Analyse approfondie de la détection de pilules avec Ultralytics YOLO11

L’intelligence artificielle est utilisée dans presque tous les secteurs, mais son influence sur la santé, et en particulier sur l’industrie pharmaceutique, est particulièrement importante. Cette année, le marché de l’IA dans l’industrie pharmaceutique est estimé à 1,94 milliard de dollars et devrait atteindre 16,49 milliards de dollars d’ici 2034.

Un moteur technologique clé de ce marché est la vision par ordinateur. Contrairement au traitement d’image traditionnel, la vision par ordinateur est une sous-discipline de l’IA qui permet aux machines de comprendre et d’analyser des données visuelles en temps réel.

Fig. 1. Vue d’ensemble de l’IA dans le secteur pharmaceutique.

Dans l’industrie pharmaceutique, où la moindre erreur peut avoir de graves conséquences, l’IA visuelle offre de nouvelles méthodes fiables pour améliorer la sécurité et la précision.

Par exemple, Ultralytics YOLO11 est un modèle de vision par ordinateur conçu pour des tâches en temps réel comme la détection d’objets et la segmentation d’instances. Il peut être utilisé pour des applications comme l’identification de pilules ou la détection de défauts sur les emballages médicaux.

Dans cet article, nous allons voir comment mettre en pratique l’IA visuelle en entraînant Ultralytics YOLO11 à détecter des pilules. Nous explorerons également ses applications concrètes. C’est parti !

Créer un modèle d’IA de détection de pilules#

Avant de voir comment entraîner Ultralytics YOLO11 à détecter des pilules, prenons un peu de recul pour comprendre ce que signifie entraîner un modèle et quel rôle joue un jeu de données.

L’entraînement d’un modèle consiste à lui apprendre à reconnaître des motifs en lui présentant de nombreux exemples. Dans ce cas, un jeu de données est un ensemble d’images dont chacune est annotée pour indiquer où se trouvent les pilules. Ce processus aide le modèle à apprendre à partir de ces exemples afin de pouvoir ensuite identifier des pilules dans de nouvelles images.

Le package Python Ultralytics simplifie encore ce processus en prenant en charge une grande variété de jeux de données dans un format de fichier YOLO rationalisé. Il offre un accès facile aux jeux de données populaires et prend en charge des applications comme la détection de pilules.

Par exemple, le jeu de données Medical Pills est un ensemble de données dédié servant de preuve de concept, conçu pour montrer comment la détection d’objets peut améliorer les flux de travail pharmaceutiques grâce à des tâches comme le contrôle qualité, le tri et la détection de contrefaçons.

Choisir un environnement de développement#

Avant de commencer l’entraînement avec le package Python Ultralytics, tu dois également choisir un environnement de développement adapté. Voici trois options populaires :

• Interface en ligne de commande (CLI) : la CLI, ou terminal, est un outil simple basé sur du texte dans lequel tu peux saisir des commandes pour exécuter ton code et interagir avec ton ordinateur.
• Jupyter Notebooks : cet environnement plus interactif te permet d’écrire et d’exécuter du code par petits blocs (cellules), ce qui facilite les tests et le débogage au fur et à mesure.
• Google Colab : cette option dans le cloud fonctionne comme Jupyter Notebooks, mais offre en plus un accès gratuit à un GPU, sans que tu aies à te soucier d’installer quoi que ce soit localement.

Tu peux découvrir d’autres options de configuration dans la documentation officielle Ultralytics, mais les trois options mentionnées ci-dessus sont faciles à configurer et à utiliser, ce qui en fait d’excellents choix pour démarrer rapidement.

Dans ce guide, nous allons nous concentrer sur la configuration et l’entraînement d’Ultralytics YOLO11 avec Google Colab, Jupyter Notebooks ou un simple script Python, car le processus est assez similaire dans chacun de ces environnements.

Ce tutoriel ressemble aussi beaucoup à celui que nous avons consacré précédemment à la détection de la faune sauvage avec Ultralytics YOLO11. Si tu souhaites obtenir plus de détails sur l’une des étapes de ce tutoriel de programmation, tu peux le consulter.

Découvrir un jeu de données pour la détection de pilules en temps réel avec YOLO#

Le jeu de données Medical Pills comprend 92 images d’entraînement et 23 images de validation, offrant une répartition solide pour créer et tester ton modèle. Les images d’entraînement servent à enseigner le modèle, tandis que les images de validation aident à évaluer ses performances sur de nouvelles données qu’il n’a jamais vues.

Chaque image du jeu de données est annotée avec une seule classe : les pilules. Les annotations de boîtes englobantes indiquent clairement l’emplacement de chaque pilule, ce qui rend le jeu de données idéal pour des tâches ciblées comme la détection de pilules, sans la complexité liée à la gestion de plusieurs classes d’objets.

Fig. 2. Aperçu du jeu de données Medical Pills.

Pour prendre en charge l’entraînement avec YOLO11, Ultralytics fournit un fichier de configuration YAML qui définit des paramètres clés comme les chemins d’accès aux fichiers, les noms des classes et les métadonnées nécessaires à l’entraînement du modèle. Que tu affines un modèle pré-entraîné ou que tu partes de zéro, ce fichier simplifie considérablement le processus et t’aide à démarrer rapidement.

Entraîner un modèle Ultralytics YOLO sur le jeu de données de pilules#

Pour commencer, nous allons configurer un environnement pour l’entraînement et les tests du modèle. Tu peux choisir Google Colab, Jupyter Notebooks ou un simple fichier Python selon tes préférences. Il te suffit de créer un nouveau notebook ou fichier Python dans l’environnement de ton choix.

Ensuite, nous pouvons configurer notre environnement et installer le package Python Ultralytics à l’aide de la commande ci-dessous. Si tu utilises un environnement basé sur des notebooks (Google Colab ou Jupyter), exécute la commande suivante en plaçant un point d’exclamation (!) au début.

pip install ultralytics

Une fois l’installation terminée, l’étape suivante consiste à télécharger et à entraîner YOLO11 avec le jeu de données Medical Pills. Comme le package Python Ultralytics prend en charge ce jeu de données, le processus est simple.

Comprendre le processus d’entraînement du modèle#

Nous pouvons d’abord importer la classe YOLO depuis le package Ultralytics. Ensuite, nous pouvons charger un modèle YOLO11 pré-entraîné à partir du fichier « yolo11n.pt », recommandé parce qu’il s’agit d’un modèle nano léger.

Enfin, nous pouvons lancer l’entraînement en indiquant au modèle la configuration de notre jeu de données (medical-pills.yaml) et en définissant le nombre d’époques d’entraînement (un passage complet sur l’ensemble du jeu de données) à 100, comme indiqué ci-dessous.

from ultralytics import YOLO

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

Un entraînement sur plusieurs époques permet au modèle d’apprendre et d’améliorer ses performances à chaque passage. Tu trouveras les journaux et les points de contrôle enregistrés dans le sous-dossier « runs/train/ », que tu peux utiliser pour suivre la progression et examiner les performances du modèle.

Une fois l’entraînement terminé, le modèle YOLO11 personnalisé devrait être capable d’identifier les pilules avec précision. Tu trouveras les poids finaux du modèle entraîné dans le sous-dossier « runs/detect/train/weights/ », sous le nom « best.pt ».

Évaluer Ultralytics YOLO11 après l’entraînement du modèle#

Pour évaluer la capacité du modèle à détecter les pilules, nous pouvons lancer la validation comme suit :

metrics = model.val()

Ce processus renvoie des métriques courantes de détection d’objets qui donnent un aperçu des performances du modèle. Examinons de plus près certaines de ces métriques :

• Précision : elle mesure la proportion de pilules détectées par le modèle qui sont effectivement des pilules.
• Rappel : il indique la proportion de pilules réelles que le modèle parvient à identifier.
• Précision moyenne (mAP) : cette métrique combine la précision et le rappel pour différents seuils de détection afin de fournir un score global de performance.

Ensemble, ces métriques donnent une vue d’ensemble complète de la précision avec laquelle le modèle détecte des pilules dans de nouvelles données qu’il n’a jamais vues.

Si les performances de ton modèle ne sont pas aussi bonnes que prévu, tu peux essayer de l’entraîner sur davantage d’époques ou d’affiner d’autres paramètres d’entraînement, comme le taux d’apprentissage, qui détermine l’ampleur des étapes suivies lors de l’optimisation du modèle, ou la taille des images, afin d’améliorer encore ses performances.

Exécuter des inférences avec ton modèle Ultralytics YOLO11 personnalisé entraîné#

Une fois le modèle Ultralytics YOLO11 entraîné et évalué, l’étape suivante consiste à tester ses performances sur de nouvelles images qu’il n’a jamais vues. Cela permet de simuler des conditions réelles, comme la détection de pilules dans différentes conditions d’éclairage, dispositions ou styles d’emballage.

Pour tester le modèle, nous avons téléchargé une image d’exemple depuis Pexels, un site de photos libres de droits, puis analysé l’image ou lancé une prédiction à l’aide du modèle Ultralytics YOLO11 personnalisé, comme le montre l’extrait de code ci-dessous.

Tu peux utiliser cette image d’exemple ou toute autre image pertinente pour évaluer les performances du modèle dans des situations réelles.

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

L’option save indique au modèle d’enregistrer l’image de sortie, et le paramètre de confiance garantit que seuls les résultats dont le niveau de certitude est d’au moins 30 % sont inclus.

Lorsque tu lances la prédiction, le résultat affiche un message indiquant où l’image enregistrée se trouve — par exemple : « Results saved to runs/detect/train. »

Ton image de sortie ressemblera à celle présentée ici : les pilules détectées sont mises en évidence par des boîtes englobantes. Les scores de confiance affichés indiquent le degré de certitude de chaque détection.

Fig. 3. Détection de pilules avec Ultralytics YOLO11.

Applications concrètes d’Ultralytics YOLO11 dans l’industrie pharmaceutique#

Maintenant que nous avons vu comment entraîner Ultralytics YOLO11 avec le jeu de données Medical Pills et effectuer des inférences sur des images pour détecter des pilules, examinons les applications concrètes de YOLO11 dans l’industrie pharmaceutique.

Tri des pilules pharmaceutiques avec Ultralytics YOLO11#

La détection automatisée de pilules avec Ultralytics YOLO11 peut être mise à profit pour le tri pharmaceutique. Le tri manuel est souvent lent, répétitif et sujet aux erreurs, ce qui peut compromettre la sécurité des médicaments et la conformité réglementaire.

Avec un modèle Ultralytics YOLO11 affiné, nous pouvons détecter et trier avec précision les pilules en fonction de leurs caractéristiques visuelles, comme leur taille, leur forme et leur couleur. Cette automatisation accélère le processus et contribue à garantir que les produits respectent des normes de qualité strictes, ce qui en fait un outil précieux pour les opérations pharmaceutiques.

Fig. 4. Détection de pilules avec YOLO11.

Suivi des stocks avec Ultralytics YOLO11#

Disposer du bon médicament au bon moment ne relève pas seulement de la logistique : cela peut avoir une incidence sur les soins aux patients et les coûts. Une pénurie d’une pilule essentielle peut retarder un traitement, tandis qu’un surstock peut entraîner la péremption des médicaments et le gaspillage des stocks. Face aux nombreux types de pilules et aux diverses formes d’emballage dans l’industrie pharmaceutique, les systèmes automatisés de gestion des stocks peuvent rendre les inventaires plus précis.

Les systèmes intelligents de gestion des stocks peuvent utiliser des modèles de vision par ordinateur comme Ultralytics YOLO11 pour suivre les niveaux de stock en temps réel. Le modèle peut analyser des images ou des vidéos des rayons et des zones d’emballage pour détecter et compter les pilules. Lorsque les stocks évoluent, que des articles soient ajoutés, retirés ou déplacés, le système peut mettre à jour automatiquement le décompte.

Contrôle qualité pharmaceutique avec Ultralytics YOLO11#

Dans la production pharmaceutique, le contrôle qualité est essentiel pour garantir la sécurité et l’efficacité de chaque pilule. Même des défauts mineurs, comme une fissure, une forme irrégulière ou une légère variation de couleur, peuvent entraîner des erreurs de dosage ou des rappels de produits.

Ultralytics YOLO11 peut contribuer à détecter automatiquement les pilules qui ne respectent pas les normes de qualité. Le modèle peut apprendre des caractéristiques visuelles et utiliser des boîtes englobantes pour signaler en temps réel des problèmes comme des éclats, des inscriptions effacées ou une décoloration. Cela permet de retirer rapidement les pilules défectueuses, de réduire le gaspillage et de garantir que seuls des médicaments soumis à un contrôle qualité parviennent aux patients.

De plus, Ultralytics YOLO11 peut servir à détecter et à compter les pilules au cours de leur inspection, afin d’assurer un suivi précis tout en contrôlant leur qualité.

Fig. 5. Ultralytics YOLO11 peut servir à détecter et à compter les gélules.

Avantages et inconvénients de l’IA visuelle pour la détection de pilules#

Maintenant que nous avons vu comment l’IA visuelle peut être utilisée dans l’industrie pharmaceutique. Examinons rapidement quelques-uns des principaux avantages de la vision par ordinateur dans ce secteur :

• Maintenance prédictive : Ultralytics YOLO11 peut détecter les premiers signes d’usure des machines en repérant les irrégularités des pilules ou de leur emballage. Cela aide à planifier les réparations à temps et à éviter les arrêts de production imprévus.
• Utilisation de modèles évolutive : le modèle peut être affiné sur différents jeux de données correspondant à diverses pilules et à divers emballages. L’inspection peut ainsi être mise à l’échelle et rester rentable à mesure que les opérations se développent.
• Surveillance à distance : intégrée à des systèmes cloud et à des appareils en périphérie, elle permet d’effectuer des contrôles qualité en temps réel et convient parfaitement à la gestion de dispensaires ruraux, d’unités automatisées et de dispositifs de télépharmacie à distance.

Si la mise en œuvre de l’IA visuelle dans l’industrie pharmaceutique présente de nombreux avantages, certaines considérations doivent également être prises en compte lors de l’utilisation de ces technologies :

• Intégration opérationnelle : l’intégration de systèmes d’IA dans les flux de travail existants peut nécessiter des ajustements, de la formation et des vérifications de compatibilité avec l’infrastructure actuelle.
• Conformité réglementaire : les systèmes automatisés doivent respecter des normes réglementaires strictes afin de garantir la sécurité des patients et une qualité constante des produits.
• Gestion des erreurs : même les modèles avancés peuvent produire des faux positifs ou des faux négatifs. Il est important de prévoir des processus pour traiter et corriger ces erreurs.

L’avenir des flux de travail pharmaceutiques assistés par l’IA#

À l’avenir, l’IA jouera probablement un rôle plus important pour rendre les essais cliniques plus rapides, plus intelligents et plus rentables. Elle peut aider à concevoir de meilleurs protocoles d’essais, à sélectionner les groupes de patients adéquats et à surveiller les données en temps réel.

Cela pourrait permettre aux chercheurs de réagir aux problèmes dès qu’ils surviennent, plutôt qu’après coup. L’IA peut également accélérer le processus d’approbation en réduisant la paperasserie manuelle et en automatisant les contrôles de routine. Dans l’ensemble, l’intégration de l’IA dans les flux de travail pharmaceutiques peut réduire les retards et accélérer l’accès aux nouveaux traitements.

Points clés à retenir#

L’entraînement d’Ultralytics YOLO11 sur le jeu de données Medical Pills montre à quelle vitesse et avec quelle efficacité le modèle peut s’adapter aux tâches pharmaceutiques. Même avec un jeu de données de petite taille, il peut détecter les pilules avec précision, ce qui le rend utile pour le tri, le contrôle qualité et le suivi des stocks.

À mesure que les jeux de données s’enrichissent et que les modèles s’améliorent, le potentiel de l’IA visuelle dans l’industrie pharmaceutique dépasse la simple logistique. Cette technologie pourrait aussi contribuer aux essais cliniques en favorisant l’identification et le suivi cohérents des pilules, ainsi qu’en aidant les chercheurs à tester en toute sécurité de nouvelles combinaisons de médicaments.

Découvre notre dépôt GitHub pour en savoir plus et rejoindre notre communauté en pleine croissance. Découvre des innovations de pointe dans divers secteurs, de l’IA dans l’agriculture à la vision par ordinateur dans le secteur de la santé. Consulte nos options de licence et lance dès aujourd’hui tes projets d’IA visuelle.