24 aprile 2025
In questo tutorial di programmazione, scopri come rilevare pillole utilizzando YOLO11 con il dataset Medical-Pills. Inoltre, esplora 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 attività 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 negli imballaggi medicali.
In questo articolo, illustreremo come mettere in pratica la Vision AI addestrando YOLO11 per rilevare le pillole. Esploreremo anche le sue applicazioni nel mondo reale. Iniziamo!
Prima di esaminare come YOLO11 può essere addestrato per rilevare le pillole, facciamo un passo indietro e cerchiamo di capire cosa significa addestrare un modello e il ruolo di un dataset.
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 pacchetto Python di Ultralytics semplifica ulteriormente questo processo supportando un'ampia gamma di set di dati in un formato file YOLO semplificato. Offrono un accesso senza problemi a set di dati popolari e forniscono 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 poter iniziare l'addestramento con il pacchetto Python Ultralytics è la scelta dell'ambiente di sviluppo giusto. Ecco tre opzioni popolari:
Ci sono altre opzioni di configurazione che puoi esplorare nella documentazione ufficiale di Ultralytics, ma le tre menzionate sopra sono facili da configurare e utilizzare, il che le rende ottime scelte per iniziare rapidamente.
In questa guida, ci concentreremo su come configurare e addestrare YOLO11 utilizzando Google Colab, Jupyter Notebook o uno script Python di base, poiché il processo è abbastanza simile in ciascuno di questi ambienti.
Inoltre, questo tutorial è molto simile a quello che abbiamo trattato in precedenza sul rilevamento della fauna selvatica utilizzando YOLO11. Se sei interessato a maggiori dettagli su uno qualsiasi dei passaggi di questo tutorial di programmazione, puoi consultarlo.
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 il training con YOLO11, Ultralytics fornisce un file di configurazione YAML che definisce i parametri chiave come i percorsi dei file, i nomi delle classi e i metadati necessari per il training del modello. Che tu stia ottimizzando un modello pre-addestrato o iniziando da zero, questo file semplifica notevolmente il processo e ti aiuta a iniziare rapidamente.
Per iniziare, configureremo un ambiente per l'addestramento e il test del modello. Puoi scegliere di utilizzare Google Colab, Jupyter Notebooks o un semplice file Python in base alle tue preferenze. Basta creare un nuovo notebook o file Python nell'ambiente scelto.
Quindi, possiamo configurare il nostro ambiente e installare il pacchetto Python di Ultralytics utilizzando il comando mostrato di seguito. Se stai utilizzando un ambiente basato su notebook (Google Colab o Jupyter), esegui il comando seguente 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 dataset è supportato dal pacchetto Python Ultralytics, il processo è semplice.
Innanzitutto, possiamo importare la classe YOLO dal pacchetto Ultralytics. Quindi, possiamo caricare un modello YOLO11 pre-addestrato dal file “yolo11n.pt”, che è consigliato perché è un modello nano e leggero.
Infine, possiamo avviare il processo di addestramento indicando al modello la nostra configurazione del set di dati (medical-pills.yaml) e impostando il numero di epoche di addestramento (un passaggio completo attraverso l'intero set di dati) 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.
Una volta completato l'addestramento, il modello YOLO11 personalizzato dovrebbe essere in grado di identificare accuratamente le pillole. È possibile cercare i pesi finali del modello addestrato nella sottocartella “runs/detect/train/weights/” con il nome “best.pt”.
Per valutare quanto bene il modello ha imparato a rilevare 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 testare le sue prestazioni su immagini nuove e non viste. Questo aiuta a simulare le condizioni del mondo reale, come il rilevamento di pillole in diverse condizioni di illuminazione, disposizioni o stili di confezionamento.
Per testare il modello, abbiamo scaricato un'immagine di esempio da Pexels, un sito web di immagini stock gratuite, e abbiamo analizzato l'immagine o eseguito una previsione utilizzando il modello YOLO11 personalizzato, come mostrato nel frammento di codice seguente.
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 previsione, l'output visualizzerà un messaggio che indica la posizione dell'immagine salvata, ad esempio "Risultati salvati in runs/detect/train".
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 set di dati Medical-Pills ed eseguire inferenze sulle immagini per il rilevamento di pillole, diamo un'occhiata alle applicazioni reali di YOLO11 nell'industria farmaceutica.
Il rilevamento automatizzato di 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, possiamo rilevare e smistare accuratamente le pillole in base ad attributi visivi come dimensioni, forma e colore. Questa automazione accelera il processo e aiuta a garantire che i prodotti soddisfino rigorosi standard di qualità, rendendolo uno strumento prezioso nelle 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 di stock in tempo reale. Il modello può scansionare scaffali e aree di imballaggio utilizzando immagini o video per rilevare e contare le pillole. Man mano che i livelli di stock cambiano, sia che gli articoli vengano 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 essere d'aiuto rilevando automaticamente le pillole che non soddisfano gli standard di qualità. Il modello può apprendere le caratteristiche visive e utilizza i bounding box per segnalare problemi come scheggiature, impronte sbiadite o scolorimento in tempo reale. Ciò consente la rimozione tempestiva di pillole difettose, riducendo gli sprechi e garantendo che solo farmaci di qualità certificata raggiungano i pazienti.
Oltre a questo, YOLO11 può essere utilizzato per rilevare e contare le pillole durante l'ispezione, per un tracciamento accurato durante il monitoraggio 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 Medical Pills Dataset mostra quanto rapidamente ed efficacemente il modello possa adattarsi alle attività farmaceutiche. Anche con un piccolo dataset, può rilevare accuratamente le pillole, rendendolo utile per attività come lo smistamento, il controllo qualità e il tracciamento 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.
