24 de abril de 2025
En este tutorial de codificación, aprenda a detectar píldoras usando YOLO11 con el conjunto de datos Medical-Pills. Además, explore sus posibles aplicaciones y beneficios.
La inteligencia artificial se está utilizando en casi todas las industrias, pero su influencia en la atención médica, especialmente en la farmacéutica, es particularmente sustancial. Este año, el mercado de la IA en la industria farmacéutica está valorado en 1.940 millones de dólares, y se espera que crezca hasta los 16.490 millones de dólares en 2034.
Un impulsor 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.
En la industria farmacéutica, donde incluso el error más pequeño puede tener graves consecuencias, la Visión Artificial 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 para aplicaciones como la identificación de píldoras o la detección de defectos en el envasado de medicamentos.
En este artículo, te guiaremos sobre cómo ponerte manos a la obra con Vision AI entrenando a YOLO11 para detectar píldoras. También exploraremos sus aplicaciones en el mundo real. ¡Empecemos!
Antes de profundizar en cómo se puede entrenar YOLO11 para detectar píldoras, retrocedamos un poco y comprendamos qué significa entrenar un modelo y el papel de un conjunto de datos.
El entrenamiento de un modelo implica enseñarle a reconocer patrones mostrándole muchos ejemplos. En este caso, un conjunto de datos es una colección de imágenes donde cada imagen está etiquetada para indicar dónde se encuentran las píldoras. Este proceso ayuda al modelo a aprender de estos ejemplos para que luego pueda identificar píldoras en nuevas imágenes.
El paquete de Python de Ultralytics facilita aún más este proceso 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 píldoras.
Por ejemplo, el conjunto de datos Medical Pills es una colección dedicada de prueba de concepto diseñada para mostrar cómo la detección de objetos puede mejorar los flujos de trabajo farmacéuticos a través de tareas como el control de calidad, la clasificación y la detección de falsificaciones.
Otro factor a tener en cuenta antes de empezar a entrenar con el paquete Python de Ultralytics es la elección del entorno de desarrollo adecuado. Aquí tiene tres opciones populares:
Hay otras opciones de configuración que puede 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 comenzar rápidamente.
En esta guía, nos centraremos en cómo configurar y entrenar 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 vida silvestre utilizando YOLO11. Si está interesado en obtener más detalles sobre alguno de los pasos de este tutorial de codificación, puede consultarlo.
El conjunto de datos de píldoras médicas incluye 92 imágenes de entrenamiento y 23 imágenes de validación, lo que proporciona una división sólida tanto para la construcción como para la prueba de su modelo. Las imágenes de entrenamiento se utilizan para enseñar al modelo, mientras que las imágenes de validación ayudan a evaluar el rendimiento del modelo con datos nuevos e invisibles.
Cada imagen del conjunto de datos está etiquetada para una sola clase, píldoras. Las anotaciones de los cuadros delimitadores marcan claramente la ubicación de cada píldora, lo que hace que el conjunto de datos sea ideal para tareas específicas como la detección de píldoras sin la complejidad de manejar múltiples clases de objetos.
Para admitir 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. Ya sea que esté ajustando un modelo pre-entrenado o comenzando desde cero, este archivo simplifica mucho el proceso y le ayuda a comenzar rápidamente.
Para empezar, configuraremos un entorno para el entrenamiento y la prueba del modelo. Puede optar por utilizar Google Colab, Jupyter Notebooks o un simple archivo de Python según su preferencia. Simplemente cree un nuevo cuaderno o archivo de Python en el entorno que elija.
Luego, podemos configurar nuestro entorno e instalar el paquete de Python de Ultralytics utilizando el comando que se muestra a continuación. Si está utilizando un entorno basado en un cuaderno (Google Colab o Jupyter), ejecute el siguiente comando con un signo de exclamación (!) al principio.
pip install ultralyticsUna vez instalado, el siguiente paso es descargar y entrenar YOLO11 utilizando el conjunto de datos Medical Pills. Dado que el conjunto de datos es compatible con el paquete de Python de Ultralytics, el proceso es sencillo.
En primer lugar, podemos importar la clase YOLO del paquete Ultralytics. A continuación, podemos cargar un modelo YOLO11 preentrenado desde el archivo “yolo11n.pt”, lo que se recomienda 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)El entrenamiento durante múltiples épocas permite que el modelo aprenda y mejore su rendimiento con cada pasada. Podrás encontrar registros y puntos de control 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 entrenado a medida debería ser capaz de identificar las píldoras con precisión. Puede buscar los pesos finales del modelo entrenado en la subcarpeta “runs/detect/train/weights/” con el nombre “best.pt”.
Para evaluar qué tan bien ha aprendido el modelo a detectar píldoras, podemos ejecutar la validación de la siguiente manera:
metrics = model.val()Este proceso devuelve métricas comunes de detección de objetos, que proporcionan información sobre el rendimiento del modelo. Aquí tienes un análisis más detallado de algunas de estas métricas:
En conjunto, estas métricas ofrecen una visión completa de la precisión con la que el modelo detecta píldoras en datos nuevos y no vistos.
Si su modelo no funciona tan bien como esperaba, puede 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.
Una vez que el modelo YOLO11 esté entrenado y evaluado, el siguiente paso es probar su rendimiento en imágenes nuevas y no vistas. Esto ayuda a simular las condiciones del mundo real, como la detección de píldoras en diferentes iluminaciones, disposiciones o estilos de embalaje.
Para probar el modelo, hemos descargado una imagen de muestra de Pexels, un sitio web de imágenes de archivo gratuitas, y hemos analizado la imagen o ejecutado una predicción utilizando el modelo YOLO11 entrenado a medida, como se muestra en el fragmento de código a continuación.
Puede utilizar esta imagen de muestra o cualquier otra imagen relevante para evaluar el rendimiento del modelo en escenarios 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 la configuración de confianza asegura que solo se incluyan en los resultados las predicciones con al menos un 30 por ciento de certeza.
Al ejecutar la predicción, el resultado mostrará un mensaje que indica dónde se encuentra la imagen guardada; por ejemplo, "Resultados guardados en runs/detect/train".
Su imagen de salida será similar a la que se muestra aquí, con las píldoras detectadas y resaltadas mediante cuadros delimitadores. Las puntuaciones de confianza mostradas indican el nivel de certeza para cada detección.
Ahora que hemos explorado cómo entrenar YOLO11 usando el conjunto de datos Medical-Pills y ejecutar inferencias en imágenes para la detección de píldoras, echemos un vistazo a las aplicaciones reales de YOLO11 en la industria farmacéutica.
La detección automatizada de píldoras con YOLO11 se puede aplicar 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.
Mediante el uso de un modelo YOLO11 ajustado, podemos detectar y clasificar con precisión las píldoras en función de atributos visuales como el tamaño, la forma y el color. Esta automatización acelera el proceso y ayuda a garantizar que los productos cumplan con los estrictos estándares de calidad, lo que la convierte en una herramienta valiosa en las operaciones farmacéuticas.
Abastecerse de la medicación adecuada a tiempo es más que una tarea logística: puede afectar la atención al paciente y los costes. La escasez de una píldora crítica puede retrasar el tratamiento, mientras que el exceso de existencias puede provocar la caducidad de los medicamentos y el desperdicio de inventario. Con numerosos tipos de píldoras y variaciones de embalaje en 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 áreas de embalaje utilizando imágenes o vídeo para detectar y contar píldoras. A medida que cambian los niveles de existencias, ya sea que se añadan, se retiren o se muevan artículos, el sistema puede actualizar el recuento automáticamente.
En la producción farmacéutica, el control de calidad es crucial para asegurar que cada píldora sea segura y efectiva. Incluso los defectos menores, como una grieta, una forma irregular o una ligera variación de color, pueden provocar errores en la dosificación o retiradas de productos.
YOLO11 puede ayudar detectando automáticamente las píldoras que no cumplen las normas de calidad. El modelo puede aprender características visuales y utiliza cuadros delimitadores para señalar problemas como astillas, impresiones descoloridas o decoloración en tiempo real. Esto permite la eliminación temprana de las píldoras defectuosas, reduciendo el desperdicio y garantizando que sólo la medicación con garantía de calidad llegue a los pacientes.
Además, YOLO11 puede utilizarse para detectar y contar las píldoras a medida que se inspeccionan, para un seguimiento preciso al tiempo que se supervisa la calidad.
Ahora que hemos explorado cómo se puede aplicar la IA visual en la industria farmacéutica, echemos un vistazo rápido a algunos de los beneficios clave del uso de la visión artificial en este sector:
Si bien la implementación de la IA visual en la industria farmacéutica ofrece muchos beneficios, también hay algunas consideraciones que se deben tener en cuenta al utilizar dichas tecnologías:
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 monitorear los datos en tiempo real.
Esto puede permitir a los investigadores responder a los problemas a medida que surgen, en lugar de a posteriori. La IA también puede acelerar el proceso de aprobación reduciendo el papeleo manual y automatizando 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 los nuevos tratamientos.
El entrenamiento de Ultralytics YOLO11 en el conjunto de datos Medical Pills muestra con qué rapidez y eficacia el modelo puede adaptarse a tareas farmacéuticas. Incluso con un conjunto de datos pequeño, puede detectar píldoras 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 visión artificial en la industria farmacéutica va más allá de la logística. Esta tecnología también podría respaldar los ensayos clínicos al ayudar con la identificación y el seguimiento consistentes de las píldoras, y al ayudar a los investigadores a probar de forma segura nuevas combinaciones de fármacos.
Explore nuestro repositorio de GitHub para obtener más información y formar parte de nuestra creciente comunidad. Descubra innovaciones de vanguardia en varios sectores, desde la IA en la agricultura hasta la visión artificial en la atención médica. Consulte nuestras opciones de licencia y lance sus proyectos de Vision AI hoy mismo.
