24 avril 2025
Dans ce tutoriel de codage, apprenez à détecter les 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 la santé, en particulier dans le domaine pharmaceutique, est particulièrement importante. Cette année, le marché de l'IA dans le secteur pharmaceutique est évalué à 1,94 milliard de dollars, et il 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 un sous-domaine de l'IA qui permet aux machines de comprendre et d'analyser les données visuelles en temps réel.
Dans l'industrie pharmaceutique, où même la plus petite erreur peut avoir de graves conséquences, la Vision IA offre de nouvelles façons fiables d'améliorer la sécurité et la précision.
Par exemple, Ultralytics YOLO11 est un modèle de vision par ordinateur conçu pour les tâches en temps réel telles que la détection d'objets et la segmentation d'instance, 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 vous expliquer comment vous familiariser avec Vision AI en entraînant YOLO11 à détecter des pilules. Nous explorerons également ses applications concrètes. Commençons !
Avant de nous plonger dans la façon dont YOLO11 peut être entraîné à détecter les pilules, prenons un peu de recul et comprenons ce que signifie entraîner un modèle et quel est le rôle d'un ensemble de données.
L'entraînement d'un modèle consiste à lui apprendre à reconnaître des motifs 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 où se trouvent les pilules. Ce processus aide le modèle à apprendre à partir de ces exemples afin qu'il puisse ensuite identifier les pilules dans de nouvelles images.
Le package Python Ultralytics facilite encore ce processus en prenant en charge une large gamme d'ensembles de données dans un format de fichier YOLO simplifié. Il offre un accès facile aux ensembles de données populaires et fournit une assistance pour des applications telles que la détection de pilules.
Par exemple, l'ensemble de données Medical Pills est une collection dédiée de validation 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 considérer avant de commencer l'entraînement avec le package Python Ultralytics est le choix de l'environnement de développement approprié. 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 allons nous concentrer sur la configuration et l'entraînement de YOLO11 à l'aide de Google Colab, des Jupyter Notebooks ou d'un script Python de base, car le processus est assez similaire dans chacun de ces environnements.
De plus, ce tutoriel est assez similaire à celui que nous avons précédemment abordé sur la détection de la faune à l'aide de YOLO11. Si vous souhaitez 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'entraînement et 23 images de validation, offrant une division solide pour la construction et le test de votre modèle. Les images d'entraînement sont utilisées pour enseigner au modèle, tandis que les images de validation aident à évaluer les performances du modèle sur des données nouvelles et non vues.
Chaque image de l'ensemble de données est étiquetée pour une seule classe, les pilules. Les annotations de la boîte englobante marquent clairement l'emplacement de chaque pilule, ce qui rend l'ensemble de données idéal pour les tâches ciblées telles que la détection de pilules sans la complexité de la gestion de plusieurs classes d'objets.
Pour prendre en charge l'entraînement avec YOLO11, Ultralytics fournit un fichier de configuration YAML qui définit les paramètres clés tels que les chemins de fichiers, les noms de classes 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 configurer un environnement pour l'entraînement et le test du modèle. Vous pouvez choisir d'utiliser Google Colab, Jupyter Notebooks ou un simple fichier Python selon votre préférence. Créez simplement un nouveau notebook ou un fichier Python dans l'environnement de votre choix.
Ensuite, nous pouvons configurer notre environnement et installer le package Python Ultralytics à l'aide de la commande indiquée ci-dessous. Si vous utilisez un environnement basé sur un bloc-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 du jeu de données Medical Pills. Étant donné que le jeu de données est pris en charge par le package Ultralytics Python, le processus est simple.
Tout d'abord, nous pouvons importer la classe YOLO du paquet Ultralytics. Ensuite, nous pouvons charger un modèle YOLO11 pré-entraîné à partir du fichier « yolo11n.pt », ce qui est recommandé car il s'agit d'un nano modèle et léger.
Enfin, nous pouvons démarrer le processus d'entraînement en indiquant au modèle notre fichier de configuration de l'ensemble de données (medical-pills.yaml) et en définissant le nombre d'époques d'entraînement (un passage complet à travers l'ensemble 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 epochs permet au modèle d'apprendre et d'améliorer ses performances à chaque passage. Vous pourrez trouver les journaux et les points de contrôle enregistrés dans le sous-dossier “runs/train/”, que vous pourrez utiliser pour suivre les progrès et examiner les performances du modèle.
Une fois l'entraînement terminé, le modèle YOLO11 entraîné sur mesure devrait être capable d'identifier les pilules avec précision. Vous pouvez rechercher les poids du modèle final 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 exécuter 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. Voici un aperçu de certaines de ces métriques :
Ensemble, ces métriques offrent une vue d'ensemble de la précision avec laquelle le modèle détecte les pilules dans de nouvelles données non observées.
Si votre modèle ne fonctionne pas aussi bien que prévu, vous pouvez essayer de l'entraîner pendant plus d'epochs ou d'affiner d'autres paramètres d'entraînement, tels que le taux d'apprentissage, qui contrôle la taille des pas effectués lors de l'optimisation du modèle, ou la taille de l'image, afin d'améliorer encore ses performances.
Une fois le modèle YOLO11 entraîné 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 dans différents éclairages, arrangements ou styles d'emballage.
Pour tester le modèle, nous avons téléchargé un exemple d'image depuis Pexels, un site web d'images libres de droits, et analysé l'image ou exécuté une prédiction en utilisant le modèle YOLO11 entraîné sur mesure, comme illustré dans 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 garantit que seules les prédictions avec au moins 30 % de certitude sont incluses dans les résultats.
Lorsque vous exécutez la prédiction, le résultat affichera un message vous indiquant où se trouve l'image enregistrée - par exemple, "Résultats enregistrés dans runs\/detect\/train".
Votre image de sortie sera similaire à celle illustrée ici, avec des pilules détectées et mises en évidence à l'aide de cadres de délimitation. Les scores de confiance affichés indiquent le niveau de certitude pour chaque détection.
Maintenant que nous avons exploré comment entraîner YOLO11 à l'aide du jeu de données Medical-Pills et exécuter des inférences sur des images pour la détection de pilules, examinons les applications concrètes de YOLO11 dans l'industrie pharmaceutique.
La détection automatisée de pilules avec YOLO11 peut être appliquée au tri pharmaceutique. 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 en fonction d'attributs visuels tels que la taille, la forme et la couleur. Cette automatisation accélère le processus et permet de garantir que les produits répondent à des normes de qualité strictes, ce qui en fait un outil précieux dans les opérations pharmaceutiques.
Avoir les bons médicaments en stock à temps est plus qu'une simple tâche logistique - cela peut affecter les soins aux patients et les coûts. Une pénurie d'un comprimé essentiel peut retarder le traitement, tandis qu'un stockage excessif peut entraîner l'expiration des médicaments et le gaspillage des stocks. Avec de nombreux types de comprimés et de 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 par ordinateur comme Ultralytics YOLO11 pour surveiller 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. Au fur et à mesure que les niveaux de stock changent, que des articles soient ajoutés, retirés ou déplacés, le système peut mettre à jour le compte automatiquement.
Dans la production pharmaceutique, le contrôle de la qualité est crucial 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 aider à détecter automatiquement les comprimés qui ne répondent pas aux normes de qualité. Le modèle peut apprendre les caractéristiques visuelles et utilise des boîtes englobantes pour signaler les problèmes tels que les éclats, les impressions effacées ou la décoloration en temps réel. Cela permet de retirer rapidement les comprimés défectueux, de réduire le gaspillage et de garantir que seuls les médicaments de qualité assurée parviennent aux patients.
De plus, YOLO11 peut être utilisé pour détecter et compter les pilules lors de leur inspection, pour un suivi précis tout en surveillant la qualité.
Maintenant que nous avons exploré comment la Vision IA peut être appliquée dans l'industrie pharmaceutique, examinons rapidement quelques-uns des principaux avantages de l'utilisation de la vision par ordinateur dans ce secteur :
Bien qu'il existe de nombreux avantages à mettre en œuvre l'IA de vision dans l'industrie pharmaceutique, il y a également quelques considérations à garder à l'esprit lors de l'utilisation de ces technologies :
À l'avenir, l'IA jouera probablement un rôle plus important dans l'accélération, l'amélioration et la réduction des coûts des essais cliniques. Elle peut aider à concevoir de meilleurs protocoles d'essai, à choisir les bons groupes de patients et à surveiller les données en temps réel.
Cela peut permettre aux chercheurs de répondre aux problèmes au fur et à mesure qu'ils surviennent, au lieu de le faire 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 entraîner moins de retards et un accès plus rapide aux nouveaux traitements.
L'entraînement d'Ultralytics YOLO11 sur l'ensemble de données Medical Pills montre à quel point le modèle peut s'adapter rapidement et efficacement 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 qualité et le suivi des stocks.
À mesure que les ensembles de données augmentent et que les modèles s'améliorent, le potentiel de la Vision IA dans le secteur pharmaceutique va au-delà de la simple logistique. Cette technologie pourrait également soutenir les essais cliniques en aidant 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 en pleine croissance. 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.
