Un análisis profundo de la detección de pastillas usando Ultralytics YOLO11

La inteligencia artificial se utiliza en casi todos los sectores, pero su influencia en la asistencia sanitaria, especialmente en la industria farmacéutica, es particularmente importante. Este año, el mercado de IA en la industria farmacéutica está valorado en 1940 millones de dólares y se espera que crezca hasta los 16 490 millones de dólares para 2034.

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

Fig 1. Una descripción general de la IA en el mercado farmacéutico.

En la industria farmacéutica, donde hasta el error más pequeño puede tener consecuencias graves, la IA de visión 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 usarse en aplicaciones como la identificación de pastillas o la detección de defectos en envases médicos.

En este artículo, veremos cómo empezar a trabajar con IA de visión entrenando a YOLO11 para detectar pastillas. También exploraremos sus aplicaciones en el mundo real. ¡Empecemos!

Link to this sectionConstruir un modelo de IA para la detección de pastillas#

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

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

El paquete Python de Ultralytics hace que este proceso sea aún más sencillo al admitir una amplia gama de conjuntos de datos en un formato de archivo YOLO optimizado. Ofrecen acceso sin complicaciones a conjuntos de datos populares y brindan soporte para aplicaciones como la detección de pastillas.

Por ejemplo, el Medical Pills Dataset es una colección de prueba de concepto dedicada y 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.

Link to this sectionElegir un entorno de desarrollo#

Otro factor a considerar antes de que puedas empezar a entrenar con el paquete Python de Ultralytics es elegir el entorno de desarrollo adecuado. Aquí tienes tres opciones populares:

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

Hay otras opciones de configuración que puedes explorar en la documentación oficial de Ultralytics, pero las tres mencionadas anteriormente son fáciles de configurar y usar, lo que las convierte en excelentes opciones para empezar rápidamente.

En esta guía, nos centraremos en cómo configurar y entrenar a YOLO11 usando Google Colab, Jupyter Notebooks o un script básico de Python, ya que el proceso es bastante similar en cada uno de estos entornos.

Además, este tutorial es bastante similar al que cubrimos anteriormente sobre la detección de fauna salvaje usando YOLO11. Si te interesa obtener más detalles sobre cualquiera de los pasos de este tutorial de codificación, puedes echarle un vistazo.

Link to this sectionExplorar un conjunto de datos para la detección de pastillas en tiempo real con YOLO#

El Medical Pills Dataset incluye 92 imágenes de entrenamiento y 23 imágenes de validación, lo que proporciona una base sólida tanto para construir como para probar tu modelo. Las imágenes de entrenamiento se usan para enseñar al modelo, mientras que las imágenes de validación ayudan a evaluar el rendimiento del modelo con datos nuevos y desconocidos.

Cada imagen del conjunto de datos está etiquetada para una sola clase: pastillas. Las anotaciones de recuadro delimitador marcan claramente la ubicación de cada pastilla, lo que hace que el conjunto de datos sea ideal para tareas específicas como la detección de pastillas sin la complejidad de gestionar varias clases de objetos.

Fig 2. Un vistazo al Medical Pills Dataset.

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 el entrenamiento del modelo. Tanto si estás ajustando un modelo preentrenado como si empiezas desde cero, este archivo simplifica mucho el proceso y te ayuda a empezar rápidamente.

Link to this sectionEntrenar un modelo YOLO de Ultralytics con el conjunto de datos de pastillas#

Para empezar, configuraremos un entorno para el entrenamiento y la prueba del modelo. Puedes elegir usar Google Colab, Jupyter Notebooks o un archivo de Python simple según tu preferencia. Solo tienes que crear un nuevo cuaderno o archivo de Python en el entorno que elijas.

A continuación, podemos configurar nuestro entorno e instalar el paquete Python de Ultralytics usando el comando que se muestra a continuación. Si estás usando un entorno basado en cuaderno (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 y entrenar a YOLO11 usando el Medical Pills Dataset. Dado que el conjunto de datos es compatible con el paquete Python de Ultralytics, el proceso es sencillo.

Link to this sectionEntender el proceso de entrenamiento del modelo#

Primero, podemos importar la clase YOLO del paquete Ultralytics. Luego, podemos cargar un modelo YOLO11 preentrenado desde el archivo “yolo11n.pt”, que es el recomendado porque es un modelo nano y ligero.

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

from ultralytics import YOLO

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

Entrenar durante múltiples épocas permite al modelo aprender y mejorar su rendimiento con cada pasada. Podrás encontrar los registros y puntos de control guardados en la subcarpeta “runs/train/”, que puedes usar para supervisar el progreso y revisar el rendimiento del modelo.

Una vez completado el entrenamiento, el modelo YOLO11 entrenado a medida debería ser capaz de identificar pastillas con precisión. Puedes buscar los pesos finales del modelo entrenado en la subcarpeta “runs/detect/train/weights/” con el nombre “best.pt”.

Link to this sectionEvaluar 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 comunes de detección de objetos, que ofrecen información sobre el rendimiento del modelo. Aquí tienes un análisis más detallado de algunas de estas métricas:

• Precisión: Mide la proporción de pastillas detectadas por el modelo que son correctas.
• Memoria (Recall): Indica la proporción de pastillas reales que el modelo identifica con éxito.
• Precisión media (mAP): Esta métrica combina tanto la precisión como la memoria en varios umbrales de detección para dar una puntuación de rendimiento general.

Juntas, estas métricas ofrecen una visión global de la precisión con la que el modelo detecta pastillas en datos nuevos y desconocidos.

Si tu modelo no funciona tan bien como esperabas, puedes intentar entrenarlo durante más épocas o ajustar otros parámetros de entrenamiento, como la tasa de aprendizaje, que controla el tamaño de los pasos dados durante la optimización del modelo, o el tamaño de la imagen, para mejorar aún más su rendimiento.

Link to this sectionEjecutar inferencias usando tu modelo YOLO11 entrenado a medida#

Una vez entrenado y evaluado el modelo YOLO11, el siguiente paso es probar su rendimiento con imágenes nuevas y desconocidas. Esto ayuda a simular condiciones del mundo real, como la detección de pastillas con diferentes iluminaciones, disposiciones o estilos de envase.

Para probar el modelo, hemos descargado una imagen de muestra de Pexels, un sitio web de imágenes de stock gratuitas, y hemos analizado la imagen o realizado una predicción usando el modelo YOLO11 entrenado a medida, como se muestra en el fragmento de código a continuación.

Puedes usar esta imagen de muestra o cualquier otra imagen relevante para evaluar el rendimiento del modelo en situaciones del mundo real.

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

La opción de guardar indica al modelo que almacene la imagen de salida, y el ajuste de confianza garantiza que solo se incluyan en los resultados las predicciones con al menos un 30 por ciento de certeza.

Cuando ejecutes la predicción, la salida mostrará un mensaje indicándote dónde se encuentra la imagen guardada; por ejemplo, "Results saved to runs/detect/train."

Tu imagen de salida será similar a la que se muestra aquí, con las pastillas detectadas y resaltadas mediante recuadros delimitadores. Las puntuaciones de confianza mostradas indican el nivel de certeza de cada detección.

Fig 3. Detección de pastillas con YOLO11.

Link to this sectionAplicaciones en el mundo real de YOLO11 en la industria farmacéutica#

Ahora que hemos explorado cómo entrenar a YOLO11 usando el Medical Pills Dataset y ejecutar inferencias en imágenes para la detección de pastillas, echemos un vistazo a las aplicaciones de YOLO11 en el mundo real en la industria farmacéutica.

Link to this sectionClasificación automatizada de pastillas con YOLO11#

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

Al usar un modelo YOLO11 ajustado, podemos detectar y clasificar con precisión las pastillas según atributos visuales como el tamaño, la forma y el color. Esta automatización acelera el proceso y ayuda a garantizar que los productos cumplan con estrictos estándares de calidad, convirtiéndose en una herramienta valiosa en las operaciones farmacéuticas.

Fig 4. Detección de pastillas con la ayuda de YOLO11.

Link to this sectionSupervisión del inventario con la ayuda de YOLO11#

Tener la medicación adecuada a tiempo es más que una tarea logística: puede afectar a la atención al paciente y a los costes. La falta de una pastilla crítica puede retrasar el tratamiento, mientras que el exceso de existencias puede provocar la caducidad de medicamentos y un inventario desperdiciado. Con la gran variedad de tipos de pastillas y variantes de envasado en la industria farmacéutica, los sistemas de inventario automatizados pueden permitir registros más precisos.

Los sistemas de inventario inteligentes pueden utilizar modelos de visión artificial como Ultralytics YOLO11 para controlar los niveles de existencias en tiempo real. El modelo puede escanear estanterías y zonas de envasado mediante imágenes o vídeo para detectar y contar pastillas. A medida que cambian los niveles de existencias, ya sea que se añadan, eliminen o muevan artículos, el sistema puede actualizar el recuento automáticamente.

Link to this sectionControl de calidad farmacéutica impulsado por YOLO11#

En la producción farmacéutica, el control de calidad es crucial para garantizar que cada pastilla sea segura y eficaz. Incluso defectos menores, como una grieta, una forma irregular o una ligera variación de color, pueden provocar errores de dosificación o retiradas de productos.

YOLO11 puede ayudar detectando automáticamente las pastillas que no cumplen con los estándares de calidad. El modelo puede aprender características visuales y utilizar recuadros delimitadores para señalar problemas como grietas, impresiones descoloridas o decoloración en tiempo real. Esto permite la retirada temprana de pastillas defectuosas, lo que reduce los residuos y garantiza que solo lleguen a los pacientes medicamentos que cumplen con la calidad asegurada.

Además de esto, YOLO11 puede usarse para detectar y contar las pastillas mientras se inspeccionan, para un seguimiento preciso mientras se supervisa la calidad.

Fig 5. YOLO11 puede usarse para detectar y contar cápsulas.

Link to this sectionPros y contras de usar IA de visión para la detección de pastillas#

Ahora que hemos explorado cómo se puede aplicar la IA de visión en la industria farmacéutica, echemos un rápido vistazo a algunos de los beneficios clave del uso de la visión artificial en este sector:

• Mantenimiento predictivo: YOLO11 puede usarse para detectar signos tempranos de desgaste de las máquinas identificando inconsistencias en las pastillas o en el envase. Ayuda a programar reparaciones oportunas y evita tiempos de inactividad de producción no planificados.
• Uso escalable del modelo: El modelo se puede ajustar en varios conjuntos de datos para diferentes pastillas y envases. Esto hace que la inspección sea escalable y rentable a medida que crecen las operaciones.
• Supervisión remota: Permite realizar comprobaciones de calidad en tiempo real cuando se integra con sistemas en la nube y dispositivos periféricos (edge), y es ideal para gestionar dispensadores rurales, unidades automatizadas y configuraciones de telefarmacia remota.

Aunque implementar la IA de visión en la industria farmacéutica ofrece muchos beneficios, también hay algunas consideraciones a tener en cuenta al usar dichas tecnologías:

• Integración operativa: Integrar 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 con estrictos estándares normativos para garantizar la seguridad del paciente y la calidad constante del producto.
• Gestión de errores: Incluso los modelos avanzados pueden producir falsos positivos o negativos. Es importante disponer de procesos para manejar y corregir estos errores.

Link to this sectionEl camino a seguir para los flujos de trabajo de IA farmacéutica#

En el futuro, la IA probablemente desempeñará un papel más importante para hacer 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 puede permitir a los investigadores responder a los problemas a medida que surgen, en lugar de hacerlo a posteriori. La IA también puede acelerar 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 dar lugar a menos retrasos y a un acceso más rápido a nuevos tratamientos.

Link to this sectionConclusiones clave#

Entrenar a Ultralytics YOLO11 con el Medical Pills Dataset muestra la rapidez y eficacia con la que el modelo puede adaptarse a las tareas farmacéuticas. Incluso con un conjunto de datos pequeño, puede detectar pastillas con precisión, lo que lo hace útil para tareas como la clasificación, el control de calidad y el seguimiento de inventario.

A medida que los conjuntos de datos crecen y los modelos mejoran, el potencial de la IA de visión en el sector farmacéutico va más allá de la logística. Esta tecnología también podría apoyar los ensayos clínicos ayudando con la identificación y el seguimiento coherentes de las pastillas, y asistiendo a los investigadores en la prueba segura de nuevas combinaciones de fármacos.

Explora nuestro repositorio de GitHub para saber más y formar parte de nuestra creciente comunidad. Descubre innovaciones de vanguardia en diversos sectores, desde IA en la agricultura hasta visión artificial en la sanidad. Consulta nuestras opciones de licencia y lanza tus proyectos de IA de visión hoy mismo.