Un approfondimento sul rilevamento delle pillole utilizzando Ultralytics YOLO11

L'intelligenza artificiale viene utilizzata in quasi tutti i settori, ma la sua influenza sulla sanità, in particolare nel settore farmaceutico, è particolarmente rilevante. Quest'anno, il mercato dell'AI in the pharmaceutical è valutato a 1,94 miliardi di dollari e si prevede che crescerà fino a 16,49 miliardi di dollari entro il 2034.

Un motore tecnologico chiave di questo mercato è la computer vision. A differenza della tradizionale elaborazione delle immagini, la computer vision è un sottocampo dell'IA che consente alle macchine di comprendere e analizzare dati visivi in tempo reale.

Fig 1. Una panoramica dell'IA nel mercato farmaceutico.

Nel settore farmaceutico, dove anche il più piccolo errore può avere gravi conseguenze, la vision AI offre modi nuovi e affidabili 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 delle istanze, e può essere utilizzato per applicazioni quali l'identificazione di pillole o il rilevamento di difetti nel confezionamento medico.

In questo articolo vedremo come iniziare a lavorare con la visione artificiale addestrando Ultralytics YOLO11 per rilevare le pillole. Esploreremo anche le sue applicazioni nel mondo reale. Cominciamo!

Costruire un modello di AI per il rilevamento di pillole#

Prima di addentrarci in come è possibile addestrare Ultralytics YOLO11 a rilevare le pillole, facciamo un passo indietro per comprendere cosa significhi addestrare un modello e quale sia il ruolo di un set di dati.

Addestrare un modello significa insegnargli a riconoscere pattern 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, così da poter identificare le pillole in nuove immagini in futuro.

Il Ultralytics Python package rende questo processo ancora più semplice supportando un'ampia gamma di dataset in un formato di file YOLO semplificato. Offrono un accesso senza problemi a popular datasets e forniscono supporto per applicazioni come il rilevamento di pillole.

Ad esempio, il Medical Pills Dataset è una raccolta di proof-of-concept dedicata progettata per mostrare come il object detection possa migliorare i flussi di lavoro farmaceutici attraverso attività come il controllo qualità, la cernita e il rilevamento di contraffazioni.

Scegliere un 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 popolari:

• Interfaccia a riga di comando (CLI): La CLI o il terminale è uno strumento semplice basato su testo in cui puoi digitare comandi per eseguire il tuo codice e interagire con il tuo computer.
• Jupyter Notebooks: Questo è un ambiente più interattivo in cui puoi scrivere ed eseguire codice in piccoli blocchi (celle), rendendo facile testare e correggere gli errori man mano che procedi.
• Google Colab: Un'opzione basata su cloud che funziona come Jupyter Notebooks, ma con il vantaggio aggiuntivo dell'accesso gratuito a una GPU, così non devi preoccuparti di configurare nulla localmente.

Ci sono altre opzioni di configurazione che puoi esplorare nella official Ultralytics documentation, ma le tre menzionate sopra sono facili da configurare e usare, rendendole ottime scelte 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 piuttosto 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 Ultralytics YOLO11. Se ti interessano maggiori dettagli su uno qualsiasi dei passaggi di questo tutorial di programmazione, puoi consultarlo.

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

Il Medical Pills Dataset include 92 immagini di addestramento e 23 immagini di validazione, fornendo una solida suddivisione sia per la costruzione che per il test del tuo modello. Le immagini di addestramento vengono utilizzate per istruire il modello, mentre le immagini di validazione aiutano a valutare quanto bene il modello funzioni su dati nuovi e mai visti prima.

Ogni immagine nel dataset è etichettata per una singola classe: pillole. Le annotazioni dei bounding box segnano chiaramente la posizione di ogni pillola, rendendo il dataset ideale per attività mirate come il rilevamento di pillole senza la complessità di dover gestire più classi di oggetti.

Fig 2. Uno scorcio del Medical Pills Dataset.

Per supportare l'addestramento con YOLO11, Ultralytics fornisce un YAML configuration file che definisce parametri chiave come percorsi di file, nomi delle classi e metadati necessari per l'addestramento del modello. Che tu stia eseguendo il fine-tuning di un modello pre-addestrato o partendo da zero, questo file rende il processo molto più semplice e ti aiuta a iniziare rapidamente.

Addestrare un modello Ultralytics YOLO sul dataset di pillole#

Per iniziare, creeremo un ambiente per il training e il test del modello. Puoi scegliere di utilizzare 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 che preferisci.

Successivamente, 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 ultralytics

Una volta installato, il passaggio successivo è scaricare e addestrare YOLO11 utilizzando il dataset Medical Pills. Dato che 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 pre-addestrato dal file “yolo11n.pt”, che è consigliato perché è un modello nano e leggero.

Infine, possiamo avviare il processo di addestramento puntando il modello alla nostra configurazione del dataset (medical-pills.yaml) 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 imparare e migliorare le proprie prestazioni a ogni passaggio. Potrai trovare log e checkpoint salvati nella sottocartella “runs/train/”, che potrai utilizzare per monitorare i progressi e rivedere le prestazioni del modello.

Una volta completato l'addestramento, il modello YOLO11 addestrato su misura dovrebbe essere in grado di identificare le pillole con precisione. Puoi cercare i pesi finali del modello addestrato nella sottocartella “runs/detect/train/weights/” con il nome “best.pt”.

Valutazione di Ultralytics YOLO11 dopo l'addestramento del modello#

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

metrics = model.val()

Questo processo restituisce metriche di rilevamento oggetti comuni, che forniscono informazioni sulle model's performance. Ecco un'analisi più approfondita di alcune di queste metriche:

• Precision: Misura la proporzione di pillole rilevate dal modello che sono corrette.
• Recall: Indica la proporzione di pillole reali che il modello identifica con successo.
• Mean average precision (mAP): Questa metrica combina sia la precision che la recall attraverso varie soglie di rilevamento per fornire un punteggio di prestazione complessivo.

Insieme, queste metriche offrono una visione completa di quanto accuratamente il modello rilevi le pillole in dati nuovi e mai visti prima.

Se il tuo modello non offre le prestazioni previste, puoi provare ad addestrarlo per più epoche o a effettuare il fine-tuning di altri training parameters, come il tasso di apprendimento (learning rate), che controlla la dimensione dei passaggi compiuti durante l'ottimizzazione del modello, o la dimensione dell'immagine, per migliorarne ulteriormente le prestazioni.

Esecuzione di inferenze utilizzando il tuo modello Ultralytics YOLO11 addestrato su misura#

Una volta che il modello Ultralytics YOLO11 è stato addestrato e valutato, il passaggio successivo consiste nel testare le sue prestazioni su immagini nuove e mai viste prima. Questo aiuta a simulare condizioni reali, come il rilevamento di pillole con 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 Ultralytics YOLO11 addestrato su misura, come mostrato nello snippet di codice sottostante.

Puoi utilizzare questa immagine di esempio o qualsiasi altra immagine pertinente per valutare quanto bene il modello funzioni in scenari del mondo reale.

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 della confidenza assicura che solo le predizioni con almeno il 30 percento di certezza siano incluse nei risultati.

Quando esegui la predizione, l'output visualizzerà un messaggio che ti indica dove si trova l'immagine salvata - ad esempio, "Results saved to runs/detect/train."

La tua 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.

Fig 3. Rilevamento delle pillole tramite Ultralytics YOLO11.

Applicazioni reali dell'uso di Ultralytics YOLO11 nel settore farmaceutico#

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

Smistamento di pillole farmaceutiche con Ultralytics YOLO11#

Il rilevamento automatizzato delle pillole con Ultralytics YOLO11 può essere applicato alla cernita farmaceutica. La cernita manuale è spesso lenta, ripetitiva e soggetta a errori che possono compromettere la sicurezza e la conformità dei farmaci.

Utilizzando un modello Ultralytics YOLO11 messo a punto, possiamo rilevare e classificare 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 rigidi standard di qualità, rendendolo uno strumento prezioso nelle operazioni farmaceutiche.

Fig 4. Rilevamento di pillole con l'ausilio di YOLO11.

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

Stoccare i farmaci giusti in tempo è più di una semplice attività logistica: può influenzare l'assistenza ai pazienti e i costi. Scarseggiare di una pillola critica può ritardare il trattamento, mentre l'eccesso di scorte può portare a farmaci scaduti e inventario sprecato. Con numerosi tipi di pillole e variazioni di packaging nel settore farmaceutico, i sistemi di inventario automatizzati possono consentire record più accurati.

I sistemi di inventory systems intelligenti possono utilizzare modelli di computer vision come Ultralytics YOLO11 per monitorare i livelli delle scorte in tempo reale. Il modello può scansionare scaffali e aree di confezionamento utilizzando immagini o video per rilevare e contare le pillole. Man mano che i livelli delle scorte cambiano, sia che gli articoli vengano aggiunti, rimossi o spostati, il sistema può aggiornare il conteggio automaticamente.

Controllo qualità farmaceutico guidato da Ultralytics YOLO11#

Nella pharmaceutical production, 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 a richiami di prodotti.

Ultralytics YOLO11 può essere d'aiuto 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 problemi come scheggiature, stampe sbiadite o scolorimento in tempo reale. Ciò consente la rimozione tempestiva delle pillole difettose, riducendo gli sprechi e garantendo che solo farmaci di qualità certificata arrivino ai pazienti.

Inoltre, Ultralytics YOLO11 può essere utilizzato per rilevare e contare le pillole durante la loro ispezione, consentendo un tracciamento accurato mentre se ne monitora la qualità.

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

Pro e contro dell'utilizzo della Vision AI per il rilevamento di pillole#

Ora che abbiamo esplorato come la vision AI possa essere applicata nel settore farmaceutico. Diamo una rapida occhiata ad alcuni dei principali vantaggi dell'utilizzo della computer vision in questo settore:

• Manutenzione predittiva: Ultralytics YOLO11 può essere utilizzato per rilevare i primi segni di usura dei macchinari identificando le incongruenze nelle pillole o nella confezione. Aiuta a pianificare riparazioni tempestive e prevenire tempi di inattività della produzione non pianificati.
• Utilizzo scalabile del modello: Il modello può essere perfezionato su vari dataset per diverse pillole e packaging. Rende l'ispezione scalabile ed economica man mano che le operazioni crescono.
• Monitoraggio remoto: Abilita controlli di qualità in tempo reale quando integrato con sistemi cloud e dispositivi edge ed è ideale per la gestione di distributori rurali, unità automatizzate e configurazioni di telefarmacia remota.

Sebbene ci siano molti vantaggi nell'implementazione della vision AI nel settore farmaceutico, ci sono anche alcune considerazioni da tenere a mente quando si utilizzano tali tecnologie:

• Integrazione operativa: L'integrazione dei sistemi AI nei flussi di lavoro esistenti potrebbe richiedere modifiche, formazione e controlli di compatibilità con l'infrastruttura attuale.
• Regulatory compliance: I sistemi automatizzati devono aderire a rigidi standard normativi per garantire la sicurezza del paziente e una qualità costante del prodotto.
• Gestione degli errori: Anche i modelli avanzati possono produrre falsi positivi o negativi. È importante disporre di processi per gestire e correggere questi errori.

La strada da percorrere per i flussi di lavoro farmaceutici AI#

In futuro, l'IA svolgerà probabilmente un ruolo maggiore nel rendere i clinical trials più rapidi, intelligenti ed economici. Può aiutare a progettare protocolli di sperimentazione migliori, a selezionare i gruppi di pazienti giusti e a monitorare i dati in tempo reale.

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

Punti chiave#

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.

Man mano che i dataset crescono e i modelli migliorano, il potenziale per la vision AI nel settore farmaceutico va oltre la semplice logistica. Questa tecnologia potrebbe anche supportare i test clinici aiutando con un'identificazione e un tracciamento costanti delle pillole, e assistendo i ricercatori nel testare in sicurezza nuove combinazioni di farmaci.

Esplora il nostro GitHub repository per saperne di più e far parte della nostra crescente community. Scopri innovazioni all'avanguardia in vari settori, dall'AI in agriculture alla computer vision in healthcare. Dai un'occhiata alle nostre licensing options e lancia oggi stesso i tuoi progetti di vision AI.