24 aprile 2025
In questa esercitazione di codifica, impariamo a detect pillole utilizzando YOLO11 con il dataset Medical-Pills. Inoltre, esploriamo le sue potenziali applicazioni e i suoi vantaggi.
L'intelligenza artificiale viene utilizzata in quasi tutti i settori, ma la sua influenza sull'assistenza sanitaria, in particolare nel settore farmaceutico, è particolarmente significativa. Quest'anno, il mercato dell'IA nel settore farmaceutico è valutato 1,94 miliardi di dollari e si prevede che raggiungerà i 16,49 miliardi di dollari entro il 2034.
Un fattore tecnologico chiave di questo mercato è la computer vision. A differenza dell'elaborazione delle immagini tradizionale, la computer vision è un sottocampo dell'IA che consente alle macchine di comprendere e analizzare i dati visivi in tempo reale.
Nell'industria farmaceutica, dove anche il più piccolo errore può avere gravi conseguenze, la Vision AI offre nuovi e affidabili modi per migliorare la sicurezza e la precisione.
Ad esempio, Ultralytics YOLO11 è un modello di computer vision progettato per compiti in tempo reale come il rilevamento di oggetti e la segmentazione di istanze, e può essere utilizzato per applicazioni come l'identificazione di pillole o il rilevamento di difetti in imballaggi medici.
In questo articolo spiegheremo come mettere mano alla Vision AI addestrando YOLO11 a detect pillole. Esploreremo anche le sue applicazioni reali. Iniziamo!
Prima di analizzare come YOLO11 possa essere addestrato per detect pillole, facciamo un passo indietro e capiamo cosa significa addestrare un modello e il ruolo di un set di dati.
L'addestramento di un modello implica l'insegnamento a riconoscere schemi mostrandogli molti esempi. In questo caso, un dataset è una raccolta di immagini in cui ogni immagine è etichettata per indicare dove si trovano le pillole. Questo processo aiuta il modello a imparare da questi esempi in modo che possa successivamente identificare le pillole in nuove immagini.
Il pacchettoUltralytics Python rende questo processo ancora più semplice, supportando un'ampia gamma di set di dati in un formato di file YOLO semplificato. Offre un accesso senza problemi ai set di dati più diffusi e fornisce supporto per applicazioni come il rilevamento di pillole.
Ad esempio, il Medical Pills Dataset è una raccolta proof-of-concept dedicata, progettata per mostrare come l'object detection può migliorare i flussi di lavoro farmaceutici attraverso attività come il controllo qualità, lo smistamento e il rilevamento di contraffazioni.
Un altro fattore da considerare prima di iniziare la formazione con il pacchetto Ultralytics Python è la scelta del giusto ambiente di sviluppo. Ecco tre opzioni popolari:
Nella documentazione ufficiale di Ultralytics sono disponibili altre opzioni di configurazione, ma le tre sopra citate sono facili da configurare e da usare e rappresentano un'ottima scelta per iniziare rapidamente.
In questa guida ci concentreremo su come impostare e addestrare YOLO11 utilizzando Google Colab, Jupyter Notebooks o uno script Python di base, poiché il processo è abbastanza simile in ciascuno di questi ambienti.
Inoltre, questa esercitazione è abbastanza simile a quella precedentemente trattata sul rilevamento della fauna selvatica utilizzando YOLO11. Se siete interessati a maggiori dettagli su uno qualsiasi dei passaggi di questa esercitazione di codifica, potete consultarla.
Il dataset Medical Pills include 92 immagini di addestramento e 23 immagini di convalida, fornendo una solida suddivisione sia per la costruzione che per il test del modello. Le immagini di addestramento vengono utilizzate per insegnare al modello, mentre le immagini di convalida aiutano a valutare le prestazioni del modello su dati nuovi e non visti.
Ogni immagine nel set di dati è etichettata per una singola classe, le pillole. Le annotazioni della bounding box contrassegnano chiaramente la posizione di ogni pillola, rendendo il set di dati ideale per attività mirate come il rilevamento di pillole senza la complessità della gestione di più classi di oggetti.
Per supportare l'addestramento con YOLO11, Ultralytics fornisce un file di configurazione YAML che definisce parametri chiave come i percorsi dei file, i nomi delle classi e i metadati necessari per l'addestramento del modello. Sia che si tratti di perfezionare un modello già addestrato o di partire da zero, questo file semplifica notevolmente il processo e aiuta a iniziare rapidamente.
Per iniziare, creeremo un ambiente per l'addestramento e il test del modello. Si può scegliere di utilizzare Google Colab, i Quaderni Jupyter o un semplice file Python , in base alle proprie preferenze. È sufficiente creare un nuovo notebook o un file Python nell'ambiente scelto.
Quindi, possiamo configurare il nostro ambiente e installare il pacchetto Ultralytics Python usando il comando mostrato di seguito. Se si utilizza un ambiente basato su notebookGoogle Colab o Jupyter), eseguire il seguente comando con un punto esclamativo (!) all'inizio.
pip install ultralyticsUna volta installato, il passo successivo è scaricare e addestrare YOLO11 utilizzando il dataset Medical Pills. Poiché il set di dati è supportato dal pacchetto Ultralytics Python , il processo è semplice.
Per prima cosa, possiamo importare la classe YOLO dal pacchetto Ultralytics . Quindi, possiamo caricare un modello YOLO11 pre-addestrato dal file "yolo11n.pt", consigliato perché è un modello nano e leggero.
Infine, possiamo avviare il processo di addestramento puntando il modello alla configurazione del nostro dataset (medical-pillsyaml) e impostando il numero di epoche di addestramento (un passaggio completo attraverso l'intero dataset) a 100, come mostrato di seguito.
from ultralytics import YOLO
model = YOLO("yolo11n.pt")
results = model.train(data="medical-pills.yaml", epochs=100)L'addestramento per più epoche consente al modello di apprendere e migliorare le sue prestazioni a ogni passaggio. Sarà possibile trovare log e checkpoint salvati nella sottocartella “runs/train/”, che è possibile utilizzare per monitorare i progressi e rivedere le prestazioni del modello.
Al termine dell'addestramento, il modello YOLO11 addestrato su misura dovrebbe essere in grado di identificare accuratamente le pillole. I pesi finali del modello addestrato si trovano nella sottocartella "detect" con il nome "best.pt".
Per valutare quanto il modello abbia imparato a detect le pillole, possiamo eseguire la convalida come segue:
metrics = model.val()Questo processo restituisce metriche comuni di object detection, che forniscono informazioni sulle prestazioni del modello. Ecco uno sguardo più da vicino ad alcune di queste metriche:
Insieme, queste metriche offrono una visione completa di quanto accuratamente il modello rileva le pillole in nuovi dati non ancora visti.
Se il tuo modello non funziona come previsto, puoi provare ad addestrarlo per più epoche o a mettere a punto altri parametri di training, come il learning rate, che controlla la dimensione dei passaggi compiuti durante l'ottimizzazione del modello, o la dimensione dell'immagine, per migliorarne ulteriormente le prestazioni.
Una volta che il modello YOLO11 è stato addestrato e valutato, il passo successivo è quello di testare le sue prestazioni su nuove immagini non viste. Questo aiuta a simulare le condizioni del mondo reale, come ad esempio il rilevamento di pillole con luci, disposizioni o stili di imballaggio diversi.
Per testare il modello, abbiamo scaricato un'immagine campione da Pexels, un sito web gratuito di immagini stock, e abbiamo analizzato l'immagine o eseguito una previsione utilizzando il modello YOLO11 addestrato su misura, come mostrato nel frammento di codice sottostante.
Puoi utilizzare questa immagine di esempio o qualsiasi altra immagine rilevante per valutare le prestazioni del modello in scenari reali.
results = model.predict("path/to/image.jpg", save=True, conf=0.3)L'opzione di salvataggio indica al modello di memorizzare l'immagine di output e l'impostazione di confidenza assicura che nei risultati siano incluse solo le previsioni con una certezza di almeno il 30 percento.
Quando si esegue la predizione, l'output mostrerà un messaggio che indica dove si trova l'immagine salvata, ad esempio "Risultati salvati in detect".
L'immagine di output sarà simile a quella mostrata qui, con le pillole rilevate ed evidenziate utilizzando bounding box. I punteggi di confidenza visualizzati indicano il livello di certezza per ogni rilevamento.
Ora che abbiamo esplorato come addestrare YOLO11 utilizzando il dataset Medical-Pills ed eseguire inferenze sulle immagini per il rilevamento delle pillole, diamo un'occhiata alle applicazioni reali di YOLO11nell'industria farmaceutica.
Il rilevamento automatico delle pillole con YOLO11 può essere applicato allo smistamento farmaceutico. Lo smistamento manuale è spesso lento, ripetitivo e soggetto a errori che possono compromettere la sicurezza e la conformità dei farmaci.
Utilizzando un modello YOLO11 ottimizzato, siamo in grado di detect e smistare con precisione le pillole in base ad attributi visivi quali dimensioni, forma e colore. Questa automazione accelera il processo e contribuisce a garantire che i prodotti soddisfino i rigorosi standard di qualità, rendendolo uno strumento prezioso per le operazioni farmaceutiche.
Avere a disposizione i farmaci giusti al momento giusto è più di un semplice compito logistico: può influire sull'assistenza e sui costi per il paziente. La carenza di una pillola fondamentale può ritardare il trattamento, mentre un eccesso di scorte può comportare la scadenza dei farmaci e lo spreco di inventario. Con numerosi tipi di pillole e varianti di confezionamento nell'industria farmaceutica, i sistemi di inventario automatizzati possono consentire una registrazione più accurata.
I sistemi di inventario intelligenti possono utilizzare modelli di computer vision come Ultralytics YOLO11 per monitorare i livelli delle scorte in tempo reale. Il modello può scansionare gli scaffali e le aree di imballaggio utilizzando immagini o video per detect e contare le pillole. Quando i livelli delle scorte cambiano, se gli articoli vengono aggiunti, rimossi o spostati, il sistema può aggiornare automaticamente il conteggio.
Nella produzione farmaceutica, il controllo qualità è fondamentale per garantire che ogni pillola sia sicura ed efficace. Anche difetti minori, come una crepa, una forma irregolare o una leggera variazione di colore, possono portare a errori di dosaggio o al ritiro del prodotto.
YOLO11 può aiutare rilevando automaticamente le pillole che non soddisfano gli standard di qualità. Il modello è in grado di apprendere le caratteristiche visive e utilizza i riquadri di delimitazione per segnalare in tempo reale problemi come scheggiature, impronte sbiadite o scolorimento. Ciò consente di rimuovere tempestivamente le pillole difettose, riducendo gli sprechi e garantendo che solo i farmaci di qualità garantita raggiungano i pazienti.
Inoltre, YOLO11 può essere utilizzato per detect e contare le pillole durante l'ispezione, per un monitoraggio accurato della qualità.
Ora che abbiamo esplorato come la Vision AI può essere applicata nell'industria farmaceutica, diamo una rapida occhiata ad alcuni dei principali vantaggi dell'utilizzo della computer vision in questo settore:
Sebbene l'implementazione della Vision AI nell'industria farmaceutica offra numerosi vantaggi, è importante tenere a mente alcune considerazioni quando si utilizzano tali tecnologie:
In futuro, l'IA svolgerà probabilmente un ruolo più importante nel rendere le sperimentazioni cliniche più veloci, intelligenti ed economiche. Può aiutare a progettare protocolli di sperimentazione migliori, a scegliere i gruppi di pazienti giusti e a monitorare i dati in tempo reale.
Ciò può consentire ai ricercatori di rispondere ai problemi man mano che si presentano, invece che a posteriori. L'IA può anche accelerare il processo di approvazione riducendo la documentazione cartacea manuale e automatizzando i controlli di routine. Nel complesso, l'integrazione dell'IA nei flussi di lavoro farmaceutici può comportare meno ritardi e un accesso più rapido a nuovi trattamenti.
L'addestramento di Ultralytics YOLO11 sul set di dati delle pillole mediche mostra la rapidità e l'efficacia con cui il modello si adatta alle attività farmaceutiche. Anche con un set di dati di piccole dimensioni, è in grado di detect con precisione detect pillole, rendendolo utile per attività come lo smistamento, il controllo di qualità e il monitoraggio dell'inventario.
Con la crescita dei set di dati e il miglioramento dei modelli, il potenziale della Vision AI nel settore farmaceutico va oltre la semplice logistica. Questa tecnologia potrebbe anche supportare gli studi clinici aiutando nell'identificazione e nel tracciamento coerenti delle pillole e assistendo i ricercatori nel testare in modo sicuro nuove combinazioni di farmaci.
Esplora il nostro repository GitHub per saperne di più e far parte della nostra community in crescita. Scopri le innovazioni all'avanguardia in vari settori, dall'AI in agricoltura alla computer vision nell'healthcare. Consulta le nostre opzioni di licenza e lancia oggi stesso i tuoi progetti di Vision AI.
