24 de abril de 2025
Neste tutorial de programação, aprenda como detectar pílulas usando YOLO11 com o conjunto de dados Medical-Pills. Além disso, explore 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, o Ultralytics YOLO11 é um modelo de visão computacional projetado para tarefas em tempo real, como detecção de objetos e segmentação de instâncias, e pode ser usado para aplicações como identificação de pílulas ou detecção de defeitos em embalagens de medicamentos.
Neste artigo, vamos mostrar como usar a Visão de IA na prática, treinando o YOLO11 para detectar pílulas. Também exploraremos suas aplicações no mundo real. Vamos começar!
Antes de nos aprofundarmos em como o YOLO11 pode ser treinado para detectar pílulas, vamos dar um passo atrás e entender o que significa treinar um modelo e qual 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 pacote Ultralytics Python torna este processo ainda mais fácil, suportando uma ampla gama de conjuntos de dados em um formato de arquivo YOLO simplificado. Eles oferecem acesso descomplicado a conjuntos de dados populares e fornecem suporte para aplicações como a detecção de pílulas.
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 começar a treinar com o pacote Ultralytics Python é escolher o ambiente de desenvolvimento certo. Aqui estão três opções populares:
Existem outras opções de configuração que você pode explorar na documentação oficial do Ultralytics, mas as três mencionadas acima são fáceis de configurar e usar, tornando-as ótimas opções para começar rapidamente.
Neste guia, vamos nos concentrar em como configurar e treinar o YOLO11 usando o Google Colab, Jupyter Notebooks ou um script Python básico, pois o processo é bastante semelhante em cada um desses ambientes.
Além disso, este tutorial é bastante semelhante ao que abordamos anteriormente sobre a detecção de vida selvagem usando o YOLO11. Se você estiver interessado em mais detalhes sobre qualquer uma das etapas deste tutorial de codificação, pode conferi-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 suportar o treinamento com YOLO11, a Ultralytics fornece um arquivo de configuração YAML que define parâmetros-chave como caminhos de arquivos, nomes de classes e metadados necessários para o treinamento do modelo. Quer você esteja ajustando um modelo pré-treinado ou começando do zero, este arquivo torna o processo muito mais simples e ajuda você a começar rapidamente.
Para começar, vamos configurar um ambiente para treinar e testar o modelo. Você pode optar por usar o Google Colab, Jupyter Notebooks ou um simples arquivo Python, de acordo com sua preferência. Basta criar um novo notebook ou arquivo Python no ambiente que escolher.
Em seguida, podemos configurar nosso ambiente e instalar o pacote Python Ultralytics usando o comando mostrado abaixo. Se você estiver usando um ambiente baseado em notebook (Google Colab ou Jupyter), execute o seguinte comando com um ponto de exclamação (!) no início.
pip install ultralyticsUma vez instalado, o próximo passo é baixar e treinar o YOLO11 usando o conjunto de dados Medical Pills. Como o conjunto de dados é suportado pelo pacote Python Ultralytics, o processo é simples.
Primeiro, podemos importar a classe YOLO do pacote Ultralytics. Em seguida, podemos carregar um modelo YOLO11 pré-treinado do arquivo “yolo11n.pt”, o que é recomendado porque é um modelo nano e leve.
Finalmente, podemos iniciar o processo de treinamento direcionando o modelo para nossa configuração de conjunto de dados (medical-pills.yaml) e definindo o número de épocas de treinamento (uma passagem completa por todo o conjunto de dados) para 100, conforme 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 treinamento, o modelo YOLO11 treinado sob medida deve ser capaz de identificar pílulas com precisão. Você pode procurar os pesos do modelo treinado final na subpasta “runs/detect/train/weights/” sob o nome “best.pt”.
Para avaliar o quão bem o modelo aprendeu a detectar pílulas, podemos executar 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 que o modelo YOLO11 é treinado e avaliado, o próximo passo é testar o quão bem ele se comporta em imagens novas e não vistas. Isso ajuda a simular condições do mundo real, como detectar pílulas em diferentes iluminações, arranjos ou estilos de embalagem.
Para testar o modelo, baixamos uma imagem de amostra do Pexels, um site de imagens de estoque gratuitas, e analisamos a imagem ou executamos uma previsão usando o modelo YOLO11 treinado sob medida, conforme mostrado no trecho 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 você executa a previsão, a saída exibirá uma mensagem informando onde a imagem salva está localizada - por exemplo, "Resultados salvos em runs/detect/train."
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 exploramos como treinar o YOLO11 usando o conjunto de dados Medical-Pills e executar inferências em imagens para detecção de pílulas, vamos dar uma olhada nas aplicações do YOLO11 no mundo real na indústria farmacêutica.
A detecção automatizada de pílulas com YOLO11 pode ser aplicada à separação farmacêutica. A separação manual é frequentemente lenta, repetitiva e propensa a erros que podem comprometer a segurança e a conformidade dos medicamentos.
Ao usar um modelo YOLO11 ajustado, podemos detectar e separar pílulas com precisão com base em atributos visuais como tamanho, forma e cor. Essa automação acelera o processo e ajuda a garantir que os produtos atendam a padrões de qualidade rigorosos, tornando-o 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 estoque inteligentes podem usar modelos de visão computacional como o Ultralytics YOLO11 para monitorar os níveis de estoque em tempo real. O modelo pode escanear prateleiras e áreas de embalagem usando imagens ou vídeo para detectar e contar pílulas. À medida que os níveis de estoque mudam, seja com a adição, remoção ou movimentação de itens, 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.
O YOLO11 pode ajudar detectando automaticamente pílulas que não atendem aos padrões de qualidade. O modelo pode aprender características visuais e usa caixas delimitadoras para sinalizar problemas como lascas, impressões desbotadas ou descoloração em tempo real. Isso permite a remoção precoce de pílulas defeituosas, reduzindo o desperdício e garantindo que apenas medicamentos com garantia de qualidade cheguem aos pacientes.
Além disso, o YOLO11 pode ser usado para detectar e contar as pílulas à medida que são inspecionadas, para um rastreamento preciso durante o monitoramento da 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 treinamento do Ultralytics YOLO11 no conjunto de dados Medical Pills demonstra a rapidez e eficácia com que o modelo consegue se adaptar a tarefas farmacêuticas. Mesmo com um conjunto de dados pequeno, ele consegue detectar pílulas com precisão, tornando-o útil para atividades como triagem, controle de qualidade e rastreamento de estoque.
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.
