24 de abril de 2025
Neste tutorial de codificação, aprenda a detect comprimidos utilizando o YOLO11 com o conjunto de dados Medical-Pills. Além disso, explore as suas potenciais aplicações e benefícios.
A inteligência artificial está sendo utilizada em quase todos os setores, mas sua influência na área da saúde, especialmente na indústria farmacêutica, é particularmente substancial. Este ano, o mercado de IA na indústria farmacêutica está avaliado em US$ 1,94 bilhão, e espera-se que cresça para US$ 16,49 bilhões até 2034.
Um dos principais impulsionadores tecnológicos desse mercado é a visão computacional. Diferentemente do processamento de imagem tradicional, a visão computacional é um subcampo da IA que permite que as máquinas compreendam e analisem dados visuais em tempo real.
Na indústria farmacêutica, onde até o menor erro pode ter sérias consequências, a Visão de IA oferece novas e confiáveis maneiras de melhorar a segurança e a precisão.
Por exemplo, Ultralytics YOLO11 é um modelo de visão por computador concebido para tarefas em tempo real, como a deteção de objectos e a segmentação de instâncias, e pode ser utilizado para aplicações como a identificação de comprimidos ou a deteção de defeitos em embalagens médicas.
Neste artigo, vamos explicar como pôr mãos à obra com a IA de visão, treinando YOLO11 para detect comprimidos. Iremos também explorar as suas aplicações no mundo real. Vamos lá começar!
Antes de nos debruçarmos sobre a forma como YOLO11 pode ser treinado para detect comprimidos, vamos dar um passo atrás e compreender o que significa treinar um modelo e o papel de um conjunto de dados.
Treinar um modelo envolve ensiná-lo a reconhecer padrões, mostrando-lhe muitos exemplos. Neste caso, um conjunto de dados é uma coleção de imagens onde cada imagem é rotulada para indicar onde as pílulas estão localizadas. Este processo ajuda o modelo a aprender com esses exemplos para que possa, posteriormente, identificar pílulas em novas imagens.
O pacoteUltralytics Python torna este processo ainda mais fácil ao suportar uma vasta gama de conjuntos de dados num formato de ficheiro YOLO simplificado. Oferece um acesso sem problemas a conjuntos de dados populares e fornece suporte para aplicações como a deteção de comprimidos.
Por exemplo, o Conjunto de Dados de Pílulas Médicas é uma coleção dedicada de prova de conceito projetada para mostrar como a detecção de objetos pode melhorar os fluxos de trabalho farmacêuticos por meio de tarefas como controle de qualidade, triagem e detecção de falsificações.
Outro fator a considerar antes de iniciar a formação com o pacote Ultralytics Python é a escolha do ambiente de desenvolvimento adequado. Aqui estão três opções populares:
Existem outras opções de configuração que pode explorar na documentação oficial Ultralytics , mas as três mencionadas acima são fáceis de configurar e utilizar, o que as torna excelentes opções para começar rapidamente.
Neste guia, vamos concentrar-nos em como configurar e treinar YOLO11 utilizando Google Colab, os Jupyter Notebooks ou um script Python básico, uma vez que o processo é bastante semelhante em cada um destes ambientes.
Além disso, este tutorial é bastante semelhante ao que abordámos anteriormente sobre a deteção de vida selvagem utilizando YOLO11. Se estiver interessado em mais detalhes sobre qualquer um dos passos deste tutorial de codificação, pode consultá-lo.
O Conjunto de Dados de Pílulas Médicas inclui 92 imagens de treinamento e 23 imagens de validação, fornecendo uma divisão sólida para construir e testar seu modelo. As imagens de treinamento são usadas para ensinar o modelo, enquanto as imagens de validação ajudam a avaliar o desempenho do modelo em dados novos e não vistos.
Cada imagem no conjunto de dados é rotulada para uma única classe, pílulas. As anotações de caixa delimitadora marcam claramente a localização de cada pílula, tornando o conjunto de dados ideal para tarefas focadas como a detecção de pílulas, sem a complexidade de lidar com várias classes de objetos.
Para apoiar o treino com o YOLO11, Ultralytics fornece um ficheiro de configuração YAML que define parâmetros-chave como caminhos de ficheiros, nomes de classes e metadados necessários para o treino de modelos. Quer esteja a afinar um modelo pré-treinado ou a começar do zero, este ficheiro torna o processo muito mais simples e ajuda-o a começar rapidamente.
Para começar, vamos configurar um ambiente para treinar e testar o modelo. Pode optar por utilizar Google Colab, os Jupyter Notebooks ou um simples ficheiro Python , de acordo com a sua preferência. Basta criar um novo notebook ou ficheiro Python no ambiente que escolher.
Em seguida, podemos configurar nosso ambiente e instalar o pacote Ultralytics Python usando o comando mostrado abaixo. Se estiver a utilizar um ambiente baseado num notebookGoogle Colab ou Jupyter), execute o seguinte comando com um ponto de exclamação (!) no início.
pip install ultralyticsUma vez instalado, o passo seguinte é descarregar e treinar YOLO11 utilizando o conjunto de dados Medical Pills. Uma vez que o conjunto de dados é suportado pelo pacote Ultralytics Python , o processo é simples.
Primeiro, podemos importar a classe YOLO do pacote Ultralytics . Depois, podemos carregar um modelo YOLO11 pré-treinado a partir do ficheiro "yolo11n.pt", que é recomendado por ser um modelo nano e leve.
Finalmente, podemos iniciar o processo de treinamento apontando o modelo para a configuração do nosso conjunto de dados (medical-pillsyaml) e definindo o número de épocas de treinamento (uma passagem completa por todo o conjunto de dados) para 100, como mostrado abaixo.
from ultralytics import YOLO
model = YOLO("yolo11n.pt")
results = model.train(data="medical-pills.yaml", epochs=100)Treinar por várias épocas permite que o modelo aprenda e melhore seu desempenho a cada passagem. Você poderá encontrar logs e checkpoints salvos na subpasta “runs/train/”, que você pode usar para monitorar o progresso e revisar o desempenho do modelo.
Após a conclusão do treino, o modelo YOLO11 treinado à medida deve ser capaz de identificar os comprimidos com exatidão. Pode procurar os pesos finais do modelo treinado na subpasta "detect" com o nome "best.pt".
Para avaliar até que ponto o modelo aprendeu a detect os comprimidos, podemos efetuar a validação da seguinte forma:
metrics = model.val()Este processo retorna métricas comuns de detecção de objetos, que fornecem informações sobre o desempenho do modelo. Aqui está uma análise mais detalhada de algumas dessas métricas:
Juntas, essas métricas oferecem uma visão abrangente de quão precisamente o modelo detecta pílulas em dados novos e não vistos.
Se o seu modelo não tiver um desempenho tão bom quanto o esperado, você pode tentar treiná-lo por mais épocas ou ajustar outros parâmetros de treinamento, como a taxa de aprendizado, que controla o tamanho das etapas dadas durante a otimização do modelo, ou o tamanho da imagem, para melhorar ainda mais seu desempenho.
Depois de o modelo YOLO11 ser treinado e avaliado, o passo seguinte é testar o seu desempenho em imagens novas e não vistas. Isto ajuda a simular condições do mundo real, tais como a deteção de comprimidos com diferentes luzes, disposições ou estilos de embalagem.
Para testar o modelo, descarregámos uma imagem de amostra do Pexels, um sítio Web de imagens de stock gratuito, e analisámos a imagem ou executámos uma previsão utilizando o modelo YOLO11 treinado à medida, como se mostra no excerto de código abaixo.
Você pode usar esta imagem de amostra ou qualquer outra imagem relevante para avaliar o quão bem o modelo se comporta em cenários do mundo real.
results = model.predict("path/to/image.jpg", save=True, conf=0.3)A opção de salvar diz ao modelo para armazenar a imagem de saída, e a configuração de confiança garante que apenas as previsões com pelo menos 30% de certeza sejam incluídas nos resultados.
Quando executa a previsão, a saída apresenta uma mensagem que indica onde se encontra a imagem guardada - por exemplo, "Resultados guardados em detect".
Sua imagem de saída será semelhante à mostrada aqui, com pílulas detectadas e destacadas usando caixas delimitadoras. As pontuações de confiança exibidas indicam o nível de certeza para cada detecção.
Agora que já explorámos a forma de treinar YOLO11 utilizando o conjunto de dados Medical-Pills e de executar inferências em imagens para deteção de comprimidos, vamos ver as aplicações reais do YOLO11na indústria farmacêutica.
A deteção automatizada de comprimidos com o YOLO11 pode ser aplicada à triagem de produtos farmacêuticos. A triagem manual é muitas vezes lenta, repetitiva e propensa a erros que podem comprometer a segurança e a conformidade dos medicamentos.
Utilizando um modelo YOLO11 ajustado, podemos detect e classificar com precisão os comprimidos com base em atributos visuais como o tamanho, a forma e a cor. Esta automatização acelera o processo e ajuda a garantir que os produtos cumprem normas de qualidade rigorosas, tornando-a uma ferramenta valiosa nas operações farmacêuticas.
Estocar a medicação certa no prazo é mais do que apenas uma tarefa logística - pode afetar o atendimento e os custos do paciente. A falta de uma pílula crítica pode atrasar o tratamento, enquanto o excesso de estoque pode resultar em medicamentos vencidos e desperdício de estoque. Com inúmeros tipos de pílulas e variações de embalagem na indústria farmacêutica, os sistemas automatizados de estoque podem permitir registros mais precisos.
Os sistemas de inventário inteligentes podem utilizar modelos de visão por computador como o Ultralytics YOLO11 para monitorizar os níveis de stock em tempo real. O modelo pode digitalizar prateleiras e áreas de embalagem utilizando imagens ou vídeo para detect e contar comprimidos. À medida que os níveis de stock mudam, quer os itens sejam adicionados, removidos ou movidos, o sistema pode atualizar a contagem automaticamente.
Na produção farmacêutica, o controle de qualidade é crucial para garantir que cada pílula seja segura e eficaz. Mesmo pequenos defeitos, como uma rachadura, forma irregular ou ligeira variação de cor, podem levar a erros de dosagem ou recalls de produtos.
YOLO11 pode ajudar, detectando automaticamente os comprimidos que não cumprem as normas de qualidade. O modelo pode aprender caraterísticas visuais e utiliza caixas delimitadoras para assinalar problemas como lascas, impressões desbotadas ou descoloração em tempo real. Isto permite a remoção precoce de comprimidos defeituosos, reduzindo o desperdício e garantindo que apenas os medicamentos de qualidade garantida chegam aos pacientes.
Além disso, YOLO11 pode ser utilizado para detect e contar os comprimidos à medida que são inspeccionados, para um acompanhamento preciso enquanto monitoriza a qualidade.
Agora que exploramos como a Visão de IA pode ser aplicada na indústria farmacêutica. Vamos dar uma olhada rápida em alguns dos principais benefícios do uso da visão computacional neste setor:
Embora existam muitos benefícios na implementação da Visão de IA na indústria farmacêutica, também existem algumas considerações a serem lembradas ao usar essas tecnologias:
No futuro, a IA provavelmente desempenhará um papel maior em tornar os ensaios clínicos mais rápidos, inteligentes e econômicos. Ela pode ajudar a projetar melhores protocolos de ensaio, escolher os grupos de pacientes certos e monitorar os dados em tempo real.
Isso pode permitir que os pesquisadores respondam aos problemas à medida que surgem, em vez de depois do ocorrido. A IA também pode acelerar o processo de aprovação, reduzindo a papelada manual e automatizando as verificações de rotina. No geral, a integração da IA nos fluxos de trabalho farmacêuticos pode resultar em menos atrasos e acesso mais rápido a novos tratamentos.
O treino do Ultralytics YOLO11 no conjunto de dados Medical Pills mostra a rapidez e eficácia com que o modelo se pode adaptar às tarefas farmacêuticas. Mesmo com um pequeno conjunto de dados, consegue detect com precisão os comprimidos, o que o torna útil para tarefas como a triagem, o controlo de qualidade e o acompanhamento do inventário.
À medida que os conjuntos de dados crescem e os modelos melhoram, o potencial da Visão de IA na indústria farmacêutica vai além da logística. Essa tecnologia também pode dar suporte a estudos clínicos, auxiliando na identificação e no rastreamento consistentes de pílulas, além de ajudar os pesquisadores a testar combinações de medicamentos com segurança.
Explore nosso repositório no GitHub para saber mais e fazer parte da nossa crescente comunidade. Descubra inovações de ponta em vários setores, desde IA na agricultura até visão computacional na área da saúde. Confira nossas opções de licenciamento e lance seus projetos de Visão de IA hoje mesmo.
