Une plongée approfondie dans la détection de pilules utilisant Ultralytics YOLO11

L'intelligence artificielle est utilisée dans presque tous les secteurs, mais son influence sur la santé, en particulier 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 il devrait atteindre 16,49 milliards de dollars d'ici 2034.

L'un des moteurs technologiques clés 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 des données visuelles en temps réel.

Fig 1. Un aperçu de l'IA sur le marché pharmaceutique.

Dans l'industrie pharmaceutique, où la moindre erreur peut avoir des conséquences graves, l'IA visuelle 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 comme 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 utiliser l'IA visuelle en entraînant YOLO11 à détecter des pilules. Nous explorerons également ses applications concrètes. Commençons !

Link to this sectionCréer un modèle d'IA de détection de pilules#

Avant de nous plonger dans la manière dont YOLO11 peut être entraîné 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. Dans ce cas, un jeu 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 plus tard identifier des pilules dans de nouvelles images.

Le package Python Ultralytics rend ce processus encore plus simple en prenant en charge un large éventail de jeux de données dans un format de fichier YOLO rationalisé. Ils offrent un accès facile aux jeux de données populaires et assurent la prise en charge d'applications comme la détection de pilules.

Par exemple, le Medical Pills Dataset est une collection dédiée de preuve 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 qualité, le tri et la détection de contrefaçons.

Link to this sectionChoisir un environnement de développement#

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

• Interface de ligne de commande (CLI) : La CLI ou terminal est un outil simple, basé sur le texte, où tu peux taper des commandes pour exécuter ton code et interagir avec ton ordinateur.
• Jupyter Notebooks : Il s'agit d'un environnement plus interactif où tu peux écrire et exécuter du code par petits blocs (cellules), ce qui facilite les tests et le débogage au fur et à mesure.
• Google Colab : Une option basée sur le cloud qui fonctionne comme les Jupyter Notebooks, mais avec l'avantage supplémentaire d'un accès gratuit aux GPU, pour que tu n'aies pas à te soucier de configurer quoi que ce soit localement.

Il existe d'autres options de configuration que tu peux 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.

De plus, ce tutoriel est assez similaire à celui que nous avons déjà couvert sur la détection de la faune sauvage avec YOLO11. Si tu souhaites plus de détails sur l'une des étapes de ce tutoriel de codage, tu peux y jeter un œil.

Link to this sectionExplorer 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 répartition solide pour construire et tester ton modèle. Les images d'entraînement sont utilisées pour apprendre au modèle, tandis que les images de validation aident à évaluer les performances du modèle sur des données nouvelles et inédites.

Chaque image du jeu de données est étiquetée pour une seule classe, les pilules. Les annotations de boîtes englobantes marquent 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 de gérer plusieurs classes d'objets.

Fig 2. Un aperçu du Medical Pills Dataset.

Pour prendre en charge l'entraînement avec YOLO11, Ultralytics fournit un fichier de configuration YAML qui définit les paramètres clés comme les chemins de fichiers, les noms de 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 rend le processus beaucoup plus simple et t'aide à démarrer rapidement.

Link to this sectionEntraîner un modèle Ultralytics YOLO 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 d'utiliser Google Colab, Jupyter Notebooks ou un simple fichier Python selon ta préférence. Crée simplement un nouveau notebook ou un fichier Python dans l'environnement que tu as choisi.

Ensuite, nous pouvons configurer notre environnement et installer le package Python Ultralytics en utilisant la commande ci-dessous. Si tu utilises un environnement basé sur un notebook (Google Colab ou Jupyter), exécute la commande suivante avec un point d'exclamation (!) au début.

pip install ultralytics

Une fois installé, l'étape suivante consiste à télécharger et à entraîner YOLO11 en utilisant le Medical Pills Dataset. Comme le jeu de données est pris en charge par le package Python Ultralytics, le processus est simple.

Link to this sectionComprendre le processus d'entraînement du modèle#

D'abord, nous pouvons importer la classe YOLO depuis le package 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 modèle nano et léger.

Enfin, nous pouvons lancer le processus d'entraînement en pointant le modèle vers notre configuration de jeu de données (medical-pills.yaml) et en réglant le nombre d'époques d'entraînement (un passage complet à travers tout le 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)

S'entraîner pendant plusieurs époques permet au modèle d'apprendre et d'améliorer ses performances à chaque passage. Tu pourras trouver les journaux et les points de contrôle enregistrés dans le sous-dossier « runs/train/ », que tu peux utiliser pour surveiller les progrès 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 peux rechercher les poids finaux du modèle entraîné dans le sous-dossier « runs/detect/train/weights/ » sous le nom « best.pt ».

Link to this sectionÉvaluer YOLO11 après l'entraînement du modèle#

Pour évaluer à quel point 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 examen plus détaillé de certaines de ces métriques :

• Précision : Elle mesure la proportion de pilules détectées par le modèle qui sont correctes.
• Rappel : Il indique la proportion de pilules réelles que le modèle identifie avec succès.
• Précision moyenne moyenne (mAP) : Cette métrique combine à la fois la précision et le rappel sur différents seuils de détection pour donner un score de performance global.

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

Si ton modèle n'est pas aussi performant que prévu, tu peux essayer de l'entraîner pendant plus d'époques ou d'affiner d'autres paramètres d'entraînement, comme le taux d'apprentissage, qui contrôle la taille des pas effectués pendant l'optimisation du modèle, ou la taille de l'image, pour améliorer encore ses performances.

Link to this sectionExécuter des inférences en utilisant ton modèle YOLO11 personnalisé#

Une fois le modèle YOLO11 entraîné et évalué, l'étape suivante consiste à tester ses performances sur de nouvelles images inédites. Cela aide à 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 une image échantillon depuis Pexels, un site d'images gratuites, et analysé l'image ou exécuté une prédiction en utilisant le modèle YOLO11 personnalisé comme indiqué dans l'extrait de code ci-dessous.

Tu peux utiliser cette image échantillon 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 réglage de confiance garantit que seules les prédictions avec au moins 30 % de certitude sont incluses dans les résultats.

Lorsque tu exécutes la prédiction, la sortie affichera un message t'indiquant où l'image enregistrée est située - par exemple, "Results saved to runs/detect/train."

Ton image de sortie sera similaire à celle montrée ici, avec des pilules détectées et mises en évidence à l'aide de boîtes englobantes. Les scores de confiance affichés indiquent le niveau de certitude pour chaque détection.

Fig 3. Détection de pilules avec YOLO11.

Link to this sectionApplications réelles de l'utilisation de YOLO11 dans l'industrie pharmaceutique#

Maintenant que nous avons exploré comment entraîner YOLO11 en utilisant le Medical-Pills Dataset et exécuter des inférences sur des images pour la détection de pilules, jetons un coup d'œil aux applications réelles de YOLO11 dans l'industrie pharmaceutique.

Link to this sectionTri de pilules pharmaceutiques avec YOLO11#

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 des médicaments et la conformité.

En utilisant un modèle YOLO11 affiné, nous pouvons détecter et trier avec précision les pilules en fonction d'attributs visuels comme la taille, la forme et la couleur. Cette automatisation accélère le processus et aide à garantir que les produits respectent des normes de qualité strictes, ce qui en fait un outil précieux dans les opérations pharmaceutiques.

Fig 4. Détecter des pilules avec l'aide de YOLO11.

Link to this sectionSurveiller les stocks avec l'aide de YOLO11#

Stocker le bon médicament à temps est plus qu'une simple tâche logistique - cela peut affecter les soins aux patients et les coûts. Une pénurie d'une pilule critique peut retarder le traitement, tandis qu'un surstock peut entraîner des médicaments périmés et un inventaire gaspillé. Avec de nombreux types de pilules 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 de conditionnement à l'aide d'images ou de vidéos pour détecter et compter les pilules. 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.

Link to this sectionContrôle qualité pharmaceutique piloté par YOLO11#

Dans la production pharmaceutique, le contrôle qualité est crucial pour s'assurer que chaque pilule est sûre et efficace. Même des défauts mineurs, tels qu'une fissure, une forme inégale ou une légère variation de couleur, peuvent entraîner des erreurs de dosage ou des rappels de produits.

YOLO11 peut aider en détectant automatiquement les pilules qui ne répondent pas aux normes de qualité. Le modèle peut apprendre des caractéristiques visuelles et utilise des boîtes englobantes pour signaler des problèmes comme des éclats, des empreintes effacées ou une décoloration en temps réel. Cela permet de retirer précocement les pilules défectueuses, réduisant ainsi le gaspillage et garantissant que seuls les médicaments à qualité assurée parviennent aux patients.

En plus de cela, YOLO11 peut être utilisé pour détecter et compter les pilules pendant leur inspection, pour un suivi précis tout en surveillant la qualité.

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

Link to this sectionAvantages et inconvénients de l'utilisation de l'IA visuelle pour la détection de pilules#

Maintenant que nous avons exploré comment l'IA visuelle peut être appliquée dans l'industrie pharmaceutique, jetons un coup d'œil rapide à certains des principaux avantages de l'utilisation de la vision par ordinateur dans ce secteur :

• Maintenance prédictive : YOLO11 peut être utilisé pour détecter les premiers signes d'usure des machines en identifiant les incohérences dans les pilules ou les emballages. Cela aide à planifier les réparations à temps et prévient les temps d'arrêt de production imprévus.
• Utilisation évolutive du modèle : Le modèle peut être affiné sur divers jeux de données pour différentes pilules et emballages. Cela rend l'inspection évolutive et rentable à mesure que les opérations se développent.
• Surveillance à distance : Elle permet des contrôles de qualité en temps réel lorsqu'elle est intégrée à des systèmes cloud et des appareils de périphérie, et est idéale pour gérer les distributeurs ruraux, les unités automatisées et les configurations de télépharmacie à distance.

Bien qu'il y ait de nombreux avantages à mettre en œuvre l'IA visuelle dans l'industrie pharmaceutique, il y a aussi certaines considérations à garder à l'esprit lors de l'utilisation de telles 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 adhérer à des normes réglementaires strictes pour garantir la sécurité des patients et une qualité de produit constante.
• Gestion des erreurs : Même des modèles avancés peuvent produire des faux positifs ou négatifs. Il est important de mettre en place des processus pour gérer et corriger ces erreurs.

Link to this sectionL'avenir des flux de travail pharmaceutiques grâce à 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 choisir les bons groupes de patients et à surveiller les données en temps réel.

Cela peut permettre aux chercheurs de répondre aux problèmes dès qu'ils surviennent, plutôt qu'après coup. L'IA peut également accélérer le processus d'approbation en réduisant la paperasse 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.

Link to this sectionPoints clés#

L'entraînement d'Ultralytics YOLO11 sur le Medical Pills Dataset montre à quel point le modèle peut s'adapter rapidement et efficacement aux tâches pharmaceutiques. Même avec un petit jeu de données, il peut détecter avec précision les pilules, ce qui le rend utile pour des choses comme le tri, le contrôle qualité et le suivi des stocks.

À mesure que les jeux de données se développent et que les modèles s'améliorent, le potentiel de l'IA visuelle 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 assistant les chercheurs dans le test sécurisé de nouvelles combinaisons de médicaments.

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