Un approfondimento sul rilevamento delle pillole con Ultralytics YOLO11

L'intelligenza artificiale viene usata in quasi tutti i settori, ma la sua influenza sulla sanità, soprattutto nell'industria farmaceutica, è particolarmente significativa. Quest'anno il mercato dell'IA nel settore farmaceutico vale 1,94 miliardi di dollari e si prevede che raggiungerà i 16,49 miliardi di dollari entro il 2034.

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

Fig 1. Panoramica dell'IA nel mercato farmaceutico.

Nel settore farmaceutico, dove anche l'errore più piccolo può avere gravi conseguenze, l'IA visiva offre nuovi metodi 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 quali l'identificazione delle pillole o il rilevamento di difetti nelle confezioni dei medicinali.

In questo articolo vedremo come fare pratica con l’IA per la visione addestrando Ultralytics YOLO11 a rilevare pillole. Esamineremo anche le sue applicazioni nel mondo reale.

Creare un modello di IA per il rilevamento delle pillole#

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

L'addestramento di un modello consiste nell'insegnargli a riconoscere schemi mostrandogli numerosi esempi. In questo caso, un dataset è una raccolta di immagini, ciascuna etichettata per indicare la posizione delle pillole. Questo processo aiuta il modello a imparare dagli esempi, così da poter in seguito identificare le pillole in nuove immagini.

Il pacchetto Python Ultralytics semplifica ulteriormente questo processo, supportando numerosi dataset in un formato di file YOLO uniforme. Offre un accesso semplice ai dataset più diffusi e supporta applicazioni come il rilevamento delle pillole.

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

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 più adatto. Ecco tre opzioni molto 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), così da poterlo testare ed eseguire il debug facilmente man mano che procedi.
• Google Colab: Un'opzione basata sul cloud che funziona come Jupyter Notebooks, ma offre anche accesso gratuito alla GPU, quindi non devi preoccuparti di configurare nulla localmente.

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

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

Inoltre, questo tutorial è molto simile a quello che abbiamo già visto sul rilevamento della fauna selvatica con Ultralytics YOLO11. Se vuoi approfondire uno dei passaggi di questo tutorial di programmazione, puoi consultarlo.

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

Il Medical Pills Dataset include 92 immagini di addestramento e 23 immagini di convalida, offrendo una suddivisione equilibrata per creare e testare il modello. Le immagini di addestramento servono a insegnare al modello, mentre quelle di convalida aiutano a valutare le sue prestazioni su dati nuovi e mai visti.

Ogni immagine del dataset è etichettata con una sola classe: pillole. Le annotazioni dei riquadri di delimitazione indicano chiaramente la posizione di ogni pillola, rendendo il dataset ideale per attività specifiche come il rilevamento delle 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 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. Che tu stia perfezionando un modello preaddestrato o partendo da zero, questo file semplifica notevolmente il processo e ti aiuta a iniziare rapidamente.

Addestrare un modello Ultralytics YOLO 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. Crea un nuovo notebook o file Python nell'ambiente che hai scelto.

Poi, configuriamo l'ambiente e installiamo il pacchetto Python di Ultralytics usando il comando riportato di seguito. Se usi un ambiente basato su notebook (Google Colab o Jupyter), esegui il comando seguente anteponendo un punto esclamativo (!).

pip install ultralytics

Dopo l’installazione, il passaggio successivo consiste nello scaricare il dataset Medical Pills e addestrare YOLO11. Poiché il dataset è supportato dal pacchetto Python Ultralytics, il processo è semplice.

Capire il processo di addestramento del modello#

Per prima cosa, possiamo importare la classe YOLO dal pacchetto Ultralytics. Poi possiamo caricare un modello YOLO11n preaddestrato dal file “yolo11n.pt”, consigliato perché è un modello nano e leggero.

Infine, possiamo avviare l'addestramento indicando al modello la configurazione del dataset (medical-pills.yaml) e impostando a 100 il numero di epoche di addestramento (un passaggio completo sull'intero dataset), come mostrato di seguito.

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
results = model.train(data="medical-pills.yaml", epochs=100)

Addestrare il modello per più epoche gli permette di imparare e migliorare le proprie prestazioni a ogni iterazione. Troverai i log e i checkpoint salvati nella sottocartella “runs/detect/train/”, che puoi usare per monitorare i progressi e valutare le prestazioni del modello.

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

Valutare Ultralytics YOLO11 dopo l'addestramento del modello#

Per valutare quanto il modello abbia imparato a rilevare le pillole, possiamo eseguire la convalida nel modo seguente:

metrics = model.val()

Questo processo restituisce le comuni metriche di rilevamento degli oggetti, che forniscono informazioni sulle prestazioni del modello. Vediamo più da vicino alcune di queste metriche:

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

Nel loro insieme, queste metriche offrono un quadro completo della precisione con cui il modello rileva le pillole in dati nuovi e mai visti.

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

Esecuzione di inferenze con il tuo modello Ultralytics YOLO11 addestrato su dati personalizzati#

Una volta addestrato e valutato il modello Ultralytics YOLO11, il passaggio successivo consiste nel testarne le prestazioni su immagini nuove e mai viste. Questo aiuta a simulare condizioni reali, come il rilevamento delle pillole con diverse condizioni di illuminazione, disposizioni o tipologie di confezione.

Per testare il modello, abbiamo scaricato un’immagine di esempio da Pexels, un sito di immagini stock gratuite, e l’abbiamo usata per eseguire una previsione con il modello Ultralytics YOLO11 addestrato su dati personalizzati, come mostrato nel frammento di codice qui sotto.

Puoi usare questa immagine di esempio 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 di salvataggio indica al modello di memorizzare l'immagine di output, mentre l'impostazione della confidenza assicura che i risultati includano solo predizioni con un livello di certezza pari almeno al 30 percento.

Quando esegui la previsione, nell’output viene visualizzato un messaggio che indica dove si trova l’immagine salvata, ad esempio "Results saved to runs/detect/predict."

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

Fig 3. Rilevamento delle pillole con Ultralytics YOLO11.

Applicazioni reali di Ultralytics YOLO11 nel settore farmaceutico#

Ora che abbiamo visto come addestrare Ultralytics YOLO11 usando il Medical-Pills Dataset ed eseguire inferenze su immagini per rilevare le pillole, esaminiamo le applicazioni di YOLO11 nel mondo reale in ambito farmaceutico.

Selezione delle pillole nel settore farmaceutico con Ultralytics YOLO11#

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

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

Fig 4. Rilevamento delle pillole con YOLO11.

Monitorare le scorte con Ultralytics YOLO11#

Avere a disposizione i farmaci giusti al momento giusto non è solo una questione logistica: può incidere sull'assistenza ai pazienti e sui costi. La carenza di una pillola fondamentale può ritardare le cure, mentre le scorte eccessive possono causare la scadenza dei farmaci e sprechi di inventario. Nel settore farmaceutico, caratterizzato da numerosi tipi di pillole e varianti di confezionamento, i sistemi automatizzati di gestione delle scorte possono garantire registrazioni più accurate.

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

Controllo qualità farmaceutico con Ultralytics YOLO11#

Nella produzione farmaceutica, il controllo qualità è fondamentale per garantire 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 il ritiro dei prodotti.

Ultralytics YOLO11 può rilevare automaticamente le pillole che non rispettano gli standard di qualità. Il modello apprende le caratteristiche visive e usa riquadri delimitatori 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 contribuendo a garantire che ai pazienti arrivino solo farmaci di qualità certificata.

Inoltre, Ultralytics YOLO11 può essere usato per rilevare e contare le pillole durante l'ispezione, così da tracciarle con precisione mentre ne viene monitorata la qualità.

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

Vantaggi e svantaggi dell'uso dell'IA visiva per il rilevamento delle pillole#

Ora che abbiamo visto come applicare l’IA per la visione nell’industria farmaceutica, diamo una rapida occhiata ad alcuni dei principali vantaggi della visione artificiale in questo settore:

• Manutenzione predittiva: Ultralytics YOLO11 può essere usato per rilevare i primi segni di usura dei macchinari, individuando anomalie nelle pillole o nelle confezioni. Aiuta a programmare le riparazioni tempestivamente e previene interruzioni impreviste della produzione.
• Uso scalabile del modello: il modello può essere ottimizzato su vari dataset per diversi tipi di pillole e confezioni. Questo rende l'ispezione scalabile ed economicamente vantaggiosa con la crescita delle attività.
• Monitoraggio da remoto: permette di eseguire controlli di qualità in tempo reale quando è integrato con sistemi cloud e dispositivi edge, ed è ideale per gestire dispensari rurali, unità automatizzate e servizi di tele-farmacia da remoto.

L'implementazione dell'IA visiva nel settore farmaceutico offre molti vantaggi, ma quando si usano queste tecnologie è importante considerare anche alcuni aspetti:

• Integrazione operativa: integrare i sistemi di IA nei flussi di lavoro esistenti può richiedere modifiche, 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 generare falsi positivi o falsi negativi. È importante predisporre procedure per gestire e correggere questi errori.

Il futuro dei flussi di lavoro farmaceutici basati sull'IA#

In futuro, è probabile che l'IA svolga un ruolo più importante nel rendere gli studi clinici più rapidi, intelligenti ed economicamente vantaggiosi. Può aiutare a progettare protocolli di studio migliori, a scegliere i gruppi di pazienti più adatti e a monitorare i dati in tempo reale.

Questo potrebbe consentire ai ricercatori di rispondere ai problemi man mano che si presentano, invece di intervenire a posteriori. L'IA può anche accelerare il processo di approvazione riducendo la documentazione manuale e automatizzando i controlli di routine. Nel complesso, integrare l'IA nei flussi di lavoro farmaceutici può ridurre i ritardi e accelerare l'accesso a 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 le pillole con precisione, risultando utile per attività come la selezione, il controllo qualità e il monitoraggio delle scorte.

Con la crescita dei dataset e il miglioramento dei modelli, il potenziale dell'IA visiva in ambito 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 nella sperimentazione sicura di nuove combinazioni di farmaci.

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