24 avril 2025
Dans ce tutoriel de codage, apprenez à détecter des pilules à l'aide de YOLO11 avec l'ensemble de données Medical-Pills. Explorez également ses applications et avantages potentiels.
L'intelligence artificielle est utilisée dans presque tous les secteurs, mais son influence sur les soins de santé, notamment dans le domaine pharmaceutique, est particulièrement importante. Cette année, l'IA sur le marché pharmaceutique est évaluée à 1,94 milliard de dollars et devrait atteindre 16,49 milliards de dollars d'ici à 2034.
L'un des principaux moteurs technologiques de ce marché est la vision par ordinateur. Contrairement au traitement d'images traditionnel, la vision par ordinateur est un sous-domaine de l'intelligence artificielle qui permet aux machines de comprendre et d'analyser des données visuelles en temps réel.
Dans l'industrie pharmaceutique, où la moindre erreur peut avoir de graves conséquences, Vision AI offre des moyens nouveaux et fiables d'améliorer la sécurité et la précision.
Par exemple, Ultralytics YOLO11 est un modèle de vision par ordinateur conçu pour des tâches en temps réel telles que la détection d'objets et la segmentation d'instances, et il peut être utilisé pour des applications telles que l'identification de pilules ou la détection de défauts dans les emballages médicaux.
Dans cet article, nous allons voir comment mettre en pratique Vision AI en entraînant YOLO11 à détecter des pilules. Nous explorerons également ses applications dans le monde réel. Commençons par le commencement !
Avant de voir comment YOLO11 peut être entraîné à détecter des pilules, prenons un peu de recul pour comprendre ce que signifie l'entraînement d'un modèle et le rôle d'un ensemble de données.
L'entraînement d'un modèle consiste à lui apprendre à reconnaître des modèles en lui montrant de nombreux exemples. Dans ce cas, un ensemble de données est une collection d'images où chaque image est étiquetée pour indiquer l'emplacement des pilules. Ce processus permet au modèle d'apprendre à partir de ces exemples afin de pouvoir identifier ultérieurement les pilules dans de nouvelles images.
L'ensemble Ultralytics Python rend ce processus encore plus facile en prenant en charge un large éventail d'ensembles de données dans un format de fichier YOLO rationalisé. Il offre un accès aisé aux ensembles de données les plus courants et prend en charge des applications telles que la détection de pilules.
Par exemple, le Medical Pills Dataset est une collection de démonstration de concept conçue pour montrer comment la détection d'objets peut améliorer les flux de travail pharmaceutiques grâce à des tâches telles que le contrôle de la qualité, le tri et la détection des contrefaçons.
Un autre facteur à prendre en compte avant de commencer la formation avec le package Ultralytics Python est le choix de l'environnement de développement adéquat. Voici trois options populaires :
Il existe d'autres options de configuration que vous pouvez explorer dans la documentation officielle d'Ultralytics, mais les trois mentionnées ci-dessus sont faciles à configurer et à utiliser, ce qui en fait d'excellents choix pour démarrer rapidement.
Dans ce guide, nous nous concentrerons sur la façon de configurer et d'entraîner YOLO11 en utilisant Google Colab, Jupyter Notebooks ou un script Python de base, car le processus est assez similaire dans chacun de ces environnements.
Par ailleurs, ce tutoriel est assez similaire à celui que nous avons couvert précédemment sur la détection de la faune et de la flore à l'aide de YOLO11. Si vous souhaitez obtenir plus de détails sur l'une des étapes de ce tutoriel de codage, vous pouvez le consulter.
L'ensemble de données Medical Pills comprend 92 images d'apprentissage et 23 images de validation, ce qui constitue une base solide pour la construction et le test de votre modèle. Les images d'apprentissage servent à enseigner le modèle, tandis que les images de validation permettent d'évaluer les performances du modèle sur de nouvelles données inédites.
Chaque image de l'ensemble de données est étiquetée pour une seule classe, les pilules. Les annotations de la boîte de délimitation indiquent clairement l'emplacement de chaque pilule, ce qui rend l'ensemble de données idéal pour des tâches ciblées telles que la détection de pilules, sans la complexité de la gestion de plusieurs classes d'objets.
Pour soutenir l'entraînement avec YOLO11, Ultralytics fournit un fichier de configuration YAML qui définit les paramètres clés tels que les chemins d'accès aux fichiers, les noms de classe et les métadonnées nécessaires à l'entraînement du modèle. Que vous affiniez un modèle pré-entraîné ou que vous partiez de zéro, ce fichier simplifie grandement le processus et vous aide à démarrer rapidement.
Pour commencer, nous allons mettre en place un environnement pour l'entraînement et le test du modèle. Vous pouvez choisir d'utiliser Google Colab, les carnets Jupyter ou un simple fichier Python, selon vos préférences. Il vous suffit de créer un nouveau carnet de notes ou un fichier Python dans l'environnement de votre choix.
Ensuite, nous pouvons configurer notre environnement et installer le paquetage Ultralytics Python à l'aide de la commande ci-dessous. Si vous utilisez un environnement basé sur un carnet de notes (Google Colab ou Jupyter), exécutez la commande suivante avec un point d'exclamation ( !) au début.
pip install ultralyticsUne fois installé, l'étape suivante consiste à télécharger et à entraîner YOLO11 à l'aide de l'ensemble de données Medical Pills. Comme ce jeu de données est pris en charge par le paquetage Python Ultralytics, la procédure est simple.
Tout d'abord, nous pouvons importer la classe YOLO à partir du paquet Ultralytics. Ensuite, nous pouvons charger un modèle YOLO11 pré-entraîné à partir du fichier "yolo11n.pt", qui est recommandé parce qu'il s'agit d'un modèle nano et léger.
Enfin, nous pouvons lancer le processus d'apprentissage en orientant le modèle vers la configuration de notre jeu de données (medical-pills.yaml) et en fixant le nombre d'époques d'apprentissage (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)L'entraînement sur plusieurs époques permet au modèle d'apprendre et d'améliorer ses performances à chaque passage. Vous trouverez des journaux et des points de contrôle enregistrés dans le sous-dossier "runs/train/", que vous pouvez utiliser pour suivre la progression et examiner les performances du modèle.
Une fois l'entraînement terminé, le modèle YOLO11 entraîné sur mesure devrait être en mesure d'identifier les pilules avec précision. Vous trouverez les poids finaux du modèle entraîné dans le sous-dossier "runs/detect/train/weights/" sous le nom "best.pt".
Pour évaluer dans quelle mesure le modèle a appris à détecter les pilules, nous pouvons procéder à une validation comme suit :
metrics = model.val()Ce processus renvoie des mesures communes de détection d'objets, qui donnent un aperçu des performances du modèle. Voici un examen plus approfondi de certaines de ces mesures :
Ensemble, ces mesures offrent une vue d'ensemble de la précision avec laquelle le modèle détecte les pilules dans des données nouvelles et inédites.
Si votre modèle ne donne pas les résultats escomptés, vous pouvez essayer de l'entraîner pendant un plus grand nombre d'époques ou d'affiner d'autres paramètres d'entraînement, tels que le taux d'apprentissage, qui contrôle la taille des étapes effectuées pendant l'optimisation du modèle, ou la taille de l'image, afin d'améliorer encore ses performances.
Une fois le modèle YOLO11 formé et évalué, l'étape suivante consiste à tester ses performances sur de nouvelles images inédites. Cela permet de simuler des conditions réelles, telles que la détection de pilules sous différents éclairages, dispositions ou styles d'emballage.
Pour tester le modèle, nous avons téléchargé un échantillon d'image à partir de Pexels, un site web d'images gratuites, et nous avons analysé l'image ou effectué une prédiction à l'aide du modèle YOLO11 entraîné sur mesure, comme le montre l'extrait de code ci-dessous.
Vous pouvez utiliser cet exemple d'image ou toute autre image pertinente pour évaluer les performances du modèle dans des scénarios réels.
results = model.predict("path/to/image.jpg", save=True, conf=0.3)L'option de sauvegarde indique au modèle de stocker l'image de sortie, et le paramètre de confiance permet de s'assurer que seules les prédictions dont la certitude est d'au moins 30 % sont incluses dans les résultats.
Lorsque vous exécutez la prédiction, la sortie affiche un message indiquant l'emplacement de l'image enregistrée - par exemple, "Results saved to runs/detect/train" (résultats enregistrés dans runs/detect/train).
Votre image de sortie sera similaire à celle présentée ici, avec des pilules détectées et mises en évidence à l'aide de boîtes de délimitation. Les scores de confiance affichés indiquent le niveau de certitude de chaque détection.
Maintenant que nous avons exploré la manière d'entraîner YOLO11 à l'aide de l'ensemble de données Medical-Pills et d'exécuter des inférences sur des images pour la détection de pilules, examinons les applications réelles de YOLO11 dans l'industrie pharmaceutique.
La détection automatisée de pilules avec YOLO11 peut être appliquée au triage des produits pharmaceutiques. Le tri manuel est souvent lent, répétitif et sujet à des erreurs qui peuvent compromettre la sécurité et la conformité des médicaments.
En utilisant un modèle YOLO11 affiné, nous pouvons détecter et trier avec précision les pilules sur la base d'attributs visuels tels que la taille, la forme et la couleur. Cette automatisation accélère le processus et contribue à garantir que les produits répondent à des normes de qualité strictes, ce qui en fait un outil précieux pour les opérations pharmaceutiques.
Stocker les bons médicaments à temps est plus qu'une simple tâche logistique - cela peut affecter les soins aux patients et les coûts. Le manque d'une pilule essentielle peut retarder le traitement, tandis qu'un surstockage peut entraîner la péremption des médicaments et le gaspillage des stocks. Compte tenu des nombreux types de pilules et des variations d'emballage dans l'industrie pharmaceutique, les systèmes d'inventaire automatisés peuvent permettre des enregistrements plus précis.
Les systèmes d'inventaire intelligents peuvent utiliser des modèles de vision artificielle comme Ultralytics YOLO11 pour contrôler les niveaux de stock en temps réel. Le modèle peut scanner les étagères et les zones d'emballage à l'aide d'images ou de vidéos pour détecter et compter les pilules. Lorsque les niveaux de stock changent, que des articles soient ajoutés, retirés ou déplacés, le système peut mettre à jour le comptage automatiquement.
Dans la production pharmaceutique, le contrôle de la qualité est essentiel pour s'assurer que chaque pilule est sûre et efficace. Même des défauts mineurs, tels qu'une fissure, une forme irrégulière ou une légère variation de couleur, peuvent entraîner des erreurs de dosage ou des rappels de produits.
YOLO11 peut vous aider en détectant automatiquement les pilules qui ne répondent pas aux normes de qualité. Le modèle peut apprendre les caractéristiques visuelles et utilise des boîtes de délimitation pour signaler en temps réel les problèmes tels que les ébréchures, les empreintes décolorées ou la décoloration. Cela permet de retirer rapidement les pilules défectueuses, de réduire les déchets et de garantir que seuls les médicaments dont la qualité est assurée parviennent aux patients.
En outre, YOLO11 peut être utilisé pour détecter et compter les pilules au fur et à mesure qu'elles sont inspectées, pour un suivi précis tout en contrôlant la qualité.
Maintenant que nous avons exploré la manière dont l'IA de vision peut être appliquée à l'industrie pharmaceutique, examinons rapidement certains des principaux avantages de l'utilisation de la vision par ordinateur dans ce secteur. Examinons brièvement quelques-uns des principaux avantages de l'utilisation de la vision par ordinateur dans ce secteur :
Si la mise en œuvre de Vision AI dans l'industrie pharmaceutique présente de nombreux avantages, il convient également de garder à l'esprit certaines considérations lors de l'utilisation de ces technologies :
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'essai, à choisir les bons groupes de patients et à contrôler les données en temps réel.
Cela peut permettre aux chercheurs de répondre aux problèmes dès qu'ils se présentent, 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 de l'industrie pharmaceutique peut réduire les retards et accélérer l'accès aux nouveaux traitements.
L'entraînement d'Ultralytics YOLO11 sur l'ensemble de données Medical Pills montre la rapidité et l'efficacité avec lesquelles le modèle peut s'adapter aux tâches pharmaceutiques. Même avec un petit ensemble de données, il peut détecter avec précision les pilules, ce qui le rend utile pour des tâches telles que le tri, le contrôle de la qualité et le suivi des stocks.
À mesure que les ensembles de données augmentent et que les modèles s'améliorent, le potentiel de Vision AI dans l'industrie pharmaceutique va au-delà de la simple logistique. Cette technologie pourrait également soutenir les essais cliniques en contribuant à l'identification et au suivi cohérents des pilules, et en aidant les chercheurs à tester en toute sécurité de nouvelles combinaisons de médicaments.
Explorez notre dépôt GitHub pour en savoir plus et faire partie de notre communauté grandissante. Découvrez des innovations de pointe dans divers secteurs, de l'IA dans l'agriculture à la vision par ordinateur dans les soins de santé. Consultez nos options de licence et lancez vos projets Vision AI dès aujourd'hui.
