En cliquant sur "Accepter tous les cookies", tu acceptes que des cookies soient stockés sur ton appareil pour améliorer la navigation sur le site, analyser son utilisation et nous aider dans nos efforts de marketing. Plus d'info
Paramètres des cookies
En cliquant sur "Accepter tous les cookies", tu acceptes que des cookies soient stockés sur ton appareil pour améliorer la navigation sur le site, analyser son utilisation et nous aider dans nos efforts de marketing. Plus d'info
Une plongée en profondeur dans la détection des pilules à l'aide d'Ultralytics YOLO11.
Dans ce tutoriel de codage, apprends à détecter les pilules à l'aide de YOLO11 avec l'ensemble de données Medical-Pills. Explore également ses applications potentielles et ses avantages.
L'intelligence artificielle est utilisée dans presque tous les secteurs d'activité, 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 elle devrait atteindre 16,49 milliards de dollars d'ici 2034.
L'un des principaux moteurs technologiques 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.
Fig 1. Une vue d'ensemble de l'IA sur le marché pharmaceutique.
Dans l'industrie pharmaceutique, où la moindre erreur peut avoir de graves conséquences, Vision AI offre de nouveaux moyens 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 la main sur Vision AI en entraînant YOLO11 à détecter des pilules. Nous explorerons également ses applications dans le monde réel. C'est parti !
Construire un modèle d'IA pour la détection des pilules
Avant de nous plonger dans la façon dont YOLO11 peut être entraîné à détecter des pilules, prenons un peu de recul et comprenons ce que signifie entraîner 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 où se trouvent les pilules. Ce processus aide le modèle à apprendre à partir de ces exemples afin qu'il puisse plus tard identifier les pilules sur de nouvelles images.
Le packageUltralytics 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. Ils offrent un accès sans tracas à des ensembles de données populaires et fournissent un support pour des applications telles que la détection de pilules.
Par exemple, l'ensemble de données sur les pilules médicales est une collection de démonstration de concept dédiée, 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.
Choisir un environnement de développement
Un autre facteur à prendre en compte avant de pouvoir commencer à se former avec le progiciel Ultralytics Python est de choisir le bon environnement de développement. Voici trois options populaires :
Interface de ligne de commande (CLI) : L'interface de CLI de commande ou terminal est un outil simple, basé sur du texte, où tu peux taper des commandes pour exécuter ton code et interagir avec ton ordinateur.
Jupyter Notebooks : C'est un environnement plus interactif où tu peux écrire et exécuter du code par petits morceaux (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 Jupyter Notebooks, mais avec en prime un accès gratuit au GPU , de sorte 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 couvert précédemment sur la détection de la faune à l'aide de YOLO11. Si tu souhaites obtenir plus de détails sur l'une des étapes de ce tutoriel de codage, tu peux le consulter.
Exploration d'un ensemble de données pour la détection de pilules en temps réel avec YOLO
L'ensemble de données Medical Pills comprend 92 images d'entraînement et 23 images de validation, ce qui constitue une division solide pour construire et tester ton 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.
Fig 2. Un aperçu de l'ensemble de données sur les pilules médicales.
Pour prendre en charge 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 des modèles. Que tu peaufines un modèle pré-entraîné ou que tu partes de zéro, ce fichier simplifie grandement le processus et t'aide à démarrer rapidement.
Entraîne un modèle Ultralytics YOLO sur l'ensemble de données des pilules Ultralytics
Pour commencer, nous allons mettre en place un environnement pour entraîner et tester le modèle. Tu peux choisir d'utiliser Google Colab, les carnets Jupyter ou un simple fichier Python en fonction de tes préférences. Il te suffit de créer un nouveau carnet de notes ou un fichier Python dans l'environnement que tu as choisi.
Ensuite, nous pouvons configurer notre environnement et installer le package Ultralytics Python à l'aide de la commande indiquée ci-dessous. Si tu utilises un environnement basé sur un carnet de notesGoogle Colab ou Jupyter), exécute la commande suivante avec un point d'exclamation ( !) au début.
pip install ultralytics
Une fois installée, l'étape suivante consiste à télécharger et à entraîner YOLO11 à l'aide de l'ensemble de données Medical Pills. Comme le jeu de données est pris en charge par le package Ultralytics Python , le processus est simple.
Comprendre le processus de formation des modèles
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 que c'est un modèle nano et léger.
Enfin, nous pouvons lancer le processus de formation en faisant pointer le modèle vers la configuration de notre jeu de données (medical-pills.yaml) et en réglant le nombre d'époques de formation (un passage complet sur l'ensemble du jeu de données) sur 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. Tu pourras trouver des journaux et des points de contrôle enregistrés dans le sous-dossier "runs/train/", que tu pourras 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. Tu trouveras les poids finaux du modèle entraîné dans le sous-dossier "runs/detect/train/weights/" sous le nom "best.pt".
Évaluation de YOLO11 après l'entraînement au modèle
Pour évaluer dans quelle mesure le modèle a appris à détecter les pilules, nous pouvons effectuer 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 :
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 (mAP) : Cette métrique combine à la fois la précision et le rappel pour différents seuils de détection afin de donner une note de performance globale.
Ensemble, ces mesures offrent une vue d'ensemble de la précision avec laquelle le modèle détecte les pilules dans de nouvelles données inédites.
Si ton modèle ne donne pas les résultats escomptés, tu peux essayer de l'entraîner pendant plus 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.
Effectuer des déductions à l'aide de ton modèle YOLO11 personnalisé
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 exemple 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.
Tu peux utiliser cet exemple d'image ou toute autre image pertinente pour évaluer les performances du modèle dans des scénarios réels.
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 pour cent sont incluses dans les résultats.
Lorsque tu exécutes la prédiction, la sortie affichera un message t'indiquant où se trouve l'image enregistrée - par exemple, "Résultats enregistrés dans 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 boîtes de délimitation. Les scores de confiance affichés indiquent le niveau de certitude de chaque détection.
Fig 3. Détection de pilules à l'aide de YOLO11.
Applications concrètes de l'utilisation de YOLO11 en pharmacie
Maintenant que nous avons exploré comment former YOLO11 à l'aide de l'ensemble de données Medical-Pills et exécuter des inférences sur des images pour la détection de pilules, examinons les applications réelles de YOLO11dans l'industrie pharmaceutique.
Tri de pilules pharmaceutiques avec YOLO11
La détection automatisée de pilules avec YOLO11 peut être appliquée au triage 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 s'assurer 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 fait de manquer d'une pilule essentielle peut retarder le traitement, tandis qu'un surstockage peut entraîner la péremption des médicaments et le gaspillage des stocks. Avec les nombreux types de pilules et les 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. Lorsque les niveaux de stock changent, que des articles soient ajoutés, retirés ou déplacés, le système peut mettre à jour le comptage automatiquement.
Le contrôle de la qualité des produits pharmaceutiques piloté par YOLO11
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 inégale ou une légère variation de couleur, peuvent entraîner des erreurs de dosage ou des rappels de produits.
YOLO11 peut t'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 délavées 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 plus de cela, 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 surveillant la qualité.
Fig 5. YOLO11 peut être utilisé pour détecter et compter les capsules.
Avantages et inconvénients de l'utilisation de Vision AI pour la détection des pilules.
Maintenant que nous avons exploré comment l'IA de vision peut être appliquée dans l'industrie pharmaceutique. Jetons un rapide coup d'œil à quelques-uns des principaux avantages de l'utilisation de la vision par ordinateur dans ce secteur :
Maintenance prédictive : YOLO11 peut être utilisé pour détecter les signes précoces d'usure des machines en repérant les incohérences de pilules ou d'emballage. Il aide à programmer des réparations en temps voulu et à éviter les arrêts de production imprévus.
Utilisation d'un modèle évolutif : Le modèle peut être affiné sur divers ensembles 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 des contrôles de qualité en temps réel lorsqu'il est intégré aux systèmes cloud et aux appareils périphériques et est idéal pour gérer les distributeurs ruraux, les unités automatisées et les installations de télépharmacie à distance.
Si la mise en œuvre de Vision AI dans l'industrie pharmaceutique présente de nombreux avantages, il faut également tenir compte de certaines considérations lors de l'utilisation de ces technologies :
Intégration opérationnelle : L'intégration des systèmes d'IA dans les flux de travail existants pourrait nécessiter des ajustements, des formations et des contrôles de compatibilité avec l'infrastructure actuelle.
Conformité réglementaire: Les systèmes automatisés doivent respecter des normes réglementaires strictes pour garantir la sécurité des patients et une qualité constante des produits.
Gestion des erreurs : Même les modèles avancés peuvent produire des faux positifs ou négatifs. Il est important de mettre en place des processus pour gérer et corriger ces erreurs.
Le chemin à parcourir pour les flux de travail de l'IA en pharmacie.
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 se présentent, plutôt qu'après coup. L'IA peut également accélérer le processus d'approbation en réduisant la paperasserie manuelle et en automatisant les vérifications de routine. Dans l'ensemble, l'intégration de l'IA dans les flux de travail pharmaceutiques peut se traduire par une réduction des retards et un accès plus rapide aux nouveaux traitements.
Principaux enseignements
L'entraînement d'Ultralytics YOLO11 sur l'ensemble de données des pilules médicales 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 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 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.
FR
EN
ZH
KO
JA
RU
DE
ES
PT
IT
AR
TR
VI
