Análisis exhaustivo de la detección de pastillas con Ultralytics YOLO11

La inteligencia artificial se utiliza 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 1,94 mil millones de dólares y se espera que alcance los 16,49 mil millones de dólares en 2034.

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

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

En la industria farmacéutica, donde incluso 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 utilizarse en aplicaciones como la identificación de pastillas o la detección de defectos en envases médicos.

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

Creación de un modelo de IA para detectar pastillas#

Antes de profundizar en cómo se puede entrenar Ultralytics YOLO11 para detectar pastillas, detengámonos un momento para entender qué significa entrenar un modelo y cuál es la función de 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 de estos ejemplos para que después pueda identificar pastillas en imágenes nuevas.

El paquete de Python de Ultralytics facilita aún más este proceso al admitir una amplia variedad de conjuntos de datos en un formato de archivo YOLO optimizado. Ofrece acceso sencillo a conjuntos de datos populares y compatibilidad con aplicaciones como la detección de pastillas.

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

Elección de un entorno de desarrollo#

Otro factor que debes tener en cuenta antes de empezar a entrenar con el paquete de Python de 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 en la que puedes escribir comandos para ejecutar tu código e interactuar con tu ordenador.
• Jupyter Notebooks: Es un entorno más interactivo en el que puedes escribir y ejecutar código en pequeños fragmentos (celdas), lo que facilita las pruebas y la depuración durante el proceso.
• Google Colab: Es una opción basada en la nube que funciona como Jupyter Notebooks, pero con la ventaja adicional de ofrecer acceso gratuito a GPU, por lo que no tienes que preocuparte de configurar nada localmente.

Puedes explorar otras opciones de configuración en la documentación oficial de Ultralytics, pero las tres mencionadas anteriormente 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 utilizando 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 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.

Exploración de 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 división sólida tanto para crear como para probar tu modelo. Las imágenes de entrenamiento se utilizan para enseñar al modelo, mientras que las imágenes de validación ayudan a evaluar su rendimiento con datos nuevos que no ha visto.

Cada imagen del conjunto de datos está etiquetada para una sola clase: pastillas. Las anotaciones de BBox 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 entrenar el modelo. Tanto si ajustas un modelo preentrenado como si empiezas desde cero, este archivo simplifica mucho el proceso y te ayuda a empezar rápidamente.

Entrena un modelo YOLO de Ultralytics 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 archivo sencillo de Python según tus preferencias. Solo tienes que crear un notebook o archivo de Python nuevo en el entorno que elijas.

A continuación, podemos configurar el entorno e instalar el paquete de Python de Ultralytics utilizando el comando que se muestra más abajo. Si utilizas un entorno basado en notebooks (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 YOLO11 utilizando el Medical Pills Dataset. Como el paquete de Python de Ultralytics admite este conjunto de datos, el proceso es sencillo.

Comprensión del proceso de entrenamiento del modelo#

Primero, podemos importar la clase YOLO desde el paquete de Ultralytics. Después, podemos cargar un modelo YOLO11 preentrenado desde el archivo “yolo11n.pt”, que se recomienda porque es 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 (un recorrido completo por todo el conjunto de datos), tal 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 al modelo aprender y mejorar su rendimiento en cada recorrido. Encontrarás los registros y los checkpoints guardados en la subcarpeta “runs/train/”, que puedes utilizar para supervisar el progreso y revisar el rendimiento del modelo.

Una vez completado el entrenamiento, el modelo YOLO11 personalizado debería poder identificar pastillas con precisión. Puedes encontrar los pesos del modelo entrenado final en la subcarpeta “runs/detect/train/weights/”, con el nombre “best.pt”.

Evaluación de Ultralytics YOLO11 después del entrenamiento del modelo#

Para evaluar hasta qué punto el modelo ha aprendido a detectar pastillas, podemos ejecutar la validación de la siguiente forma:

metrics = model.val()

Este proceso devuelve métricas habituales de detección de objetos que ofrecen información sobre el rendimiento del modelo. Estas son algunas de estas métricas con más detalle:

• 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 promedio (mAP): Esta métrica combina la precisión y la exhaustividad en distintos umbrales de detección para proporcionar una puntuación general de 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 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 realizados durante la optimización del modelo, o el tamaño de la imagen, para mejorar aún más su rendimiento.

Ejecución de inferencias con tu modelo Ultralytics YOLO11 entrenado a medida#

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 condiciones del mundo real, como la detección de pastillas con distinta iluminación, disposición o estilos de envasado.

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 ejecutado una predicción utilizando el modelo Ultralytics YOLO11 entrenado a medida, como se muestra en el siguiente fragmento de código.

Puedes utilizar 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 save indica al modelo que guarde la imagen de salida, y el ajuste confidence garantiza que en los resultados solo se incluyan predicciones con al menos un 30 % de certeza.

Cuando ejecutes la predicción, la salida mostrará un mensaje que te indicará 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 BBox. Las puntuaciones de confianza mostradas indican el nivel de certeza de cada detección.

Fig. 3. Detección de pastillas con Ultralytics YOLO11.

Aplicaciones de Ultralytics YOLO11 en el sector farmacéutico#

Ahora que hemos visto cómo entrenar Ultralytics YOLO11 con el Medical-Pills Dataset y ejecutar inferencias sobre imágenes para detectar pastillas, veamos sus aplicaciones 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, repetitiva y propensa a errores que pueden poner en riesgo la seguridad y el cumplimiento normativo de los medicamentos.

Al utilizar un modelo Ultralytics YOLO11 ajustado, podemos detectar y clasificar pastillas con precisión basándonos en 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 en las operaciones farmacéuticas.

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

Supervisión del inventario con la ayuda de Ultralytics YOLO11#

Disponer a tiempo de la medicación adecuada es mucho más que una tarea logística: puede afectar a la atención al paciente y a los costes. La escasez de una pastilla esencial puede retrasar el tratamiento, mientras que un exceso de existencias puede provocar que los medicamentos caduquen y que se desperdicie inventario. Dada la gran variedad de pastillas y envases de la industria farmacéutica, los sistemas automatizados de inventario pueden permitir 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 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 porque se añaden, retiran o mueven artículos, el sistema puede actualizar el recuento automáticamente.

Control de calidad farmacéutico impulsado por Ultralytics YOLO11#

En la producción farmacéutica, el control de calidad es fundamental para garantizar que cada pastilla sea segura y eficaz. 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 BBox para señalar problemas como astillas, grabados descoloridos o cambios de color en tiempo real. Esto permite retirar pronto las pastillas defectuosas, reducir los residuos y garantizar que solo llegue a los pacientes medicación con la calidad asegurada.

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

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

Ventajas e inconvenientes del uso de la IA de visión para detectar pastillas#

Ahora que hemos visto cómo puede aplicarse 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 de las máquinas mediante la identificación de irregularidades en las pastillas o los envases. Ayuda a programar reparaciones a tiempo y evita paradas de producción imprevistas.
• Uso escalable del modelo: El modelo puede ajustarse con distintos conjuntos de datos para diferentes pastillas y envases. Esto permite escalar la inspección de forma rentable a medida que crecen las operaciones.
• Supervisión remota: Permite realizar controles de calidad en tiempo real cuando se integra con sistemas en la nube y dispositivos periféricos, y es ideal para gestionar dispensadores rurales, unidades automatizadas y configuraciones de telefarmacia remota.

Aunque implementar IA de visión en la industria farmacéutica ofrece muchas ventajas, también hay algunos aspectos que debes tener en cuenta al utilizar estas 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 estrictas normas regulatorias para garantizar la seguridad de los pacientes y una calidad constante de los productos.
• Gestión de errores: Incluso los modelos avanzados pueden producir 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 a la hora de 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 cuando surjan, en lugar de hacerlo después. 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 traducirse en menos retrasos y un acceso más rápido a nuevos tratamientos.

Conclusiones clave#

Entrenar Ultralytics YOLO11 con el Medical Pills Dataset demuestra la rapidez y eficacia con las que el modelo puede adaptarse a tareas farmacéuticas. Incluso con un conjunto de datos pequeño, puede detectar pastillas con precisión, por 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 de visión en el sector farmacéutico va más allá de la logística. Esta tecnología también podría ayudar en los ensayos clínicos mediante la identificación y el seguimiento uniformes de pastillas, además de ayudar a los investigadores a probar de forma segura nuevas combinaciones de medicamentos.

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