit Google Colab, Jupyter Notebooks oder einem einfachen Python-Skript einrichtest und trainierst, da der Ablauf in all diesen Umgebungen sehr ähnlich ist.

Dieses Tutorial ähnelt außerdem dem früheren Tutorial zur Erkennung von Wildtieren mit Ultralytics YOLO11. Wenn du weitere Einzelheiten zu einem der Schritte in diesem Programmier-Tutorial suchst, kannst du es dir ansehen.

Ein Datensatz für die Echtzeit-Tablettenerkennung mit YOLO erkunden#

Der Medical Pills Dataset umfasst 92 Trainingsbilder und 23 Validierungsbilder und bietet damit eine gute Aufteilung, um dein Modell sowohl zu erstellen als auch zu testen. Mit den Trainingsbildern wird das Modell trainiert, während die Validierungsbilder dazu dienen, seine Leistung anhand neuer, unbekannter Daten zu bewerten.

Jedes Bild im Datensatz ist mit einer einzelnen Klasse, Tabletten, gekennzeichnet. Die Begrenzungsrahmen markieren die Position jeder Tablette deutlich. Damit eignet sich der Datensatz ideal für gezielte Aufgaben wie die Tablettenerkennung, ohne dass mehrere Objektklassen berücksichtigt werden müssen.

Abb. 2. Ein Einblick in den Medical Pills Dataset.

Für das Training mit YOLO11 stellt Ultralytics eine YAML-Konfigurationsdatei bereit, in der wichtige Parameter wie Dateipfade, Klassennamen und Metadaten für das Modelltraining festgelegt sind. Ganz gleich, ob du ein vortrainiertes Modell weiter optimierst oder ganz von vorn beginnst: Diese Datei vereinfacht den Prozess erheblich und hilft dir beim schnellen Einstieg.

Ein Ultralytics-YOLO-Modell mit dem Tablettendatensatz trainieren#

Zunächst richten wir eine Umgebung für das Training und das Testen des Modells ein. Je nach deinen Vorlieben kannst du Google Colab, Jupyter Notebooks oder eine einfache Python-Datei verwenden. Erstelle einfach ein neues Notebook oder eine Python-Datei in der Umgebung deiner Wahl.

Anschließend richten wir unsere Umgebung ein und installieren das Ultralytics-Python-Paket mit dem unten gezeigten Befehl. Wenn du eine Notebook-Umgebung wie Google Colab oder Jupyter verwendest, stelle dem folgenden Befehl ein Ausrufezeichen (!) voran.

pip install ultralytics

Nach der Installation lädst du als Nächstes den Medical Pills-Datensatz herunter und trainierst YOLO11 damit. Da das Ultralytics-Python-Paket den Datensatz unterstützt, ist der Ablauf einfach.

Den Modelltrainingsprozess verstehen#

Zuerst importierst du die YOLO-Klasse aus dem Ultralytics-Paket. Anschließend lädst du ein vortrainiertes Modell YOLO11n aus der Datei „yolo11n.pt“. Dieses Modell wird empfohlen, weil es sich um ein kompaktes Nano-Modell handelt.

Schließlich starten wir das Training, indem wir dem Modell die Konfiguration unseres Datensatzes (medical-pills.yaml) übergeben und die Anzahl der Trainingsepochen (jeweils ein vollständiger Durchlauf des gesamten Datensatzes) wie unten gezeigt auf 100 festlegen.

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
results = model.train(data="medical-pills.yaml", epochs=100)

Durch das Training über mehrere Epochen kann das Modell dazulernen und seine Leistung mit jedem Durchlauf verbessern. Die Protokolle und Kontrollpunkte findest du im Unterordner „runs/detect/train/“. Damit kannst du den Fortschritt überwachen und die Leistung des Modells überprüfen.

Nach Abschluss des Trainings sollte das speziell trainierte YOLO11-Modell Tabletten zuverlässig erkennen können. Die finalen Modellgewichte findest du unter dem Namen „best.pt“ im Unterordner „runs/detect/train/weights/“.

Ultralytics YOLO11 nach dem Modelltraining auswerten#

Um zu bewerten, wie gut das Modell Tabletten erkennen gelernt hat, können wir die Validierung wie folgt ausführen:

metrics = model.val()

Dieser Vorgang liefert gängige Kennzahlen zur Objekterkennung, anhand derer sich die Leistung des Modells einschätzen lässt. Sehen wir uns einige dieser Kennzahlen genauer an:

• Präzision: Sie gibt an, welcher Anteil der vom Modell erkannten Tabletten tatsächlich korrekt erkannt wurde.
• Trefferquote: Sie gibt an, welcher Anteil der tatsächlich vorhandenen Tabletten vom Modell erfolgreich erkannt wird.
• Mittlere durchschnittliche Präzision (mAP): Diese Kennzahl kombiniert Präzision und Trefferquote über verschiedene Erkennungsschwellen hinweg und ergibt so einen Gesamtwert für die Leistung.

Zusammen geben diese Kennzahlen einen umfassenden Überblick darüber, wie zuverlässig das Modell Tabletten in neuen, unbekannten Daten erkennt.

Wenn dein Modell nicht so gut abschneidet wie erwartet, kannst du es über mehr Epochen trainieren oder andere Trainingsparameter weiter optimieren. Dazu gehören beispielsweise die Lernrate, die die Größe der Schritte während der Modelloptimierung festlegt, oder die Bildgröße, um die Leistung weiter zu verbessern.

Inferenz mit deinem benutzerdefiniert trainierten Ultralytics YOLO11-Modell ausführen#

Nach dem Training und der Auswertung des Ultralytics-YOLO11-Modells testest du im nächsten Schritt, wie gut es mit neuen, unbekannten Bildern zurechtkommt. So lassen sich reale Bedingungen simulieren, etwa Tabletten unter unterschiedlichen Lichtverhältnissen, in verschiedenen Anordnungen oder in unterschiedlichen Verpackungen zu erkennen.

Zum Testen des Modells haben wir ein Beispielbild von Pexels, einer kostenlosen Website für Stockfotos, heruntergeladen und damit eine Vorhersage des mit eigenen Daten trainierten Ultralytics-YOLO11-Modells ausgeführt, wie im folgenden Codebeispiel gezeigt.

Du kannst dieses Beispielbild oder jedes andere passende Bild verwenden, um die Leistung des Modells unter realen Bedingungen zu bewerten.

results = model.predict("path/to/image.jpg", save=True, conf=0.3)

Mit der Speicheroption wird das Modell angewiesen, das Ausgabebild zu speichern. Die Konfidenzeinstellung sorgt dafür, dass nur Vorhersagen mit einer Sicherheit von mindestens 30 Prozent in den Ergebnissen erscheinen.

Bei der Vorhersage wird eine Meldung ausgegeben, die angibt, wo das gespeicherte Bild zu finden ist – zum Beispiel: „Ergebnisse gespeichert unter runs/detect/predict.“

Dein Ausgabebild sieht dem hier gezeigten ähnlich: Die erkannten Tabletten sind durch Begrenzungsrahmen hervorgehoben. Die angezeigten Konfidenzwerte geben an, wie sicher die jeweilige Erkennung ist.

Abb. 3. Tablettenerkennung mit Ultralytics YOLO11.

Praktische Anwendungen von Ultralytics YOLO11 in der Pharmaindustrie#

Nachdem wir uns angesehen haben, wie du Ultralytics YOLO11 mit dem Medical Pills Dataset trainierst und Bilder zur Tablettenerkennung analysierst, werfen wir nun einen Blick auf die praktischen Anwendungen von YOLO11 in der Pharmaindustrie.

Pharmazeutische Tabletten mit Ultralytics YOLO11 sortieren#

Die automatisierte Tablettenerkennung mit Ultralytics YOLO11 lässt sich für die pharmazeutische Sortierung einsetzen. Das manuelle Sortieren ist oft langsam und eintönig und fehleranfällig. Solche Fehler können die Arzneimittelsicherheit und die Einhaltung von Vorschriften gefährden.

Mit einem fein abgestimmten Ultralytics-YOLO11-Modell können wir Tabletten anhand visueller Merkmale wie Größe, Form und Farbe zuverlässig erkennen und sortieren. Diese Automatisierung beschleunigt den Prozess und trägt dazu bei, dass die Produkte strenge Qualitätsstandards erfüllen. Damit ist sie ein wertvolles Werkzeug für pharmazeutische Abläufe.

Abb. 4. Tablettenerkennung mit YOLO11.

Lagerbestände mit Ultralytics YOLO11 überwachen#

Die richtigen Medikamente rechtzeitig auf Lager zu haben, ist mehr als eine logistische Aufgabe – es kann sich auf die Patientenversorgung und die Kosten auswirken. Ein knapper Vorrat an einer wichtigen Tablette kann die Behandlung verzögern, während übermäßige Lagerbestände zu abgelaufenen Medikamenten und Verschwendung führen können. Angesichts der vielen Tablettenarten und Verpackungsvarianten in der Pharmaindustrie ermöglichen automatisierte Bestandssysteme eine genauere Bestandsführung.

Intelligente Bestandssysteme können Computer-Vision-Modelle wie Ultralytics YOLO11 verwenden, um Lagerbestände in Echtzeit zu überwachen. Das Modell kann Regale und Verpackungsbereiche anhand von Bildern oder Videos scannen, um Tabletten zu erkennen und zu zählen. Wenn sich der Bestand ändert – etwa weil Artikel hinzugefügt, entnommen oder verschoben werden –, kann das System die Zählung automatisch aktualisieren.

Qualitätskontrolle in der Pharmaindustrie mit Ultralytics YOLO11#

In der pharmazeutischen Produktion ist die Qualitätskontrolle entscheidend, damit jede Tablette sicher und wirksam ist. Selbst geringfügige Mängel wie ein Riss, eine ungleichmäßige Form oder eine leichte Farbabweichung können zu Dosierungsfehlern oder Produktrückrufen führen.

Ultralytics YOLO11 kann Tabletten, die den Qualitätsstandards nicht entsprechen, automatisch erkennen. Das Modell lernt visuelle Merkmale und markiert mithilfe von Begrenzungsrahmen in Echtzeit Probleme wie Absplitterungen, verblasste Aufdrucke oder Verfärbungen. Fehlerhafte Tabletten können dadurch frühzeitig aussortiert werden. Das reduziert Abfall und trägt dazu bei, dass nur qualitätsgeprüfte Medikamente Patienten erreichen.

Darüber hinaus kann Ultralytics YOLO11 die Tabletten während der Prüfung erkennen und zählen und so eine genaue Erfassung bei der Qualitätsüberwachung ermöglichen.

Abb. 5. Ultralytics YOLO11 kann zum Erkennen und Zählen von Kapseln verwendet werden.

Vor- und Nachteile visueller KI bei der Tablettenerkennung#

Nachdem wir uns angesehen haben, wie Bildverarbeitungs-KI in der Pharmaindustrie eingesetzt werden kann, werfen wir einen kurzen Blick auf die wichtigsten Vorteile von Computer Vision in diesem Bereich:

• Vorausschauende Wartung: Ultralytics YOLO11 kann frühe Anzeichen von Maschinenverschleiß erkennen, indem es Unregelmäßigkeiten an Tabletten oder Verpackungen identifiziert. So lassen sich Reparaturen rechtzeitig planen und ungeplante Produktionsausfälle vermeiden.
• Skalierbarer Modelleinsatz: Das Modell kann für unterschiedliche Tabletten und Verpackungen mit verschiedenen Datensätzen fein abgestimmt werden. Dadurch lassen sich Qualitätskontrollen bei wachsenden Abläufen skalierbar und kostengünstig gestalten.
• Fernüberwachung: In Verbindung mit Cloud-Systemen und Edge-Geräten ermöglicht das Modell Qualitätsprüfungen in Echtzeit. Damit eignet es sich ideal für die Verwaltung ländlicher Ausgabestellen, automatisierter Einheiten und telepharmazeutischer Angebote an abgelegenen Standorten.

Der Einsatz visueller KI in der Pharmaindustrie bietet viele Vorteile. Bei der Nutzung solcher Technologien solltest du jedoch auch einige Punkte berücksichtigen:

• Einbindung in Betriebsabläufe: Die Integration von KI-Systemen in bestehende Arbeitsabläufe kann Anpassungen, Schulungen und Kompatibilitätsprüfungen mit der vorhandenen Infrastruktur erfordern.
• Einhaltung gesetzlicher Vorschriften: Automatisierte Systeme müssen strenge regulatorische Standards einhalten, um die Patientensicherheit und eine gleichbleibende Produktqualität zu gewährleisten.
• Fehlerverwaltung: Selbst fortschrittliche Modelle können falsch positive oder falsch negative Ergebnisse liefern. Es ist wichtig, Prozesse zur Behandlung und Korrektur solcher Fehler einzurichten.

Wie sich KI-gestützte pharmazeutische Abläufe weiterentwickeln#

KI wird künftig wahrscheinlich eine größere Rolle dabei spielen, klinische Studien schneller, intelligenter und kostengünstiger zu gestalten. Sie kann dabei helfen, bessere Studienprotokolle zu entwickeln, passende Patientengruppen auszuwählen und Daten in Echtzeit zu überwachen.

So können Forschende auf Probleme reagieren, sobald sie auftreten, statt erst im Nachhinein. KI kann den Zulassungsprozess auch beschleunigen, indem sie den manuellen Papieraufwand verringert und Routineprüfungen automatisiert. Insgesamt kann die Integration von KI in pharmazeutische Abläufe zu weniger Verzögerungen und einem schnelleren Zugang zu neuen Behandlungen führen.

Die wichtigsten Erkenntnisse#

Das Training von Ultralytics YOLO11 mit dem Medical Pills Dataset zeigt, wie schnell und effektiv sich das Modell an pharmazeutische Aufgaben anpassen kann. Selbst mit einem kleinen Datensatz kann es Tabletten zuverlässig erkennen und ist damit beispielsweise für die Sortierung, Qualitätskontrolle und Bestandsverfolgung nützlich.

Mit wachsenden Datensätzen und verbesserten Modellen reicht das Potenzial visueller KI in der Pharmaindustrie weit über die Logistik hinaus. Diese Technologie könnte auch klinische Studien unterstützen, indem sie eine zuverlässige Identifizierung und Verfolgung von Tabletten ermöglicht und Forschenden dabei hilft, neue Wirkstoffkombinationen sicher zu testen.

Besuche unser GitHub-Repository, um mehr zu erfahren und Teil unserer wachsenden Community zu werden. Entdecke Innovationen in verschiedenen Bereichen – von KI in der Landwirtschaft bis hin zu Computer Vision im Gesundheitswesen. Sieh dir unsere Lizenzoptionen an und starte noch heute deine Bildverarbeitungs-KI-Projekte.