Um mergulho profundo na detecção de pílulas usando Ultralytics YOLO11

A inteligência artificial está sendo utilizada em quase todos os setores, mas sua influência na área da saúde, especialmente na indústria farmacêutica, é particularmente significativa. Este ano, o mercado de IA na indústria farmacêutica está avaliado em 1,94 bilhão de dólares, e espera-se que cresça para 16,49 bilhões de dólares até 2034.

Um dos principais impulsionadores tecnológicos deste mercado é a visão computacional. Ao contrário do processamento de imagem tradicional, 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 visão computacional com IA oferece formas novas e confiáveis 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 utilizado para aplicações como a identificação de comprimidos ou a detecção de defeitos em embalagens médicas.

Neste artigo, veremos como colocar a mão na massa com visão computacional com IA ao treinar o YOLO11 para detectar comprimidos. Também exploraremos suas aplicações no mundo real. Vamos começar!

Link to this sectionConstruindo um modelo de IA para detecção de comprimidos#

Antes de mergulharmos em como o YOLO11 pode ser treinado para detectar comprimidos, vamos dar um passo atrás e entender 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. Nesse caso, um conjunto de dados é uma coleção de imagens em que cada imagem é rotulada para indicar onde os comprimidos estão localizados. Esse processo ajuda o modelo a aprender com esses exemplos para que ele possa, posteriormente, identificar comprimidos em novas imagens.

O pacote Python da Ultralytics torna esse processo ainda mais fácil ao oferecer suporte a 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 detecção de comprimidos.

Por exemplo, o Medical Pills Dataset é uma coleção dedicada de prova de conceito projetada para mostrar como a detecção de objetos pode melhorar fluxos de trabalho farmacêuticos por meio de tarefas como controle de qualidade, triagem e detecção de falsificações.

Link to this sectionEscolhendo um ambiente de desenvolvimento#

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

• Interface de linha de comando (CLI): A CLI ou terminal é uma ferramenta simples baseada em texto onde você pode digitar comandos para executar seu código e interagir com seu computador.
• Jupyter Notebooks: Este é um ambiente mais interativo onde você pode escrever e executar código em pequenos blocos (células), facilitando o teste e a depuração durante o processo.
• Google Colab: Uma opção baseada em nuvem que funciona como o Jupyter Notebooks, mas com o benefício adicional de acesso gratuito a GPU, para que você não precise se preocupar em configurar nada localmente.

Existem outras opções de configuração que você pode explorar na documentação oficial da Ultralytics, mas as três mencionadas acima são fáceis de configurar e usar, tornando-as ótimas escolhas para começar rapidamente.

Neste guia, nos concentraremos em como configurar e treinar o YOLO11 usando o Google Colab, Jupyter Notebooks ou um script Python básico, já que o processo é bastante semelhante em cada um desses ambientes.

Além disso, este tutorial é bastante semelhante ao que cobrimos anteriormente sobre a detecção de vida selvagem usando o YOLO11. Se você tiver interesse em mais detalhes sobre qualquer uma das etapas deste tutorial de codificação, você pode conferi-lo.

Link to this sectionExplorando um conjunto de dados para detecção de comprimidos em tempo real com YOLO#

O Medical Pills Dataset inclui 92 imagens de treinamento e 23 imagens de validação, oferecendo uma divisão sólida tanto para a criação quanto para o teste do 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: comprimidos. As anotações de caixa delimitadora (BBox) marcam claramente a localização de cada comprimido, tornando o conjunto de dados ideal para tarefas focadas como a detecção de comprimidos, sem a complexidade de lidar com múltiplas classes de objetos.

Fig 2. Um vislumbre do Medical Pills Dataset.

Para oferecer suporte ao treinamento com o YOLO11, a Ultralytics fornece um arquivo de configuração YAML que define parâmetros principais, como caminhos de arquivo, nomes de classes e metadados necessários para o treinamento do modelo. Seja fazendo o ajuste fino de um modelo pré-treinado ou começando do zero, esse arquivo torna o processo muito mais simples e ajuda você a começar rapidamente.

Link to this sectionTreine um modelo Ultralytics YOLO no conjunto de dados de comprimidos#

Para começar, configuraremos um ambiente para treinamento e teste do modelo. Você pode optar por usar o Google Colab, Jupyter Notebooks ou um arquivo Python simples, conforme sua preferência. Basta criar um novo notebook ou arquivo Python no ambiente que você escolher.

Em seguida, podemos configurar nosso ambiente e instalar o pacote Python da Ultralytics usando o comando mostrado abaixo. Se você estiver usando um ambiente baseado em notebook (Google Colab ou Jupyter), execute o comando a seguir com um ponto de exclamação (!) no início.

pip install ultralytics

Uma vez instalado, o próximo passo é baixar e treinar o YOLO11 usando o Medical Pills Dataset. Como o conjunto de dados é compatível com o pacote Python da Ultralytics, o processo é simples.

Link to this sectionEntendendo o processo de treinamento do modelo#

Primeiro, podemos importar a classe YOLO do pacote Ultralytics. Em seguida, podemos carregar um modelo YOLO11 pré-treinado a partir do arquivo “yolo11n.pt”, o que é recomendado porque é um modelo nano e leve.

Finalmente, podemos iniciar o processo de treinamento apontando 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 registros e pontos de verificação 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 comprimidos com precisão. Você pode procurar os pesos finais do modelo treinado na subpasta “runs/detect/train/weights/” com o nome “best.pt”.

Link to this sectionAvaliando o YOLO11 após o treinamento do modelo#

Para avaliar quão bem o modelo aprendeu a detectar comprimidos, 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:

• Precisão (Precision): Mede a proporção de comprimidos detectados pelo modelo que estão corretos.
• Recall: Indica a proporção de comprimidos reais que o modelo identifica com sucesso.
• Mean average precision (mAP): Esta métrica combina precisão e recall em vários limites de detecção para fornecer uma pontuação de desempenho geral.

Juntas, essas métricas oferecem uma visão abrangente de quão precisamente o modelo detecta comprimidos em dados novos e não vistos.

Se o seu modelo não apresentar 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 dos passos dados durante a otimização do modelo, ou o tamanho da imagem, para melhorar ainda mais seu desempenho.

Link to this sectionExecutar inferências usando o teu modelo YOLO11 treinado à medida#

Uma vez que o modelo YOLO11 seja treinado e avaliado, o próximo passo é testar quão bem ele se comporta em imagens novas e não vistas. Isso ajuda a simular condições do mundo real, como detectar comprimidos sob diferentes iluminações, arranjos ou estilos de embalagem.

Para testar o modelo, baixamos uma imagem de exemplo do Pexels, um site de imagens 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 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 instrui o modelo a armazenar a imagem de saída, e a configuração de confiança garante que apenas previsões com pelo menos 30 por cento de certeza sejam incluídas nos resultados.

Ao executar a previsão, a saída exibirá uma mensagem informando onde a imagem salva está localizada - por exemplo, "Results saved to runs/detect/train."

Sua imagem de saída será semelhante à mostrada aqui, com os comprimidos detectados e destacados usando caixas delimitadoras (BBox). As pontuações de confiança exibidas indicam o nível de certeza para cada detecção.

Fig 3. Detecção de comprimidos usando YOLO11.

Link to this sectionAplicações do mundo real do uso do YOLO11 na indústria farmacêutica#

Agora que exploramos como treinar o YOLO11 usando o Medical Pills Dataset e executar inferências em imagens para detecção de comprimidos, vamos dar uma olhada nas aplicações do mundo real do YOLO11 na indústria farmacêutica.

Link to this sectionTriagem farmacêutica de comprimidos com YOLO11#

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

Ao usar um modelo YOLO11 com ajuste fino, podemos detectar e classificar comprimidos 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 rigorosos padrões de qualidade, tornando-a uma ferramenta valiosa nas operações farmacêuticas.

Fig 4. Detectando comprimidos com a ajuda do YOLO11.

Link to this sectionMonitorando o inventário com a ajuda do YOLO11#

Estocar o medicamento correto no prazo é mais do que apenas uma tarefa logística - pode afetar o atendimento ao paciente e os custos. Ficar com pouco estoque de um comprimido crítico pode atrasar o tratamento, enquanto o excesso de estoque pode resultar em medicamentos vencidos e desperdício de inventário. Com inúmeros tipos de comprimidos e variações de embalagens na indústria farmacêutica, sistemas de inventário automatizados podem permitir registros mais precisos.

Sistemas de inventário 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 comprimidos. À medida que os níveis de estoque mudam, seja com itens adicionados, removidos ou movidos, o sistema pode atualizar a contagem automaticamente.

Link to this sectionControle de qualidade farmacêutico impulsionado pelo YOLO11#

Na produção farmacêutica, o controle de qualidade é crucial para garantir que cada comprimido seja seguro e eficaz. Mesmo pequenos defeitos, como uma rachadura, forma desigual ou leve variação de cor, podem levar a erros de dosagem ou recalls de produtos.

O YOLO11 pode ajudar detectando automaticamente comprimidos 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 comprimidos defeituosos, reduzindo o desperdício e garantindo que apenas medicamentos com qualidade assegurada cheguem aos pacientes.

Além disso, o YOLO11 pode ser usado para detectar e contar os comprimidos à medida que são inspecionados, para um rastreamento preciso enquanto se monitora a qualidade.

Fig 5. O YOLO11 pode ser usado para detectar e contar cápsulas.

Link to this sectionPrós e contras de usar visão computacional com IA para detecção de comprimidos#

Agora que exploramos como a visão computacional com IA pode ser aplicada na indústria farmacêutica, vamos dar uma olhada rápida em alguns dos principais benefícios do uso da visão computacional neste setor:

• Manutenção preditiva: O YOLO11 pode ser usado para detectar sinais precoces de desgaste das máquinas, identificando inconsistências em comprimidos ou embalagens. Isso ajuda a agendar reparos oportunos e evita paradas de produção não planejadas.
• Uso escalável do modelo: O modelo pode receber ajuste fino em diversos conjuntos de dados para diferentes comprimidos e embalagens. Isso torna a inspeção escalável e econômica à medida que as operações crescem.
• Monitoramento remoto: Permite verificações de qualidade em tempo real quando integrado a sistemas em nuvem e dispositivos de borda (edge), sendo ideal para gerenciar dispensadores rurais, unidades automatizadas e configurações de telefarmácia remota.

Embora existam muitos benefícios na implementação de visão computacional com IA na indústria farmacêutica, também existem algumas considerações a ter em mente ao usar tais tecnologias:

• Integração operacional: A integração de sistemas de IA nos fluxos de trabalho existentes pode exigir ajustes, treinamento e verificações de compatibilidade com a infraestrutura atual.
• Conformidade regulatória: Sistemas automatizados devem aderir a rigorosos padrões regulatórios para garantir a segurança do paciente e a qualidade consistente do produto.
• Gerenciamento de erros: Mesmo modelos avançados podem produzir falsos positivos ou negativos. É importante ter processos em vigor para lidar com esses erros e corrigi-los.

Link to this sectionO caminho a seguir para fluxos de trabalho farmacêuticos com IA#

No futuro, a IA provavelmente desempenhará um papel maior em tornar os ensaios clínicos mais rápidos, inteligentes e econômicos. Ela pode ajudar a projetar protocolos de ensaio melhores, escolher os grupos de pacientes certos e monitorar dados em tempo real.

Isso pode permitir que os pesquisadores respondam aos problemas conforme eles surgem, em vez de depois do fato. A IA também pode acelerar o processo de aprovação ao reduzir a papelada manual e automatizar verificações rotineiras. No geral, a integração da IA nos fluxos de trabalho farmacêuticos pode resultar em menos atrasos e acesso mais rápido a novos tratamentos.

Link to this sectionPrincipais pontos#

Treinar o Ultralytics YOLO11 no Medical Pills Dataset mostra quão rápida e eficazmente o modelo pode se adaptar às tarefas farmacêuticas. Mesmo com um pequeno conjunto de dados, ele pode detectar comprimidos com precisão, tornando-o útil para atividades como triagem, controle de qualidade e rastreamento de inventário.

À medida que os conjuntos de dados crescem e os modelos melhoram, o potencial da visão computacional com IA na indústria farmacêutica vai além da logística. Esta tecnologia também pode apoiar ensaios clínicos, ajudando na identificação e rastreamento consistentes de comprimidos, e auxiliando pesquisadores a testar combinações de novos medicamentos com segurança.

Explore nosso repositório no GitHub para saber mais e fazer parte da nossa comunidade em crescimento. 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 computacional com IA hoje mesmo.