Análisis en profundidad de la detección de pastillas con Ultralytics YOLO11

La inteligencia artificial se usa en casi todos los sectores, pero su influencia en la atención sanitaria, especialmente en la industria farmacéutica, es especialmente significativa. Este año, el mercado de la IA en la industria farmacéutica está valorado en 1940 millones de dólares y se prevé que alcance los 16 490 millones de dólares en 2034.

Un factor tecnológico clave de este mercado es la visión artificial. A diferencia del procesamiento tradicional de imágenes, la visión artificial es una subdisciplina de la IA que permite a las máquinas comprender y analizar datos visuales en tiempo real.

Fig. 1. Panorama de la IA en el mercado farmacéutico.

En la industria farmacéutica, donde incluso el más mínimo error puede tener graves consecuencias, la IA visual ofrece formas nuevas y fiables de mejorar la seguridad y la precisión.

Por ejemplo, Ultralytics YOLO11 es un modelo de visión artificial diseñado para tareas en tiempo real, como la detección de objetos y la segmentación de instancias, y puede utilizarse en aplicaciones como la identificación de pastillas o la detección de defectos en envases médicos.

En este artículo, te mostraremos cómo empezar a trabajar con IA de visión entrenando Ultralytics YOLO11 para detectar pastillas. También exploraremos sus aplicaciones en el mundo real.

Crear un modelo de IA para detectar pastillas#

Antes de profundizar en cómo se puede entrenar Ultralytics YOLO11 para detectar pastillas, demos un paso atrás y entendamos qué significa entrenar un modelo y qué papel desempeña un conjunto de datos.

Entrenar un modelo consiste en enseñarle a reconocer patrones mostrándole muchos ejemplos. En este caso, un conjunto de datos es una colección de imágenes en la que cada imagen está etiquetada para indicar dónde se encuentran las pastillas. Este proceso ayuda al modelo a aprender a partir de esos ejemplos para que después pueda identificar pastillas en imágenes nuevas.

El paquete Python de Ultralytics simplifica aún más este proceso, ya que admite una amplia variedad de conjuntos de datos en un formato de archivo YOLO optimizado. Facilita el acceso a conjuntos de datos populares y ofrece compatibilidad con aplicaciones como la detección de pastillas.

Por ejemplo, el conjunto de datos Medical Pills es una colección específica de prueba de concepto, diseñada para mostrar cómo la detección de objetos puede mejorar los flujos de trabajo farmacéuticos mediante tareas como el control de calidad, la clasificación y la detección de falsificaciones.

Elegir un entorno de desarrollo#

Otro aspecto que debes tener en cuenta antes de empezar a entrenar con el paquete de Python Ultralytics es elegir el entorno de desarrollo adecuado. Estas son tres opciones populares:

• Interfaz de línea de comandos (CLI): La CLI o terminal es una herramienta sencilla basada en texto donde puedes escribir comandos para ejecutar código e interactuar con el ordenador.
• Jupyter Notebooks: Es un entorno más interactivo donde puedes escribir y ejecutar código en fragmentos pequeños (celdas), lo que facilita las pruebas y la depuración sobre la marcha.
• Google Colab: Una opción basada en la nube que funciona como Jupyter Notebooks, pero con la ventaja añadida de ofrecer acceso gratuito a GPU, así que no tienes que preocuparte por configurar nada localmente.

Puedes explorar otras opciones de configuración en la documentación oficial de Ultralytics, pero las tres anteriores son fáciles de configurar y utilizar, por lo que son excelentes opciones para empezar rápidamente.

En esta guía, nos centraremos en cómo configurar y entrenar Ultralytics YOLO11 con Google Colab, Jupyter Notebooks o un sencillo script de Python, ya que el proceso es muy similar en estos entornos.

Además, este tutorial es muy similar al que vimos anteriormente sobre la detección de fauna con Ultralytics YOLO11. Si te interesa obtener más información sobre cualquiera de los pasos de este tutorial de programación, puedes consultarlo.

Explorar un conjunto de datos para detectar pastillas en tiempo real con YOLO#

El conjunto de datos Medical Pills incluye 92 imágenes de entrenamiento y 23 imágenes de validación, lo que proporciona una buena división para crear y probar el modelo. Las imágenes de entrenamiento se utilizan para enseñar al modelo, mientras que las de validación ayudan a evaluar su rendimiento con datos nuevos que no ha visto.

Cada imagen del conjunto de datos está etiquetada con una sola clase: pastillas. Las anotaciones de los cuadros delimitadores señalan claramente la ubicación de cada pastilla, por lo que el conjunto de datos es ideal para tareas específicas como la detección de pastillas, sin la complejidad de gestionar varias clases de objetos.

Fig. 2. Un vistazo al conjunto de datos Medical Pills.

Para facilitar el entrenamiento con YOLO11, Ultralytics proporciona un archivo de configuración YAML que define parámetros clave, como las rutas de los archivos, los nombres de las clases y los metadatos necesarios para entrenar el modelo. Tanto si vas a ajustar un modelo preentrenado como si vas a empezar desde cero, este archivo simplifica mucho el proceso y te ayuda a empezar rápidamente.

Entrenar un modelo Ultralytics YOLO con el conjunto de datos de pastillas#

Para empezar, configuraremos un entorno para el entrenamiento y las pruebas del modelo. Puedes elegir Google Colab, Jupyter Notebooks o un sencillo archivo de Python, según tus preferencias. Solo tienes que crear un cuaderno o archivo de Python en el entorno que elijas.

A continuación, podemos configurar el entorno e instalar el paquete de Python Ultralytics con el comando que se muestra a continuación. Si utilizas un entorno basado en cuadernos (Google Colab o Jupyter), ejecuta el siguiente comando con un signo de exclamación (!) al principio.

pip install ultralytics

Una vez instalado, el siguiente paso es descargar el conjunto de datos Medical Pills y entrenar YOLO11 con él. Como el paquete Python de Ultralytics es compatible con este conjunto de datos, el proceso es sencillo.

Entender el proceso de entrenamiento del modelo#

Primero, podemos importar la clase YOLO del paquete Ultralytics. Después, podemos cargar un modelo YOLO11n preentrenado desde el archivo «yolo11n.pt», recomendado por ser un modelo Nano y ligero.

Por último, podemos iniciar el proceso de entrenamiento indicando al modelo la configuración del conjunto de datos (medical-pills.yaml) y estableciendo en 100 el número de épocas de entrenamiento (una pasada completa por todo el conjunto de datos), como se muestra a continuación.

from ultralytics import YOLO

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

Entrenar durante varias épocas permite que el modelo aprenda y mejore su rendimiento en cada iteración. Encontrarás los registros y puntos de control guardados en la subcarpeta “runs/detect/train/”, que puedes utilizar para supervisar el progreso y revisar el rendimiento del modelo.

Cuando termine el entrenamiento, el modelo YOLO11 personalizado debería poder identificar las pastillas con precisión. Puedes encontrar los pesos del modelo entrenado en la subcarpeta «runs/detect/train/weights/», con el nombre «best.pt».

Evaluar Ultralytics YOLO11 después del entrenamiento del modelo#

Para evaluar lo bien que ha aprendido el modelo a detectar pastillas, podemos ejecutar la validación de la siguiente manera:

metrics = model.val()

Este proceso devuelve métricas habituales de detección de objetos, que permiten hacerse una idea del rendimiento del modelo. Veamos con más detalle algunas de estas métricas:

• Precisión: Mide la proporción de pastillas detectadas por el modelo que son correctas.
• Exhaustividad: Indica la proporción de pastillas reales que el modelo identifica correctamente.
• Precisión media (mAP): Esta métrica combina la precisión y la exhaustividad en distintos umbrales de detección para ofrecer una puntuación global del rendimiento.

En conjunto, estas métricas ofrecen una visión completa de la precisión con la que el modelo detecta pastillas en datos nuevos que no ha visto.

Si el rendimiento del modelo no es el esperado, puedes probar a entrenarlo durante más épocas o ajustar otros parámetros de entrenamiento, como la tasa de aprendizaje, que controla el tamaño de los pasos que se dan durante la optimización del modelo, o el tamaño de imagen, para mejorar aún más su rendimiento.

Ejecutar inferencias con tu modelo Ultralytics YOLO11 entrenado con tus propios datos#

Una vez entrenado y evaluado el modelo Ultralytics YOLO11, el siguiente paso es probar su rendimiento con imágenes nuevas que no haya visto. Esto ayuda a simular situaciones reales, como detectar pastillas con distintas condiciones de iluminación, disposición o tipos de envase.

Para probar el modelo, hemos descargado una imagen de muestra de Pexels, un sitio web de imágenes de stock gratuitas, y hemos ejecutado una predicción con el modelo Ultralytics YOLO11 entrenado de forma personalizada, como se muestra en el siguiente fragmento de código.

Puedes utilizar esta imagen de muestra o cualquier otra imagen pertinente para evaluar el rendimiento del modelo en situaciones reales.

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

La opción save indica al modelo que guarde la imagen de salida, y el ajuste confidence garantiza que los resultados solo incluyan predicciones con una certeza de al menos el 30 %.

Al ejecutar la predicción, aparecerá un mensaje que indica dónde se ha guardado la imagen; por ejemplo, «Results saved to runs/detect/predict».

La imagen de salida será similar a la que se muestra aquí, con las pastillas detectadas y resaltadas mediante cuadros delimitadores. Las puntuaciones de confianza que aparecen indican el grado de certeza de cada detección.

Fig. 3. Detección de pastillas con Ultralytics YOLO11.

Aplicaciones reales de Ultralytics YOLO11 en el sector farmacéutico#

Ahora que hemos visto cómo entrenar Ultralytics YOLO11 con el conjunto de datos Medical Pills y ejecutar inferencias sobre imágenes para detectar pastillas, echemos un vistazo a las aplicaciones de YOLO11 en el mundo real dentro de la industria farmacéutica.

Clasificación de pastillas farmacéuticas con Ultralytics YOLO11#

La detección automatizada de pastillas con Ultralytics YOLO11 puede aplicarse a la clasificación farmacéutica. La clasificación manual suele ser lenta y repetitiva, y es propensa a errores que pueden poner en riesgo la seguridad de los medicamentos y el cumplimiento normativo.

Con un modelo Ultralytics YOLO11 ajustado, podemos detectar y clasificar pastillas con precisión según atributos visuales como el tamaño, la forma y el color. Esta automatización agiliza el proceso y ayuda a garantizar que los productos cumplan estrictos estándares de calidad, por lo que es una herramienta valiosa para las operaciones farmacéuticas.

Fig. 4. Detección de pastillas con YOLO11.

Supervisar el inventario con Ultralytics YOLO11#

Disponer del medicamento adecuado en el momento oportuno es más que una tarea logística: puede afectar a la atención al paciente y a los costes. Quedarse sin un medicamento esencial puede retrasar el tratamiento, mientras que acumular demasiadas existencias puede provocar que los medicamentos caduquen y se desperdicie inventario. Dada la gran variedad de pastillas y envases de la industria farmacéutica, los sistemas automatizados de inventario pueden ofrecer registros más precisos.

Los sistemas de inventario inteligentes pueden utilizar modelos de visión artificial como Ultralytics YOLO11 para supervisar los niveles de existencias en tiempo real. El modelo puede analizar estanterías y zonas de envasado mediante imágenes o vídeos para detectar y contar pastillas. A medida que cambian las existencias, ya sea porque se añaden, se retiran o se trasladan artículos, el sistema puede actualizar el recuento automáticamente.

Control de calidad farmacéutico con Ultralytics YOLO11#

En la producción farmacéutica, el control de calidad es fundamental para garantizar que todas las pastillas sean seguras y eficaces. Incluso los defectos menores, como una grieta, una forma irregular o una ligera variación de color, pueden provocar errores de dosificación o retiradas de productos.

Ultralytics YOLO11 puede ayudar a detectar automáticamente las pastillas que no cumplen los estándares de calidad. El modelo puede aprender características visuales y utilizar cajas delimitadoras para señalar problemas como astillas, marcas descoloridas o cambios de color en tiempo real. Esto permite retirar pronto las pastillas defectuosas, reducir los residuos y ayudar a garantizar que solo lleguen a los pacientes medicamentos que cumplan los requisitos de calidad.

Además, Ultralytics YOLO11 puede utilizarse para detectar y contar las pastillas durante su inspección, lo que permite hacer un seguimiento preciso mientras se supervisa la calidad.

Fig. 5. Ultralytics YOLO11 puede utilizarse para detectar y contar cápsulas.

Ventajas e inconvenientes de utilizar IA visual para detectar pastillas#

Ahora que hemos visto cómo se puede aplicar la IA de visión en la industria farmacéutica, repasemos brevemente algunas de las principales ventajas de utilizar visión artificial en este sector:

• Mantenimiento predictivo: Ultralytics YOLO11 puede utilizarse para detectar signos tempranos de desgaste en la maquinaria identificando irregularidades en las pastillas o en sus envases. Ayuda a programar las reparaciones a tiempo y evita paradas de producción imprevistas.
• Uso escalable del modelo: El modelo se puede ajustar con distintos conjuntos de datos para trabajar con diferentes pastillas y envases. Esto permite ampliar la inspección de forma rentable a medida que crecen las operaciones.
• Supervisión remota: Permite realizar controles de calidad en tiempo real al integrarse con sistemas en la nube y dispositivos periféricos, y es ideal para gestionar dispensadores rurales, unidades automatizadas y servicios de farmacia a distancia.

Aunque la implantación de IA visual en la industria farmacéutica ofrece muchas ventajas, también hay algunos aspectos que debes tener en cuenta al utilizar estas tecnologías:

• Integración operativa: La integración de sistemas de IA en los flujos de trabajo existentes puede requerir ajustes, formación y comprobaciones de compatibilidad con la infraestructura actual.
• Cumplimiento normativo: Los sistemas automatizados deben cumplir estrictas normas reglamentarias para garantizar la seguridad de los pacientes y una calidad constante de los productos.
• Gestión de errores: Incluso los modelos avanzados pueden generar falsos positivos o falsos negativos. Es importante contar con procesos para gestionar y corregir estos errores.

El futuro de los flujos de trabajo farmacéuticos con IA#

En el futuro, es probable que la IA desempeñe un papel más importante para que los ensayos clínicos sean más rápidos, inteligentes y rentables. Puede ayudar a diseñar mejores protocolos de ensayo, elegir los grupos de pacientes adecuados y supervisar los datos en tiempo real.

Esto podría permitir a los investigadores responder a los problemas a medida que surgen, en lugar de hacerlo a posteriori. La IA también puede agilizar el proceso de aprobación al reducir el papeleo manual y automatizar las comprobaciones rutinarias. En general, la integración de la IA en los flujos de trabajo farmacéuticos puede reducir los retrasos y acelerar el acceso a nuevos tratamientos.

Conclusiones clave#

Entrenar Ultralytics YOLO11 con el conjunto de datos Medical Pills demuestra lo rápida y eficazmente que el modelo puede adaptarse a las tareas farmacéuticas. Incluso con un conjunto de datos pequeño, puede detectar pastillas con precisión, lo que resulta útil para tareas como la clasificación, el control de calidad y el seguimiento del inventario.

A medida que crecen los conjuntos de datos y mejoran los modelos, el potencial de la IA visual en el sector farmacéutico va más allá de la logística. Esta tecnología también podría contribuir a los ensayos clínicos ayudando a identificar y seguir las pastillas de forma uniforme, y asistiendo a los investigadores para probar nuevas combinaciones de fármacos con seguridad.

Explora nuestro repositorio de GitHub para obtener más información y formar parte de nuestra creciente comunidad. Descubre innovaciones en distintos sectores, desde la IA en la agricultura hasta la visión artificial en la sanidad. Consulta nuestras opciones de licencia y pon en marcha hoy mismo tus proyectos de IA de visión.