Uma análise aprofundada da detecção de comprimidos com Ultralytics YOLO11

A inteligência artificial está sendo usada em quase todos os setores, mas sua influência na área da saúde, especialmente na indústria farmacêutica, é particularmente significativa. Neste ano, o mercado de IA na indústria farmacêutica está avaliado em US$ 1,94 bilhão e deve crescer para US$ 16,49 bilhões até 2034.

Um dos principais impulsionadores tecnológicos deste mercado é a visão computacional. Ao contrário do processamento tradicional de imagens, a visão computacional é um subcampo da IA que permite às máquinas compreender e analisar dados visuais em tempo real.

Fig. 1. Uma visão geral da IA no mercado farmacêutico.

Na indústria farmacêutica, onde até o menor erro pode ter consequências graves, a IA de visão oferece novas formas confiáveis de melhorar a segurança e a precisão.

Por exemplo, Ultralytics YOLO11 é um modelo de visão computacional concebido para tarefas em tempo real, como deteção de objetos e segmentação de instâncias, e pode ser usado em aplicações como a identificação de comprimidos ou a deteção de defeitos em embalagens médicas.

Neste artigo, vamos mostrar como colocar a IA visual em prática treinando o Ultralytics YOLO11 para detectar comprimidos. Também vamos explorar aplicações do modelo no mundo real.

Criar um modelo de IA para deteção de comprimidos#

Antes de analisarmos como treinar o Ultralytics YOLO11 para detetar comprimidos, vamos recuar um pouco e perceber o que significa treinar um modelo e qual é o papel de um conjunto de dados.

Treinar um modelo consiste em ensiná-lo a reconhecer padrões, mostrando-lhe muitos exemplos. Neste caso, um conjunto de dados é uma coleção de imagens em que cada imagem tem uma anotação que indica a localização dos comprimidos. Este processo ajuda o modelo a aprender com esses exemplos, para que possa identificar comprimidos em novas imagens.

O pacote Python Ultralytics simplifica ainda mais esse processo, oferecendo suporte a uma ampla variedade de conjuntos de dados em um formato YOLO unificado. Ele facilita o acesso a conjuntos de dados populares e oferece suporte a aplicações como a detecção de comprimidos.

Por exemplo, o Medical Pills Dataset é uma coleção específica de prova de conceito, concebida para demonstrar como a deteção de objetos pode melhorar os fluxos de trabalho farmacêuticos em tarefas como o controlo de qualidade, a triagem e a deteção de contrafações.

Escolher um ambiente de desenvolvimento#

Outro fator a considerar antes de começar a treinar com o pacote Python da Ultralytics é escolher o ambiente de desenvolvimento adequado. Aqui estão três opções populares:

• Interface de linha de comandos (CLI): A CLI ou o terminal é uma ferramenta simples, baseada em texto, onde podes escrever comandos para executar o teu código e interagir com o computador.
• Jupyter Notebooks: Este é um ambiente mais interativo, onde podes escrever e executar código em pequenos blocos (células), o que facilita os testes e a depuração à medida que avanças.
• Google Colab: Uma opção na nuvem que funciona como o Jupyter Notebooks, mas com a vantagem de oferecer acesso gratuito a GPU, para não teres de te preocupar com a configuração local.

Podes explorar outras opções de configuração na documentação oficial da Ultralytics, mas as três opções mencionadas acima são fáceis de configurar e utilizar, o que as torna excelentes escolhas para começares rapidamente.

Neste guia, vamos mostrar como configurar e treinar o Ultralytics YOLO11 com o Google Colab, o Jupyter Notebooks ou um script Python básico, já que o processo é bastante semelhante em todos estes ambientes.

Além disso, este tutorial é bastante parecido com o que abordamos anteriormente sobre detecção de animais selvagens usando o Ultralytics YOLO11. Se você quiser mais detalhes sobre alguma das etapas deste tutorial de programação, confira esse material.

Explorar um conjunto de dados para a deteção de comprimidos em tempo real com YOLO#

O Medical Pills Dataset inclui 92 imagens de treino e 23 imagens de validação, proporcionando uma divisão sólida para criar e testar o teu modelo. As imagens de treino são usadas para ensinar o modelo, enquanto as imagens de validação ajudam a avaliar o seu desempenho com dados novos que ainda não viu.

Cada imagem do conjunto de dados está anotada com uma única classe: comprimidos. As anotações das caixas delimitadoras assinalam claramente a localização de cada comprimido, tornando o conjunto de dados ideal para tarefas específicas, como a deteção de comprimidos, sem a complexidade de lidar com várias classes de objetos.

Fig. 2. Uma amostra do Medical Pills Dataset.

Para permitir o treino com YOLO11, a Ultralytics disponibiliza um ficheiro de configuração YAML que define parâmetros essenciais, como caminhos de ficheiros, nomes de classes e metadados necessários para treinar o modelo. Quer estejas a ajustar um modelo pré-treinado, quer estejas a começar do zero, este ficheiro simplifica bastante o processo e ajuda-te a começar rapidamente.

Treinar um modelo Ultralytics YOLO com o conjunto de dados de comprimidos#

Para começar, vamos configurar um ambiente para treinar e testar o modelo. Podes optar por utilizar o Google Colab, o Jupyter Notebooks ou um ficheiro Python simples, conforme a tua preferência. Basta criares um novo notebook ou ficheiro Python no ambiente que escolheres.

Em seguida, podemos configurar o ambiente e instalar o pacote Python da Ultralytics com o comando abaixo. Se estiveres a utilizar um ambiente baseado em notebooks (Google Colab ou Jupyter), executa o comando seguinte com um ponto de exclamação (!) no início.

pip install ultralytics

Depois da instalação, o próximo passo é baixar o conjunto de dados Medical Pills e treinar o YOLO11. Como o pacote Python Ultralytics oferece suporte ao conjunto de dados, o processo é simples.

Compreender o processo de treino do modelo#

Primeiro, podemos importar a classe YOLO do pacote Ultralytics. Em seguida, podemos carregar um modelo YOLO11n pré-treinado do arquivo “yolo11n.pt”, recomendado por ser um modelo Nano leve.

Por fim, podemos iniciar o treino indicando ao modelo a configuração do conjunto de dados (medical-pills.yaml) e definindo o número de épocas de treino (uma passagem completa por todo o conjunto de dados) como 100, conforme apresentado 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 encontrará logs e pontos de verificação salvos na subpasta “runs/detect/train/”, que pode usar para acompanhar o progresso e analisar o desempenho do modelo.

Quando o treino estiver concluído, o modelo YOLO11 personalizado deverá conseguir identificar comprimidos com precisão. Podes encontrar os pesos do modelo treinado na subpasta “runs/detect/train/weights/”, com o nome “best.pt”.

Avaliar o Ultralytics YOLO11 após o treino do modelo#

Para avaliar a capacidade do modelo de aprender a detetar comprimidos, podemos executar a validação da seguinte forma:

metrics = model.val()

Esse processo retorna métricas comuns de detecção de objetos, que ajudam a avaliar o desempenho do modelo. Veja mais de perto algumas dessas métricas:

• Precisão: Mede a proporção de comprimidos detetados pelo modelo que estão corretos.
• Revocação: Indica a proporção dos comprimidos reais que o modelo identifica com sucesso.
• Precisão média (mAP): Esta métrica combina precisão e revocação em vários limiares de deteção para fornecer uma pontuação geral de desempenho.

Em conjunto, estas métricas oferecem uma visão abrangente da precisão com que o modelo deteta comprimidos em dados novos que ainda não viu.

Se o teu modelo não tiver o desempenho esperado, podes tentar treiná-lo durante mais épocas ou ajustar outros parâmetros de treino, como a taxa de aprendizagem, que controla o tamanho dos passos dados durante a otimização do modelo, ou o tamanho da imagem, para melhorar ainda mais o seu desempenho.

Executar inferências usando seu modelo Ultralytics YOLO11 treinado com dados personalizados#

Depois de treinar e avaliar o modelo Ultralytics YOLO11, o passo seguinte é testar o seu desempenho com imagens novas que ainda não viu. Isto ajuda a simular condições do mundo real, como a deteção de comprimidos com diferentes iluminações, disposições ou estilos de embalagem.

Para testar o modelo, baixamos uma imagem de exemplo do Pexels, um site gratuito de imagens de banco, e executamos uma previsão nela usando o modelo Ultralytics YOLO11 treinado de forma personalizada, como mostra o trecho de código abaixo.

Podes utilizar esta imagem de exemplo ou qualquer outra imagem relevante para avaliar o desempenho do modelo em cenários do mundo real.

results = model.predict("path/to/image.jpg", save=True, conf=0.3)

A opção save indica ao modelo que guarde a imagem de saída, e a definição de confiança garante que os resultados incluem apenas previsões com um nível de certeza de, pelo menos, 30 por cento.

Ao executar a previsão, uma mensagem indicará onde a imagem salva está localizada — por exemplo, "Results saved to runs/detect/predict."

A imagem de saída será semelhante à apresentada aqui, com os comprimidos detetados e realçados por caixas delimitadoras. As pontuações de confiança apresentadas indicam o nível de certeza de cada deteção.

Fig. 3. Deteção de comprimidos com o Ultralytics YOLO11.

Aplicações reais do Ultralytics YOLO11 na indústria farmacêutica#

Agora que explorámos como treinar o Ultralytics YOLO11 com o Medical Pills Dataset e executar inferências em imagens para detetar comprimidos, vamos analisar as aplicações reais do YOLO11 na indústria farmacêutica.

Triagem de comprimidos farmacêuticos com o Ultralytics YOLO11#

A deteção automatizada de comprimidos com o Ultralytics YOLO11 pode ser aplicada à triagem farmacêutica. A triagem manual é muitas vezes lenta, repetitiva e propensa a erros que podem comprometer a segurança dos medicamentos e a conformidade.

Com um modelo Ultralytics YOLO11 ajustado, podemos detetar e separar comprimidos com precisão, 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-se uma ferramenta valiosa nas operações farmacêuticas.

Fig. 4. Deteção de comprimidos com a ajuda do YOLO11.

Monitorização do inventário com a ajuda do Ultralytics YOLO11#

Ter os medicamentos certos em stock no momento certo é mais do que uma tarefa logística — pode afetar os cuidados prestados aos pacientes e os custos. A falta de um comprimido essencial pode atrasar o tratamento, enquanto o excesso de stock pode resultar em medicamentos fora de prazo e desperdício de inventário. Dada a variedade de comprimidos e embalagens na indústria farmacêutica, os sistemas automatizados de gestão de inventário podem permitir registos mais precisos.

Os sistemas inteligentes de gestão de inventário podem utilizar modelos de visão computacional como o Ultralytics YOLO11 para monitorizar os níveis de stock em tempo real. O modelo pode analisar prateleiras e áreas de embalagem, utilizando imagens ou vídeo, para detetar e contar comprimidos. À medida que os níveis de stock mudam, quer sejam adicionados, removidos ou deslocados artigos, o sistema pode atualizar a contagem automaticamente.

Controlo de qualidade farmacêutica com o Ultralytics YOLO11#

Na produção farmacêutica, o controlo de qualidade é essencial para garantir que cada comprimido é seguro e eficaz. Mesmo defeitos menores, como uma fissura, uma forma irregular ou uma ligeira variação de cor, podem causar erros de dosagem ou levar à recolha de produtos.

O Ultralytics YOLO11 pode ajudar a detectar automaticamente comprimidos que não atendem aos padrões de qualidade. O modelo aprende características visuais e usa caixas delimitadoras para sinalizar problemas como lascas, inscrições apagadas ou descoloração em tempo real. Isso permite remover comprimidos defeituosos mais cedo, reduzindo o desperdício e ajudando a garantir que apenas medicamentos com qualidade assegurada cheguem aos pacientes.

Além disso, o Ultralytics YOLO11 pode ser utilizado para detetar e contar os comprimidos durante a inspeção, permitindo um acompanhamento preciso e a monitorização da qualidade.

Fig. 5. O Ultralytics YOLO11 pode ser utilizado para detetar e contar cápsulas.

Vantagens e desvantagens da utilização de IA de visão para a deteção de comprimidos#

Agora que exploramos como a IA visual pode ser aplicada no setor farmacêutico, vamos dar uma olhada rápida em alguns dos principais benefícios do uso da visão computacional nesse setor:

• Manutenção preditiva: O Ultralytics YOLO11 pode ser utilizado para detetar sinais precoces de desgaste das máquinas, identificando inconsistências nos comprimidos ou nas embalagens. Ajuda a planear reparações atempadas e evita paragens não planeadas da produção.
• Utilização escalável do modelo: O modelo pode ser ajustado com vários conjuntos de dados para diferentes comprimidos e embalagens. Permite escalar as inspeções de forma económica à medida que as operações crescem.
• Monitorização remota: Permite realizar controlos de qualidade em tempo real quando integrado com sistemas na nuvem e dispositivos de edge, sendo ideal para gerir dispensários em zonas rurais, unidades automatizadas e serviços de farmácia remotos.

Embora a implementação da IA de visão na indústria farmacêutica ofereça muitas vantagens, há também alguns aspetos a ter em conta ao utilizar estas tecnologias:

• Integração operacional: A integração de sistemas de IA nos fluxos de trabalho existentes pode exigir ajustes, formação e verificações de compatibilidade com a infraestrutura atual.
• Conformidade regulatória: Os sistemas automatizados devem cumprir normas regulatórias rigorosas para garantir a segurança dos pacientes e a qualidade consistente dos produtos.
• Gestão de erros: Até os modelos avançados podem gerar falsos positivos ou falsos negativos. É importante implementar processos para gerir e corrigir estes erros.

O futuro dos fluxos de trabalho farmacêuticos com IA#

No futuro, é provável que a IA desempenhe um papel mais importante na realização de ensaios clínicos mais rápidos, inteligentes e económicos. Pode ajudar a conceber melhores protocolos de ensaio, escolher os grupos certos de pacientes e monitorizar os dados em tempo real.

Isto pode permitir que os investigadores respondam aos problemas à medida que surgem, em vez de o fazerem depois. A IA também pode acelerar o processo de aprovação, reduzindo a documentação manual e automatizando as verificações de rotina. No geral, a integração da IA nos fluxos de trabalho farmacêuticos pode reduzir os atrasos e acelerar o acesso a novos tratamentos.

Principais conclusões#

Treinar o Ultralytics YOLO11 com o Medical Pills Dataset demonstra a rapidez e a eficácia com que o modelo se pode adaptar a tarefas farmacêuticas. Mesmo com um conjunto de dados pequeno, consegue detetar comprimidos com precisão, sendo útil em tarefas como a triagem, o controlo de qualidade e o acompanhamento do inventário.

À medida que os conjuntos de dados aumentam e os modelos melhoram, o potencial da IA de visão na indústria farmacêutica vai muito além da logística. Esta tecnologia também pode apoiar ensaios clínicos, ajudando a identificar e acompanhar comprimidos de forma consistente e auxiliando os investigadores na realização segura de testes com novas combinações de medicamentos.

Explore nosso repositório do GitHub para saber mais e fazer parte da nossa crescente comunidade. Descubra inovações em vários setores, desde a IA na agricultura até a visão computacional na saúde. Confira nossas opções de licenciamento e comece hoje mesmo seus projetos de IA visual.