Facendo clic su "Accetta tutti i cookie", acconsenti alla memorizzazione dei cookie sul tuo dispositivo per migliorare la navigazione del sito, analizzare l'utilizzo del sito e contribuire alle nostre iniziative di marketing. Per saperne di più
Impostazioni dei cookie
Facendo clic su "Accetta tutti i cookie", acconsenti alla memorizzazione dei cookie sul tuo dispositivo per migliorare la navigazione del sito, analizzare l'utilizzo del sito e contribuire alle nostre iniziative di marketing. Per saperne di più
Un'immersione profonda nel rilevamento delle pillole con Ultralytics YOLO11
In questo tutorial di codifica, scopri come rilevare le 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, soprattutto quella farmaceutica, è particolarmente rilevante. Quest'anno, il valore dell'intelligenza artificiale nel mercato farmaceutico è di 1,94 miliardi di dollari e si prevede che crescerà fino a 16,49 miliardi di dollari entro il 2034.
Uno dei principali motori tecnologici di questo mercato è la computer vision. A differenza dell'elaborazione tradizionale delle immagini, la computer vision è un sottocampo dell'intelligenza artificiale che consente alle macchine di comprendere e analizzare i dati visivi in tempo reale.
Figura 1. Una panoramica dell'IA nel mercato farmaceutico.
Nell'industria farmaceutica, dove anche il più piccolo errore può avere gravi conseguenze, 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 in confezioni mediche.
In questo articolo ti spiegheremo come mettere mano alla Vision AI addestrando YOLO11 a rilevare le pillole. Esploreremo anche le sue applicazioni reali. Iniziamo!
Costruire un modello di intelligenza artificiale per il rilevamento delle pillole
Prima di scoprire come YOLO11 può essere addestrato per rilevare le pillole, facciamo un passo indietro e capiamo cosa significa addestrare un modello e il ruolo di un set di dati.
L'addestramento di un modello consiste nell'insegnargli a riconoscere i modelli mostrandogli molti esempi. In questo caso, un set di dati 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 da poter identificare successivamente le pillole in nuove immagini.
Il pacchettoUltralytics Python rende questo processo ancora più semplice, supportando un'ampia gamma di set di dati in un formato di file YOLO semplificato. Offre un accesso senza problemi ai set di dati più diffusi e supporta applicazioni come il rilevamento di pillole.
Ad esempio, il Medical Pills Dataset è una raccolta dedicata al proof-of-concept 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 delle contraffazioni.
Scegliere un ambiente di sviluppo
Un altro fattore da considerare prima di iniziare la formazione con il pacchetto Ultralytics Python è la scelta del giusto ambiente di sviluppo. Ecco tre opzioni popolari:
Interfaccia a riga di comando (CLI): La CLI o terminale è un semplice strumento basato sul testo dove puoi digitare i comandi per eseguire il tuo codice e interagire con il computer.
Quaderni Jupyter: Si tratta di un ambiente più interattivo in cui puoi scrivere ed eseguire il codice in piccole parti (celle), rendendo più facile il test e il debug.
Google Colab: Un'opzione basata sul cloud che funziona come Jupyter Notebooks, ma con il vantaggio dell'accesso gratuito alla GPU , in modo da non doversi preoccupare di configurare nulla a livello locale.
Ci sono altre opzioni di configurazione che puoi esplorare nella documentazione ufficiale di Ultralytics , ma le tre sopra citate sono facili da configurare e da usare, il che le rende ottime per iniziare rapidamente.
In questa guida ci concentreremo su come impostare e addestrare YOLO11 utilizzando Google Colab, Jupyter Notebooks o uno script Python di base, poiché il processo è abbastanza simile in ognuno di questi ambienti.
Inoltre, questo tutorial è abbastanza simile a quello che abbiamo precedentemente trattato sul rilevamento della fauna selvatica utilizzando YOLO11. Se ti interessano maggiori dettagli su alcuni dei passaggi di questo tutorial di codifica, puoi dare un'occhiata.
Esplorazione di un set di dati per il rilevamento di pillole in tempo reale con YOLO
Il set di dati sulle pillole mediche comprende 92 immagini di formazione e 23 immagini di convalida, fornendo una solida base per la creazione e il test del tuo modello. Le immagini di addestramento servono ad apprendere il modello, mentre le immagini di validazione aiutano a valutare le prestazioni del modello su dati nuovi e non visti.
Ogni immagine del set di dati è etichettata per una singola classe, le pillole. Le annotazioni dei riquadri di delimitazione segnano chiaramente la posizione di ogni pillola, rendendo il dataset ideale per compiti mirati come il rilevamento delle pillole senza la complessità di gestire più classi di oggetti.
Figura 2. Uno scorcio del dataset delle pillole mediche.
Per supportare l'addestramento 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 l'addestramento del modello. Sia che tu stia perfezionando un modello già addestrato o che tu stia iniziando 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 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 un file Python nell'ambiente scelto.
Quindi, possiamo configurare il nostro ambiente e installare il pacchetto Ultralytics Python utilizzando il comando mostrato di seguito. Se utilizzi un ambiente basato su notebookGoogle Colab o Jupyter), esegui il seguente comando con un punto esclamativo (!) all'inizio.
pip install ultralytics
Una volta installato, il passo successivo è scaricare e addestrare YOLO11 utilizzando il dataset Medical Pills. Poiché il dataset è supportato dal pacchetto Ultralytics Python , il processo è semplice.
Comprendere il processo di formazione del modello
Per prima cosa, possiamo importare la classe YOLO dal pacchetto Ultralytics . Poi, possiamo caricare un modello YOLO11 pre-addestrato dal file "yolo11n.pt", consigliato perché è un modello nano e leggero.
Infine, possiamo avviare il processo di addestramento puntando il modello alla configurazione del nostro 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 sue prestazioni a ogni passaggio. Potrai trovare i log e i checkpoint salvati nella sottocartella "runs/train/", che potrai utilizzare per monitorare i progressi e rivedere le prestazioni del modello.
Al termine dell'addestramento, il modello YOLO11 addestrato su misura dovrebbe essere in grado di identificare accuratamente le pillole. Puoi trovare i pesi finali del modello addestrato nella sottocartella "runs/detect/train/weights/" con il nome "best.pt".
Valutazione di YOLO11 dopo la formazione 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 di rilevamento degli oggetti, che forniscono indicazioni sulle prestazioni del modello. Ecco un approfondimento su alcune di queste metriche:
Precisione: Misura la percentuale di pillole rilevate dal modello che sono corrette.
Richiamo: Indica la percentuale di pillole reali che il modello identifica con successo.
Precisione media (mAP): Questa metrica combina sia la precisione che il richiamo tra le varie soglie di rilevamento per fornire un punteggio di performance complessivo.
Insieme, queste metriche offrono una visione completa dell'accuratezza con cui il modello rileva le pillole nei dati nuovi e non visti.
Se il tuo modello non funziona come previsto, puoi provare ad allenarlo per un numero maggiore di epoche o a regolare con precisione altri parametri di allenamento, come il tasso di apprendimento, che controlla la dimensione dei passi effettuati durante l'ottimizzazione del modello, o la dimensione dell'immagine, per migliorare ulteriormente le sue prestazioni.
Esegui inferenze utilizzando il tuo modello YOLO11 addestrato in modo personalizzato
Una volta che il modello YOLO11 è stato addestrato e valutato, il passo successivo consiste nel testare le sue prestazioni su nuove immagini inedite. Questo aiuta a simulare le condizioni del mondo reale, come ad esempio il rilevamento di pillole con luci, disposizioni o confezioni diverse.
Per testare il modello, abbiamo scaricato un'immagine campione da Pexels, un sito web di immagini stock gratuite, e abbiamo analizzato l'immagine o eseguito una previsione utilizzando il modello YOLO11 addestrato su misura, come mostrato nel frammento di codice sottostante.
Puoi utilizzare questa immagine campione o qualsiasi altra immagine pertinente per valutare le prestazioni del modello in scenari reali.
L'opzione di salvataggio indica al modello di memorizzare l'immagine di output, mentre l'impostazione di confidenza assicura che solo le previsioni con almeno il 30% di certezza siano incluse nei risultati.
Quando esegui la predizione, l'output mostrerà un messaggio che indica dove si trova l'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 tramite caselle di delimitazione. I punteggi di confidenza visualizzati indicano il livello di certezza di ogni rilevamento.
Figura 3. Rilevamento delle pillole con YOLO11.
Applicazioni reali dell'uso di YOLO11 nel settore farmaceutico
Ora che abbiamo esplorato come addestrare YOLO11 utilizzando il dataset Medical-Pills ed eseguire inferenze sulle immagini per il rilevamento delle pillole, diamo un'occhiata alle applicazioni reali di YOLO11nell'industria farmaceutica.
Smistamento di pillole farmaceutiche con YOLO11
Il rilevamento automatico delle pillole con YOLO11 può essere applicato allo smistamento dei farmaci. Lo smistamento manuale è spesso lento, ripetitivo e soggetto a errori che possono compromettere la sicurezza e la conformità dei farmaci.
Grazie all'utilizzo di un modello YOLO11 ottimizzato, siamo in grado di rilevare e smistare con precisione le pillole in base ad attributi visivi come dimensioni, forma e colore. Questa automazione accelera il processo e aiuta a garantire che i prodotti rispettino i rigorosi standard di qualità, rendendola uno strumento prezioso per le operazioni farmaceutiche.
Figura 4. Rilevamento di pillole con l'aiuto di YOLO11.
Monitoraggio dell'inventario con l'aiuto di YOLO11
Avere a disposizione i farmaci giusti in tempo non è solo un compito logistico: può influire sulla cura del paziente e sui costi. La scarsità di una pillola cruciale può ritardare il trattamento, mentre un eccesso di scorte può causare farmaci scaduti e sprechi di magazzino. Con i numerosi tipi di pillole e le variazioni di confezioni nel settore farmaceutico, i sistemi di inventario automatizzati possono consentire registrazioni più accurate.
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 gli scaffali e le aree di imballaggio utilizzando immagini o video per rilevare e contare le pillole. Quando i livelli delle scorte cambiano, se gli articoli vengono aggiunti, rimossi o spostati, il sistema può aggiornare automaticamente il conteggio.
Il controllo della qualità farmaceutica guidato da YOLO11
Nella produzione farmaceutica, il controllo di qualità è fondamentale per assicurarsi che ogni pillola sia sicura ed efficace. Anche piccoli difetti, 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 aiutarti individuando 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 in tempo reale problemi come scheggiature, impronte sbiadite o scolorimento. In questo modo è possibile rimuovere tempestivamente le pillole difettose, riducendo gli sprechi e garantendo che solo i farmaci di qualità garantita arrivino ai pazienti.
Inoltre, YOLO11 può essere utilizzato per rilevare e contare le pillole mentre vengono ispezionate, per una tracciabilità accurata durante il monitoraggio della qualità.
Figura 5. YOLO11 può essere utilizzato per rilevare e contare le capsule.
Pro e contro dell'utilizzo di Vision AI per il rilevamento delle pillole
Ora che abbiamo esplorato il modo in cui l'intelligenza artificiale può essere applicata all'industria farmaceutica. Diamo una rapida occhiata ad alcuni dei principali vantaggi dell'utilizzo della computer vision in questo settore:
Manutenzione preventiva: YOLO11 può essere utilizzato per individuare i primi segni di usura delle macchine, identificando le incongruenze delle pillole o degli imballaggi. Aiuta a programmare le riparazioni tempestive e a prevenire i fermi di produzione non pianificati.
Utilizzo scalabile del modello: Il modello può essere messo a punto su vari set di dati per pillole e confezioni diverse. Questo rende l'ispezione scalabile ed economicamente vantaggiosa in caso di crescita delle operazioni.
Monitoraggio remoto: Permette di controllare la qualità in tempo reale se integrato con i sistemi cloud e i dispositivi edge ed è ideale per la gestione di dispenser rurali, unità automatizzate e configurazioni di tele-farmacia a distanza.
Sebbene i vantaggi dell'implementazione dell'IA di visione nell'industria farmaceutica siano molti, ci sono anche alcune considerazioni da tenere a mente quando si utilizzano queste tecnologie:
Integrazione operativa: L'integrazione dei sistemi di intelligenza artificiale nei flussi di lavoro esistenti potrebbe richiedere adeguamenti, formazione e controlli di compatibilità con l'infrastruttura attuale.
Conformità normativa: I sistemi automatizzati devono rispettare rigorosi standard normativi per garantire la sicurezza dei pazienti e la qualità costante dei prodotti.
Gestione degli errori: Anche i modelli più 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 dell'AI in campo farmaceutico
In futuro, l'intelligenza artificiale avrà probabilmente un ruolo maggiore nel rendere le sperimentazioni cliniche più veloci, più intelligenti e più convenienti. Può aiutare a progettare protocolli di sperimentazione migliori, a scegliere i gruppi di pazienti giusti e a monitorare i dati in tempo reale.
In questo modo i ricercatori possono rispondere ai problemi che si presentano, invece che a posteriori. L'intelligenza artificiale può anche accelerare il processo di approvazione riducendo la documentazione manuale e automatizzando i controlli di routine. In generale, l'integrazione dell'intelligenza artificiale nei flussi di lavoro farmaceutici può ridurre i ritardi e accelerare l'accesso ai nuovi trattamenti.
Punti di forza
L'addestramento di Ultralytics YOLO11 sul set di dati delle pillole mediche mostra la rapidità e l'efficacia con cui il modello si adatta alle attività farmaceutiche. Anche con un piccolo set di dati, il modello è in grado di rilevare con precisione le pillole, rendendolo utile per attività come lo smistamento, il controllo qualità e il monitoraggio dell'inventario.
Con l'aumento delle serie 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 le sperimentazioni cliniche, aiutando a identificare e tracciare in modo coerente le pillole e assistendo i ricercatori nella sperimentazione sicura di nuove combinazioni di farmaci.
IT
EN
ZH
KO
JA
RU
DE
FR
ES
PT
AR
TR
VI
