Un approfondimento sul rilevamento delle pillole con Ultralytics YOLO11

L'intelligenza artificiale viene utilizzata in quasi ogni settore, ma la sua influenza nell'assistenza sanitaria, soprattutto nell'industria farmaceutica, è particolarmente significativa. Quest'anno, il mercato dell'AI nel settore farmaceutico è valutato 1,94 miliardi di dollari e dovrebbe raggiungere i 16,49 miliardi di dollari entro il 2034.

Un fattore tecnologico chiave alla base di questo mercato è la visione artificiale. A differenza della tradizionale elaborazione delle immagini, la visione artificiale è un sottocampo dell'AI che consente alle macchine di comprendere e analizzare i dati visivi in tempo reale.

Fig. 1. Panoramica dell'AI nel mercato farmaceutico.

Nel settore farmaceutico, dove anche il più piccolo errore può avere gravi conseguenze, l'AI per la visione offre metodi nuovi e affidabili per migliorare la sicurezza e la precisione.

Ad esempio, Ultralytics YOLO11 è un modello di visione artificiale progettato per attività in tempo reale come il rilevamento degli oggetti e la segmentazione delle istanze, e può essere utilizzato in applicazioni come l'identificazione delle pillole o il rilevamento di difetti nelle confezioni dei medicinali.

In questo articolo vedremo come sperimentare concretamente l'AI per la visione addestrando Ultralytics YOLO11 a rilevare le pillole. Esploreremo anche le sue applicazioni nel mondo reale. Iniziamo!

Creazione di un modello di AI per il rilevamento delle pillole#

Prima di approfondire come addestrare Ultralytics YOLO11 a rilevare le pillole, facciamo un passo indietro per capire cosa significa addestrare un modello e quale ruolo svolge un dataset.

L'addestramento di un modello consiste nell'insegnargli a riconoscere gli schemi mostrandogli molti esempi. In questo caso, un dataset è una raccolta di immagini in cui ogni immagine è annotata per indicare dove si trovano le pillole. Questo processo aiuta il modello ad apprendere da questi esempi, così da poter identificare in seguito le pillole in nuove immagini.

Il pacchetto Python di Ultralytics rende questo processo ancora più semplice supportando un'ampia gamma di dataset in un formato di file YOLO semplificato. Offre un accesso senza complicazioni ai dataset più diffusi e supporta applicazioni come il rilevamento delle pillole.

Ad esempio, il Medical Pills Dataset è una raccolta dedicata per la dimostrazione del concetto, progettata per mostrare come il rilevamento degli oggetti possa migliorare i flussi di lavoro farmaceutici attraverso attività come il controllo qualità, lo smistamento e il rilevamento dei prodotti contraffatti.

Scelta dell'ambiente di sviluppo#

Un altro fattore da considerare prima di iniziare l'addestramento con il pacchetto Python di Ultralytics è la scelta dell'ambiente di sviluppo giusto. Ecco tre opzioni diffuse:

• Interfaccia a riga di comando (CLI): la CLI, o terminale, è uno strumento semplice basato sul testo in cui puoi digitare comandi per eseguire il codice e interagire con il computer.
• Jupyter Notebooks: è un ambiente più interattivo in cui puoi scrivere ed eseguire il codice in piccoli blocchi (celle), semplificando i test e il debug durante il lavoro.
• Google Colab: un'opzione basata sul cloud che funziona come Jupyter Notebooks, ma offre in più l'accesso gratuito alla GPU, così non devi preoccuparti di configurare nulla localmente.

Puoi esplorare altre opzioni di configurazione nella documentazione ufficiale di Ultralytics, ma le tre opzioni menzionate sopra sono facili da configurare e utilizzare, quindi sono ottime per iniziare rapidamente.

In questa guida ci concentreremo su come configurare e addestrare Ultralytics YOLO11 utilizzando Google Colab, Jupyter Notebooks o un semplice script Python, poiché il processo è molto simile in ciascuno di questi ambienti.

Inoltre, questo tutorial è molto simile a quello che abbiamo già illustrato sul rilevamento della fauna selvatica utilizzando Ultralytics YOLO11. Se vuoi maggiori dettagli su uno qualsiasi dei passaggi di questo tutorial di programmazione, puoi consultarlo.

Esplorazione di un dataset per il rilevamento delle pillole in tempo reale con YOLO#

Il Medical Pills Dataset include 92 immagini di addestramento e 23 immagini di convalida, offrendo una suddivisione solida per costruire e testare il modello. Le immagini di addestramento servono a insegnare al modello, mentre quelle di convalida aiutano a valutare le prestazioni del modello su dati nuovi e non ancora osservati.

Ogni immagine del dataset è annotata per una singola classe: pills. Le annotazioni dei riquadri di delimitazione indicano chiaramente la posizione di ogni pillola, rendendo il dataset ideale per attività mirate come il rilevamento delle pillole senza la complessità della gestione di più classi di oggetti.

Fig. 2. Uno sguardo al Medical Pills Dataset.

Per supportare l'addestramento con YOLO11, Ultralytics fornisce un file di configurazione YAML che definisce parametri chiave come percorsi dei file, nomi delle classi e metadati necessari per l'addestramento del modello. Che tu stia ottimizzando ulteriormente un modello preaddestrato o partendo da zero, questo file semplifica notevolmente il processo e ti aiuta a iniziare rapidamente.

Addestramento di un modello YOLO di Ultralytics sul dataset delle pillole#

Per iniziare, configureremo un ambiente per l'addestramento e il test del modello. Puoi scegliere Google Colab, Jupyter Notebooks o un semplice file Python in base alle tue preferenze. Ti basta creare un nuovo notebook o file Python nell'ambiente scelto.

Quindi possiamo configurare l'ambiente e installare il pacchetto Python di Ultralytics utilizzando il comando mostrato di seguito. Se utilizzi un ambiente basato su notebook (Google Colab o Jupyter), esegui il comando seguente con un punto esclamativo (!) all'inizio.

pip install ultralytics

Una volta completata l'installazione, il passaggio successivo consiste nello scaricare e addestrare YOLO11 utilizzando il Medical Pills Dataset. Poiché il dataset è supportato dal pacchetto Python di Ultralytics, il processo è semplice.

Comprendere il processo di addestramento del modello#

Per prima cosa possiamo importare la classe YOLO dal pacchetto Ultralytics. Quindi possiamo caricare un modello YOLO11 preaddestrato dal file “yolo11n.pt”, consigliato perché è un modello nano e leggero.

Infine possiamo avviare il processo di addestramento indicando al modello la configurazione del dataset (medical-pills.yaml) e impostando a 100 il numero di epoche di addestramento (un passaggio completo attraverso l'intero dataset), 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 proprie prestazioni a ogni passaggio. I log e i checkpoint salvati si trovano nella sottocartella “runs/train/”, che puoi utilizzare per monitorare i progressi e verificare le prestazioni del modello.

Al termine dell'addestramento, il modello YOLO11 addestrato sul dataset personalizzato dovrebbe essere in grado di identificare accuratamente le pillole. Puoi trovare i pesi del modello addestrato finale nella sottocartella “runs/detect/train/weights/”, con il nome “best.pt”.

Valutazione di Ultralytics YOLO11 dopo l'addestramento del modello#

Per valutare quanto il modello abbia imparato a rilevare le pillole, possiamo eseguire la convalida come segue:

metrics = model.val()

Questo processo restituisce metriche comuni del rilevamento degli oggetti, che forniscono informazioni sulle prestazioni del modello. Ecco un'analisi più dettagliata di alcune di queste metriche:

• Precisione: misura la proporzione di pillole rilevate dal modello che sono corrette.
• Richiamo: indica la proporzione delle pillole effettivamente presenti che il modello identifica correttamente.
• Precisione media media (mAP): questa metrica combina precisione e richiamo su diverse soglie di rilevamento per fornire un punteggio complessivo delle prestazioni.

Insieme, queste metriche offrono una visione completa dell'accuratezza con cui il modello rileva le pillole in dati nuovi e non ancora osservati.

Se il modello non offre le prestazioni previste, puoi provare ad addestrarlo per più epoche o a ottimizzare ulteriormente altri parametri di addestramento, come il tasso di apprendimento, che controlla l'ampiezza dei passaggi effettuati durante l'ottimizzazione del modello, oppure la dimensione dell'immagine, per migliorarne ulteriormente le prestazioni.

Esecuzione di inferenze con il tuo modello Ultralytics YOLO11 addestrato personalizzato#

Una volta addestrato e valutato il modello Ultralytics YOLO11, il passaggio successivo consiste nel testarne le prestazioni su immagini nuove e non ancora osservate. Questo aiuta a simulare condizioni reali, come il rilevamento di pillole con illuminazione, disposizioni o stili di confezionamento diversi.

Per testare il modello, abbiamo scaricato un'immagine campione da Pexels, un sito web di immagini stock gratuite, e l'abbiamo analizzata, eseguendo una previsione con il modello Ultralytics YOLO11 addestrato sul dataset personalizzato, come mostrato nello snippet di codice seguente.

Puoi utilizzare questa immagine campione o qualsiasi altra immagine pertinente per valutare le prestazioni del modello in scenari reali.

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

L'opzione save indica al modello di salvare l'immagine di output, mentre l'impostazione confidence garantisce che nei risultati vengano incluse solo le previsioni con almeno il 30% di certezza.

Quando esegui la previsione, l'output mostrerà un messaggio che indica dove si trova l'immagine salvata, ad esempio: "Results saved to runs/detect/train."

L'immagine di output sarà simile a quella mostrata qui, con le pillole rilevate ed evidenziate tramite riquadri di delimitazione. I punteggi di confidenza visualizzati indicano il livello di certezza per ogni rilevamento.

Fig. 3. Rilevamento delle pillole con Ultralytics YOLO11.

Applicazioni nel mondo reale di Ultralytics YOLO11 nel settore farmaceutico#

Ora che abbiamo visto come addestrare Ultralytics YOLO11 utilizzando il Medical-Pills Dataset ed eseguire inferenze sulle immagini per il rilevamento delle pillole, diamo un'occhiata alle applicazioni di YOLO11 nel mondo reale dell'industria farmaceutica.

Smistamento farmaceutico delle pillole con Ultralytics YOLO11#

Il rilevamento automatizzato delle pillole con Ultralytics 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 medicinali.

Utilizzando un modello Ultralytics YOLO11 ottimizzato ulteriormente, possiamo rilevare e smistare accuratamente le pillole in base ad attributi visivi come dimensioni, forma e colore. Questa automazione accelera il processo e contribuisce a garantire che i prodotti soddisfino rigorosi standard di qualità, rendendola uno strumento prezioso nelle attività farmaceutiche.

Fig. 4. Rilevamento delle pillole con l'aiuto di YOLO11.

Monitoraggio dell'inventario con l'aiuto di Ultralytics YOLO11#

Rifornire in tempo il medicinale giusto è più di una semplice attività logistica: può influire sull'assistenza ai pazienti e sui costi. La disponibilità ridotta di una pillola essenziale può ritardare il trattamento, mentre un eccesso di scorte può causare la scadenza dei medicinali e lo spreco dell'inventario. Con i numerosi tipi di pillole e le diverse tipologie di confezioni presenti nell'industria farmaceutica, i sistemi automatizzati di gestione dell'inventario possono consentire registrazioni più accurate.

I sistemi intelligenti di gestione dell'inventario possono utilizzare modelli di visione artificiale come Ultralytics YOLO11 per monitorare i livelli delle scorte in tempo reale. Il modello può analizzare scaffali e aree di confezionamento tramite immagini o video per rilevare e contare le pillole. Quando i livelli delle scorte cambiano, perché gli articoli vengono aggiunti, rimossi o spostati, il sistema può aggiornare automaticamente il conteggio.

Controllo qualità farmaceutico basato su Ultralytics YOLO11#

Nella produzione farmaceutica, il controllo qualità è fondamentale per assicurarsi che ogni pillola sia sicura ed efficace. Anche difetti minimi, come una crepa, una forma irregolare o una lieve variazione di colore, possono causare errori di dosaggio o richiami del prodotto.

Ultralytics YOLO11 può aiutare rilevando automaticamente le pillole che non soddisfano gli standard di qualità. Il modello può apprendere le caratteristiche visive e utilizzare riquadri di delimitazione per segnalare in tempo reale problemi come scheggiature, impronte sbiadite o alterazioni del colore. Ciò consente di rimuovere tempestivamente le pillole difettose, riducendo gli sprechi e garantendo che ai pazienti arrivino solo medicinali sottoposti a controllo qualità.

Inoltre, Ultralytics YOLO11 può essere utilizzato per rilevare e contare le pillole durante l'ispezione, consentendo un tracciamento accurato nel monitoraggio della qualità.

Fig. 5. Ultralytics YOLO11 può essere utilizzato per rilevare e contare le capsule.

Vantaggi e svantaggi dell'utilizzo dell'AI per la visione nel rilevamento delle pillole#

Ora che abbiamo visto come l'AI per la visione può essere applicata nell'industria farmaceutica, esaminiamo rapidamente alcuni dei principali vantaggi dell'utilizzo della visione artificiale in questo settore:

• Manutenzione predittiva: Ultralytics YOLO11 può essere utilizzato per rilevare i primi segni di usura dei macchinari identificando anomalie nelle pillole o nelle confezioni. Aiuta a programmare riparazioni tempestive e previene i tempi di inattività della produzione non pianificati.
• Utilizzo scalabile del modello: il modello può essere ottimizzato ulteriormente su diversi dataset per pillole e confezioni differenti. In questo modo l'ispezione diventa scalabile ed economicamente conveniente con la crescita delle attività.
• Monitoraggio remoto: consente controlli di qualità in tempo reale quando viene integrato con sistemi cloud e dispositivi edge, ed è ideale per gestire distributori rurali, unità automatizzate e configurazioni di tele-farmacia remote.

Sebbene l'implementazione dell'AI per la visione nell'industria farmaceutica offra numerosi vantaggi, ci sono anche alcuni aspetti da considerare quando si utilizzano queste tecnologie:

• Integrazione operativa: integrare sistemi di AI nei flussi di lavoro esistenti può richiedere adeguamenti, formazione e verifiche di compatibilità con l'infrastruttura attuale.
• Conformità normativa: i sistemi automatizzati devono rispettare rigorosi standard normativi per garantire la sicurezza dei pazienti e una qualità costante dei prodotti.
• Gestione degli errori: anche i modelli avanzati possono produrre falsi positivi o falsi negativi. È importante predisporre processi per gestire e correggere questi errori.

Il futuro dei flussi di lavoro dell'AI nel settore farmaceutico#

In futuro, probabilmente l'AI svolgerà un ruolo più importante nel rendere gli studi clinici più rapidi, intelligenti ed economici. Può aiutare a progettare protocolli di studio migliori, scegliere i gruppi di pazienti appropriati e monitorare i dati in tempo reale.

Ciò potrebbe consentire ai ricercatori di rispondere ai problemi man mano che si presentano, anziché a posteriori. L'AI può anche accelerare il processo di approvazione riducendo la documentazione manuale e automatizzando i controlli di routine. Nel complesso, l'integrazione dell'AI nei flussi di lavoro farmaceutici può ridurre i ritardi e consentire un accesso più rapido ai nuovi trattamenti.

Punti chiave#

L'addestramento di Ultralytics YOLO11 sul Medical Pills Dataset dimostra quanto rapidamente ed efficacemente il modello possa adattarsi alle attività farmaceutiche. Anche con un dataset di piccole dimensioni, è in grado di rilevare accuratamente le pillole, risultando utile per attività come lo smistamento, il controllo qualità e il monitoraggio dell'inventario.

Con la crescita dei dataset e il miglioramento dei modelli, il potenziale dell'AI per la visione nel settore farmaceutico va oltre la semplice logistica. Questa tecnologia potrebbe anche supportare gli studi clinici aiutando a identificare e tracciare le pillole in modo coerente e assistendo i ricercatori nel testare in sicurezza nuove combinazioni di farmaci.

Esplora il nostro repository GitHub per saperne di più e partecipare alla nostra community in crescita. Scopri innovazioni all'avanguardia in diversi settori, dall'AI nell'agricoltura alla visione artificiale nell'assistenza sanitaria. Dai un'occhiata alle nostre opzioni di licenza e avvia oggi stesso i tuoi progetti di AI per la visione.