Uma análise aprofundada da deteção de comprimidos com o Ultralytics YOLO11

A inteligência artificial está a ser utilizada em quase todos os setores, mas a sua influência nos cuidados de saúde, especialmente na indústria farmacêutica, é particularmente significativa. Este ano, o mercado de IA na indústria farmacêutica está avaliado em 1,94 mil milhões de dólares e prevê-se que cresça para 16,49 mil milhões de dólares 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 mais pequeno erro pode ter consequências graves, a IA de visão oferece formas novas e fiáveis de melhorar a segurança e a precisão.

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

Neste artigo, vamos explicar como trabalhar diretamente com IA de visão, treinando o Ultralytics YOLO11 para detetar comprimidos. Também vamos explorar as suas aplicações no mundo real. Vamos começar!

Criar um modelo de IA para deteção de comprimidos#

Antes de explorarmos como o Ultralytics YOLO11 pode ser treinado para detetar comprimidos, vamos recuar um pouco e compreender o que significa treinar um modelo e qual é 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 em que cada imagem está anotada para indicar onde se encontram os comprimidos. Este processo ajuda o modelo a aprender com esses exemplos, para que mais tarde consiga identificar comprimidos em novas imagens.

O pacote Python da Ultralytics torna este processo ainda mais fácil ao suportar uma vasta gama de conjuntos de dados num formato de ficheiro YOLO simplificado. O pacote oferece acesso fácil a conjuntos de dados populares e suporte para aplicações como a deteção de comprimidos.

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

Escolher um ambiente de desenvolvimento#

Outro fator a considerar antes de começares a treinar com o pacote Python da Ultralytics é escolher o ambiente de desenvolvimento adequado. Eis 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 baseada na nuvem que funciona como o Jupyter Notebooks, mas com a vantagem adicional de oferecer acesso gratuito a GPU, para não teres de configurar nada localmente.

Existem outras opções de configuração que podes explorar na documentação oficial da Ultralytics, mas as três mencionadas acima são fáceis de configurar e utilizar, sendo excelentes opções para começares rapidamente.

Neste guia, vamos concentrar-nos em como configurar e treinar o Ultralytics YOLO11 utilizando o Google Colab, o 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 com o Ultralytics YOLO11. Se quiseres obter mais detalhes sobre algum dos passos deste tutorial de programação, podes consultá-lo.

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 utilizadas para ensinar o modelo, enquanto as imagens de validação ajudam a avaliar o desempenho do modelo em dados novos e não vistos.

Cada imagem do conjunto de dados está anotada para uma única classe: comprimidos. As anotações das caixas delimitadoras marcam claramente a localização de cada comprimido, tornando o conjunto de dados ideal para tarefas focadas, 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 o YOLO11, a Ultralytics fornece um ficheiro de configuração YAML que define parâmetros essenciais, como caminhos de ficheiros, nomes de classes e metadados necessários para o treino do 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 YOLO da Ultralytics no conjunto de dados de comprimidos#

Para começar, vamos configurar um ambiente para o treino e os testes do 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 escolhido.

De seguida, podemos configurar o ambiente e instalar o pacote Python da Ultralytics utilizando o comando apresentado 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 de instalado, o passo seguinte é transferir e treinar o YOLO11 utilizando o Medical Pills Dataset. Como o conjunto de dados é suportado pelo pacote Python da Ultralytics, o processo é simples.

Compreender o processo de treino do modelo#

Primeiro, podemos importar a classe YOLO do pacote da Ultralytics. De seguida, podemos carregar um modelo YOLO11 pré-treinado a partir do ficheiro “yolo11n.pt”, que é recomendado por ser um modelo nano e leve.

Por fim, podemos iniciar o processo de 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 durante várias épocas permite ao modelo aprender e melhorar o seu desempenho a cada passagem. Poderás encontrar os registos e os checkpoints guardados na subpasta “runs/train/”, que podes utilizar para acompanhar o progresso e analisar o desempenho do modelo.

Depois de concluído o treino, o modelo YOLO11 personalizado deverá conseguir identificar comprimidos com precisão. Podes encontrar os pesos finais 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 o desempenho do modelo na aprendizagem da deteção de comprimidos, podemos executar a validação da seguinte forma:

metrics = model.val()

Este processo devolve métricas comuns de deteção de objetos, que fornecem informações sobre o desempenho do modelo. Eis uma análise mais detalhada de algumas dessas métricas:

• Precisão: Mede a proporção de comprimidos detetados pelo modelo que estão corretos.
• Revocação: Indica a proporção de comprimidos reais que o modelo identifica com sucesso.
• Precisão média (mAP): Esta métrica combina a precisão e a 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 e não vistos.

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 desempenho.

Executar inferências utilizando o teu modelo Ultralytics YOLO11 treinado à medida#

Depois de o modelo Ultralytics 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, como a deteção de comprimidos com diferentes iluminações, disposições ou estilos de embalagem.

Para testar o modelo, transferimos uma imagem de exemplo do Pexels, um site de imagens de stock gratuitas, e analisámos a imagem ou executámos uma previsão utilizando o modelo Ultralytics YOLO11 treinado à medida, conforme apresentado no excerto 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 deve guardar a imagem de saída, e a definição confidence garante que apenas as previsões com pelo menos 30 por cento de certeza são incluídas nos resultados.

Quando executares a previsão, o resultado apresentará uma mensagem a indicar onde a imagem guardada está localizada — por exemplo, "Results saved to runs/detect/train."

A imagem de saída será semelhante à apresentada aqui, com os comprimidos detetados e destacados através de 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 do Ultralytics YOLO11 no mundo real na indústria farmacêutica#

Agora que explorámos como treinar o Ultralytics YOLO11 utilizando o Medical-Pills Dataset e executar inferências em imagens para a deteção de 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 frequentemente lenta, repetitiva e propensa a erros que podem comprometer a segurança e a conformidade dos medicamentos.

Ao utilizar 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-a uma ferramenta valiosa nas operações farmacêuticas.

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

Monitorizar o inventário com a ajuda do Ultralytics YOLO11#

Manter os medicamentos certos em stock e disponibilizá-los atempadamente é mais do que uma simples tarefa logística — pode afetar os cuidados prestados aos doentes e os custos. A escassez de um comprimido essencial pode atrasar o tratamento, enquanto o excesso de stock pode resultar em medicamentos expirados e desperdício de inventário. Com numerosos tipos de comprimidos e variações de embalagens na indústria farmacêutica, os sistemas automatizados de inventário podem permitir registos mais precisos.

Os sistemas de inventário inteligentes 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 através de imagens ou vídeo para detetar e contar comprimidos. À medida que os níveis de stock mudam, quer os artigos sejam adicionados, removidos ou deslocados, o sistema pode atualizar automaticamente a contagem.

Controlo de qualidade farmacêutico com o Ultralytics YOLO11#

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

O Ultralytics YOLO11 pode ajudar ao detetar automaticamente comprimidos que não cumprem as normas de qualidade. O modelo pode aprender características visuais e utilizar caixas delimitadoras para assinalar problemas como lascas, inscrições desvanecidas ou descoloração em tempo real. Isto permite remover antecipadamente os comprimidos defeituosos, reduzindo o desperdício e garantindo que apenas medicamentos com qualidade assegurada chegam aos doentes.

Além disso, o Ultralytics YOLO11 pode ser utilizado para detetar e contar os comprimidos durante a inspeção, permitindo um acompanhamento preciso durante 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 na deteção de comprimidos#

Agora que explorámos como a IA de visão pode ser aplicada na indústria farmacêutica, vejamos rapidamente algumas das principais vantagens da utilização da visão computacional neste 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 programar reparações atempadas e evita períodos de inatividade da produção não planeados.
• Utilização escalável do modelo: O modelo pode ser ajustado com vários conjuntos de dados para diferentes comprimidos e embalagens. Isto torna a inspeção escalável e económica à medida que as operações crescem.
• Monitorização remota: Permite verificações de qualidade em tempo real quando integrado com sistemas na nuvem e dispositivos edge, sendo ideal para gerir dispensadores em zonas rurais, unidades automatizadas e configurações remotas de telefarmácia.

Embora a implementação de IA de visão na indústria farmacêutica ofereça muitas vantagens, também há 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 regulamentar: Os sistemas automatizados devem cumprir normas regulamentares rigorosas para garantir a segurança dos doentes e uma qualidade consistente dos produtos.
• Gestão de erros: Mesmo os modelos avançados podem produzir falsos positivos ou falsos negativos. É importante ter processos implementados para lidar com estes erros e corrigi-los.

O futuro dos fluxos de trabalho farmacêuticos com IA#

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

Isto poderá permitir aos investigadores responder aos problemas à medida que surgem, em vez de o fazerem posteriormente. A IA também pode acelerar o processo de aprovação, reduzindo o trabalho administrativo manual e automatizando verificações de rotina. De modo geral, a integração da IA nos fluxos de trabalho farmacêuticos pode resultar em menos atrasos e num acesso mais rápido a novos tratamentos.

Principais conclusões#

Treinar o Ultralytics YOLO11 no 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 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 IA de visão na indústria farmacêutica vai além da logística. Esta tecnologia também poderá apoiar ensaios clínicos, ajudando na identificação e no acompanhamento consistentes de comprimidos, bem como auxiliando os investigadores a testar com segurança novas combinações de medicamentos.

Explora o nosso repositório do GitHub para saberes mais e fazeres parte da nossa comunidade em crescimento. Descobre inovações de ponta em vários setores, desde a IA na agricultura à visão computacional nos cuidados de saúde. Consulta as nossas opções de licenciamento e lança hoje os teus projetos de IA de visão.