Plongée au cœur de la détection de pilules avec Ultralytics YOLO11

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

La vision par ordinateur est l’un des principaux moteurs technologiques de ce marché. 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.

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

Dans l’industrie pharmaceutique, où même la plus petite erreur peut avoir de graves conséquences, l’IA appliquée à la vision 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 telles que l’identification de pilules ou la détection de défauts sur les emballages médicaux.

Dans cet article, tu vas découvrir concrètement comment utiliser l’IA appliquée à la vision en entraînant Ultralytics YOLO11 à détecter des pilules. Nous explorerons également ses applications dans le monde réel. C’est parti !

Créer un modèle d’IA pour la détection de pilules#

Avant d’examiner comment entraîner Ultralytics YOLO11 à détecter des pilules, prenons un peu de recul pour comprendre ce que signifie entraîner un modèle et quel est le rôle d’un jeu de données.

Entraîner un modèle consiste à lui apprendre à reconnaître des motifs en lui montrant de nombreux exemples. Ici, un jeu de données est un ensemble d’images dans lesquelles chaque image est annotée 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 des pilules dans de nouvelles images.

Le package Python Ultralytics simplifie encore ce processus en prenant en charge un large éventail de jeux de données dans un format de fichier YOLO rationalisé. Il offre un accès simple à des jeux de données populaires ainsi qu’une prise en charge d’applications comme la détection de pilules.

Par exemple, le Medical Pills Dataset 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 des contrefaçons.

Choisir un environnement de développement#

Un autre facteur à prendre en compte avant de commencer l’entraînement avec le package Python Ultralytics est de choisir le bon environnement de développement. Voici trois options populaires :

• Interface de ligne de commande (CLI) : La CLI, ou le terminal, est un outil simple basé sur le texte dans lequel tu peux saisir des commandes pour exécuter ton code et interagir avec ton ordinateur.
• Jupyter Notebooks : Il s’agit d’un environnement plus interactif dans lequel tu peux écrire et exécuter du code par petites sections (cellules), ce qui facilite les tests et le débogage au fur et à mesure.
• Google Colab : Il s’agit d’une option cloud qui fonctionne comme Jupyter Notebooks, avec en plus un accès gratuit à un GPU, ce qui t’évite d’avoir à configurer quoi que ce soit en local.

Tu peux explorer d’autres options de configuration dans la documentation officielle d’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 nous concentrerons 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 est également très similaire à celui que nous avons précédemment consacré 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.

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

Le Medical Pills Dataset comprend 92 images d’entraînement et 23 images de validation, offrant une séparation 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 inédites.

Chaque image du jeu de données est annotée pour une seule classe : les pilules. Les annotations des BBox délimitent 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 Medical Pills Dataset.

Pour prendre en charge l’entraînement avec YOLO11, Ultralytics fournit un fichier de configuration YAML qui définit des paramètres clés comme les chemins de fichiers, les noms de classes et les métadonnées nécessaires à l’entraînement du modèle. Que tu ajustes 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 YOLO Ultralytics sur le jeu de données de pilules#

Pour commencer, nous allons configurer un environnement pour l’entraînement et le test 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 présentée ci-dessous. Si tu utilises un environnement basé sur un notebook (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 Medical Pills Dataset. Comme ce jeu de données est pris en charge par le package Python Ultralytics, 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 depuis le fichier « yolo11n.pt », recommandé parce qu’il s’agit d’un modèle nano léger.

Enfin, nous pouvons lancer le processus d’entraînement en indiquant au modèle la configuration de notre jeu de données (medical-pills.yaml) et en définissant à 100 le nombre d’époques d’entraînement (un passage complet sur l’ensemble du jeu de données), 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. 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 apprendre 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 examen plus détaillé de certaines de ces métriques :

• Précision : Elle mesure la proportion de pilules détectées par le modèle qui sont correctement identifiées.
• Rappel : Il indique la proportion de pilules réellement présentes que le modèle identifie correctement.
• Précision moyenne (mAP) : Cette métrique combine la précision et le rappel sur différents seuils de détection afin de fournir un score global de performance.

Ensemble, ces métriques offrent une vue complète de la précision avec laquelle le modèle détecte les pilules dans de nouvelles données inédites.

Si ton modèle n’est pas aussi performant que prévu, tu peux essayer de l’entraîner sur davantage d’époques ou d’ajuster d’autres paramètres d’entraînement, comme le taux d’apprentissage, qui contrôle la taille des étapes effectuées pendant l’optimisation du modèle, ou la taille des images, afin d’améliorer davantage ses performances.

Exécuter des inférences avec ton modèle Ultralytics YOLO11 entraîné sur mesure#

Une fois le modèle Ultralytics YOLO11 entraîné et évalué, l’étape suivante consiste à tester ses performances sur de nouvelles images inédites. Cela aide à simuler des conditions réelles, comme la détection de pilules sous différents éclairages, dans différentes dispositions ou avec différents styles d’emballage.

Pour tester le modèle, nous avons téléchargé une image d’exemple depuis Pexels, un site proposant des images libres de droits, puis nous avons analysé l’image ou effectué une prédiction avec le modèle Ultralytics YOLO11 entraîné sur mesure, comme indiqué dans 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 scénarios réels.

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

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

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

Ton image de sortie sera similaire à celle présentée ici, avec des pilules détectées et mises en évidence à l’aide de BBox. Les scores de confiance affichés indiquent le niveau de certitude associé à 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 Medical-Pills Dataset et effectuer des inférences sur des images pour détecter des pilules, examinons les applications concrètes de YOLO11 dans l’industrie pharmaceutique.

Tri pharmaceutique des pilules avec Ultralytics YOLO11#

La détection automatisée de pilules avec Ultralytics YOLO11 peut être appliquée au tri pharmaceutique. Le tri manuel est souvent lent, répétitif et sujet à des erreurs susceptibles de compromettre la sécurité et la conformité des médicaments.

En utilisant un modèle Ultralytics YOLO11 ajusté, nous pouvons détecter et trier avec précision les pilules en fonction de caractéristiques visuelles comme la taille, la forme et la 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 l’aide de YOLO11.

Surveiller les stocks avec l’aide d’Ultralytics YOLO11#

Réapprovisionner à temps les bons médicaments ne relève pas uniquement de la logistique : cela peut avoir un impact sur les soins aux patients et les coûts. Une pénurie d’une pilule essentielle peut retarder un traitement, tandis qu’un surstock peut entraîner l’expiration de médicaments et un gaspillage des stocks. Avec les nombreux types de pilules et les différentes variantes d’emballage de l’industrie pharmaceutique, les systèmes automatisés de gestion des stocks peuvent permettre d’obtenir des registres plus précis.

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

Contrôle qualité pharmaceutique avec Ultralytics YOLO11#

Dans la production pharmaceutique, le contrôle qualité est essentiel pour garantir que chaque pilule est sûre et efficace. 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 aider en détectant automatiquement les pilules qui ne respectent pas les normes de qualité. Le modèle peut apprendre des caractéristiques visuelles et utiliser des BBox pour signaler en temps réel des problèmes comme des éclats, des inscriptions décolorées ou des changements de couleur. Cela permet de retirer rapidement les pilules défectueuses, de réduire les déchets et de garantir que seuls des médicaments conformes aux normes de qualité parviennent aux patients.

De plus, Ultralytics YOLO11 peut être utilisé pour détecter et compter les pilules au cours de leur inspection, afin d’assurer un suivi précis pendant le contrôle qualité.

Fig. 5. Ultralytics YOLO11 peut être utilisé pour détecter et compter des capsules.

Avantages et inconvénients de l’utilisation de l’IA appliquée à la vision pour la détection de pilules#

Maintenant que nous avons vu comment l’IA appliquée à la vision peut être utilisée dans l’industrie pharmaceutique, examinons rapidement certains des principaux avantages de la vision par ordinateur dans ce secteur :

• Maintenance prédictive : Ultralytics YOLO11 peut être utilisé pour détecter les premiers signes d’usure des machines en identifiant les irrégularités des pilules ou des emballages. Il aide à planifier les réparations à temps et à éviter les arrêts de production imprévus.
• Utilisation évolutive du modèle : Le modèle peut être ajusté sur différents jeux de données pour différentes pilules et différents emballages. Il rend l’inspection évolutive et rentable à mesure que les opérations se développent.
• Surveillance à distance : Il permet d’effectuer des contrôles qualité en temps réel lorsqu’il est intégré à des systèmes cloud et à des appareils edge, et convient parfaitement à la gestion de distributeurs ruraux, d’unités automatisées et de dispositifs de télépharmacie à distance.

Bien que la mise en œuvre de l’IA appliquée à la vision dans l’industrie pharmaceutique présente de nombreux avantages, certains éléments doivent également être pris 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 mettre en place des processus pour gérer et corriger ces erreurs.

L’avenir des flux de travail pharmaceutiques fondés sur 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’essai, à sélectionner les groupes de patients appropriés et à surveiller les données en temps réel.

Cela pourrait permettre aux chercheurs de réagir aux problèmes au moment où ils surviennent, plutôt qu’après coup. L’IA peut également accélérer le processus d’approbation en réduisant la quantité de tâches administratives manuelles et en automatisant les contrôles courants. Globalement, 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 Medical Pills Dataset montre à quelle vitesse et avec quelle efficacité le modèle peut s’adapter aux tâches pharmaceutiques. Même avec un petit jeu de données, 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 appliquée à la vision dans l’industrie pharmaceutique dépasse largement la simple logistique. Cette technologie pourrait également contribuer aux essais cliniques en facilitant l’identification et le suivi cohérents des pilules, ainsi qu’en aidant les chercheurs à tester de nouvelles associations médicamenteuses en toute sécurité.

Explore 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 domaine de la santé. Consulte nos options de licence et lance dès aujourd’hui tes projets d’IA appliquée à la vision.