Un approfondimento sul rilevamento delle pillole utilizzando Ultralytics YOLO11

L'intelligenza artificiale viene utilizzata in quasi tutti i settori, ma la sua influenza sull'assistenza sanitaria, specialmente nel settore farmaceutico, è particolarmente sostanziale. Quest'anno, il mercato dell'AI nel settore farmaceutico è valutato a 1,94 miliardi di dollari e si prevede che crescerà fino a 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'AI che consente alle macchine di comprendere e analizzare i dati visivi in tempo reale.

Fig 1. Una panoramica dell'AI 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 di istanze, e può essere utilizzato per applicazioni come l'identificazione di pillole o il rilevamento di difetti nel packaging medico.

In questo articolo, vedremo come cimentarsi con la vision AI addestrando YOLO11 a rilevare pillole. Esploreremo anche le sue applicazioni nel mondo reale. Iniziamo!

Link to this sectionCostruire un modello di AI per il rilevamento di pillole#

Prima di immergerci in come YOLO11 possa essere addestrato a rilevare pillole, facciamo un passo indietro per comprendere cosa significhi addestrare un modello e il ruolo di un dataset.

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 pacchetto Python di Ultralytics rende questo processo ancora più semplice supportando un'ampia gamma di dataset nel formato file YOLO semplificato. Offrono un accesso facile a dataset 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 il rilevamento di oggetti possa migliorare i flussi di lavoro farmaceutici attraverso attività come il controllo qualità, lo smistamento e il rilevamento di contraffazioni.

Link to this sectionScegliere 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 documentazione ufficiale di Ultralytics, ma le tre menzionate sopra sono facili da configurare e utilizzare, rendendole ottime scelte per iniziare rapidamente.

In questa guida, ci concentreremo su come configurare e addestrare 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 piuttosto simile a quello che abbiamo trattato in precedenza sul rilevamento della fauna selvatica utilizzando YOLO11. Se ti interessano maggiori dettagli su uno qualsiasi dei passaggi di questo tutorial di programmazione, puoi dargli un'occhiata.

Link to this sectionEsplorare 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 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 effettuando 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.

Link to this sectionAddestrare un modello Ultralytics YOLO sul dataset di pillole#

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. Crea semplicemente un nuovo notebook o file Python nell'ambiente che scegli.

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.

Link to this sectionComprendere 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”.

Link to this sectionValutare 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 le metriche comuni di rilevamento degli oggetti, che forniscono informazioni sulle prestazioni del modello. Ecco uno sguardo più da vicino ad 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 funziona come previsto, puoi provare ad addestrarlo per più epoche o a perfezionare altri parametri di addestramento, come il learning rate, che controlla la dimensione dei passi compiuti durante l'ottimizzazione del modello, o la dimensione dell'immagine, per migliorarne ulteriormente le prestazioni.

Link to this sectionEseguire inferenze utilizzando il tuo modello YOLO11 addestrato su misura#

Una volta addestrato e valutato il modello YOLO11, il passaggio successivo è testare quanto bene funzioni su immagini nuove e mai viste prima. Questo aiuta a simulare condizioni del mondo reale, come il rilevamento di pillole con illuminazione, disposizioni o stili di confezionamento diversi.

Per testare il modello, abbiamo scaricato un'immagine di esempio da Pexels, un sito web di immagini stock gratuite, e analizzato l'immagine o eseguito una predizione utilizzando il modello YOLO11 personalizzato come mostrato nello snippet di codice qui sotto.

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 di pillole utilizzando YOLO11.

Link to this sectionApplicazioni nel mondo reale dell'utilizzo di YOLO11 nel settore farmaceutico#

Ora che abbiamo esplorato come addestrare YOLO11 utilizzando il Medical-Pills Dataset ed eseguire inferenze su immagini per il rilevamento di pillole, diamo un'occhiata alle applicazioni nel mondo reale di YOLO11 nel settore farmaceutico.

Link to this sectionSmistamento farmaceutico di pillole con YOLO11#

Il rilevamento automatizzato di pillole con YOLO11 può essere applicato allo smistamento farmaceutico. Lo smistamento manuale è spesso lento, ripetitivo e incline a errori che possono compromettere la sicurezza e la conformità dei farmaci.

Utilizzando un modello YOLO11 perfezionato, 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.

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

Link to this sectionMonitoraggio dell'inventario con l'aiuto di 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 inventario 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, che gli articoli vengano aggiunti, rimossi o spostati, il sistema può aggiornare il conteggio automaticamente.

Link to this sectionControllo qualità farmaceutico guidato da YOLO11#

Nella produzione farmaceutica, il controllo qualità è fondamentale per assicurarsi 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 richiami del prodotto.

YOLO11 può aiutare 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, scritte sbiadite o scolorimento in tempo reale. Ciò consente la rimozione tempestiva di pillole difettose, riducendo gli sprechi e garantendo che solo i farmaci con qualità garantita raggiungano i pazienti.

Oltre a questo, YOLO11 può essere utilizzato per rilevare e contare le pillole mentre vengono ispezionate, per un tracciamento accurato durante il monitoraggio della qualità.

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

Link to this sectionPro 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: YOLO11 può essere utilizzato per rilevare i primi segni di usura della macchina identificando incongruenze nelle pillole o nel packaging. Aiuta a programmare riparazioni tempestive e previene i tempi di inattività non pianificati della produzione.
• 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.
• Conformità normativa: I sistemi automatizzati devono aderire a rigorosi 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.

Link to this sectionLa strada da percorrere per i flussi di lavoro farmaceutici AI#

In futuro, l'AI probabilmente giocherà un ruolo maggiore nel rendere i test clinici più veloci, più intelligenti e più convenienti. Può aiutare a progettare protocolli di test migliori, scegliere i gruppi di pazienti giusti e 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.

Link to this sectionPunti 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 repository GitHub per saperne di più e far parte della nostra community in crescita. Scopri innovazioni all'avanguardia in vari settori, dall'AI in agricoltura alla computer vision nel settore sanitario. Dai un'occhiata alle nostre opzioni di licenza e lancia oggi stesso i tuoi progetti di vision AI.