Um mergulho profundo na detecção de pílulas usando 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 substancial. Este ano, o mercado de AI in the pharmaceutical está avaliado em 1,94 mil milhões de dólares e espera-se que cresça para 16,49 mil milhões de dólares até 2034.

Um impulsionador tecnológico chave deste mercado é a computer vision. Ao contrário do processamento de imagem tradicional, a visão por computador é uma subcategoria 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 por computador concebido para tarefas em tempo real, como deteção de objetos e segmentação de instâncias, podendo ser utilizado em aplicações como a identificação de comprimidos ou a deteção de defeitos em embalagens médicas.

Neste artigo, vamos ver como colocar a mão na massa com IA de visão treinando o Ultralytics YOLO11 para detectar comprimidos. Também vamos explorar suas aplicações no mundo real. Vamos começar!

Construindo um modelo de IA para detecção de comprimidos#

Antes de mergulharmos em como o Ultralytics YOLO11 pode ser treinado para detectar comprimidos, vamos dar um passo atrás e entender 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. 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 Ultralytics Python package torna este processo ainda mais fácil ao suportar uma vasta gama de conjuntos de dados num formato de ficheiro YOLO otimizado. Oferecem acesso sem complicações a popular datasets e disponibilizam 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 object detection pode melhorar os fluxos de trabalho farmacêuticos através de tarefas como controlo de qualidade, triagem e deteção de contrafacção.

Escolhendo 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 podes explorar na official Ultralytics documentation, mas as três mencionadas acima são fáceis de configurar e utilizar, tornando-as excelentes escolhas para começar rapidamente.

Neste guia, vamos nos concentrar em como configurar e treinar o Ultralytics 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 abordamos anteriormente sobre a detecção de vida selvagem usando o Ultralytics YOLO11. Se tiver interesse em mais detalhes sobre qualquer uma das etapas deste tutorial de código, você pode conferi-lo.

Explorando 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 apoiar o treino com YOLO11, o Ultralytics fornece um YAML configuration file que define parâmetros chave como caminhos de ficheiros, nomes de classes e metadados necessários para o treino do modelo. Quer estejas a afinar um modelo pré-treinado ou a começar do zero, este ficheiro torna o processo muito mais simples e ajuda-te a começar rapidamente.

Treine um modelo Ultralytics YOLO no conjunto de dados de comprimidos#

Para começar, vamos configurar um ambiente para training e teste do modelo. Podes escolher usar o Google Colab, Jupyter Notebooks ou um ficheiro Python simples, conforme a tua preferência. Basta criar um novo bloco de notas ou ficheiro Python no ambiente que escolheres.

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.

Entendendo 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”.

Avaliando o Ultralytics 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 devolve métricas comuns de deteção de objetos, que fornecem informações sobre o model's performance. Aqui tens uma análise mais detalhada de algumas destas 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 teu modelo não tiver o desempenho esperado, podes tentar treiná-lo por mais épocas ou afinar outros training parameters, tais 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.

A executar inferências com o teu modelo Ultralytics YOLO11 treinado à medida#

Uma vez que o modelo Ultralytics YOLO11 esteja treinado e avaliado, o próximo passo é testar seu desempenho em imagens novas e não vistas. Isso ajuda a simular condições do mundo real, como detectar comprimidos em diferentes iluminações, arranjos ou estilos de embalagem.

Para testar o modelo, baixamos uma imagem de exemplo do Pexels, um site gratuito de banco de imagens, e analisamos a imagem ou executamos uma predição usando o modelo Ultralytics YOLO11 treinado de forma personalizada, 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 pílulas usando o Ultralytics YOLO11.

Aplicações do mundo real do uso do Ultralytics YOLO11 na indústria farmacêutica#

Agora que explorámos como treinar o Ultralytics YOLO11 utilizando o Medical-Pills Dataset e executar inferências em imagens para deteção de comprimidos, vamos dar uma vista de olhos às aplicações do mundo real do YOLO11 na indústria farmacêutica.

Classificação de pílulas farmacêuticas com o Ultralytics YOLO11#

A detecção automatizada de comprimidos com o Ultralytics 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 Ultralytics YOLO11 ajustado, podemos detectar e separar com precisão comprimidos com base em atributos visuais como tamanho, formato e cor. Essa automação acelera o processo e ajuda a garantir que os produtos atendam a rigorosos padrões de qualidade, tornando-se uma ferramenta valiosa em operações farmacêuticas.

Fig 4. Detetar comprimidos com a ajuda do YOLO11.

Monitorando o inventário com a ajuda do Ultralytics 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.

Os inventory systems 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 detetar 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.

Controle de qualidade farmacêutica impulsionado pelo Ultralytics YOLO11#

Na pharmaceutical production, o controlo de qualidade é crucial para garantir que cada comprimido é seguro e eficaz. Mesmo defeitos menores, como uma rachadela, uma forma irregular ou uma ligeira variação de cor, podem levar a erros de dosagem ou a recolhas de produtos.

O Ultralytics 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 Ultralytics YOLO11 pode ser usado para detectar e contar os comprimidos à medida que são inspecionados, permitindo um rastreamento preciso enquanto a qualidade é monitorada.

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

Prós 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 Ultralytics YOLO11 pode ser usado para detectar sinais precoces de desgaste de máquinas, identificando inconsistências em comprimidos ou embalagens. Ele ajuda a programar reparos oportunos e evita paradas não planejadas na produção.
• 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.
• Regulatory compliance: Os sistemas automatizados devem cumprir normas regulamentares rigorosas para garantir a segurança do paciente e uma qualidade de produto consistente.
• 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.

O caminho a seguir para fluxos de trabalho farmacêuticos com IA#

No futuro, a IA provavelmente desempenhará um papel mais importante em tornar os clinical trials mais rápidos, inteligentes e económicos. Pode ajudar a desenhar melhores protocolos de ensaio, escolher os grupos de pacientes certos e monitorizar 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.

Principais 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.

Explora o nosso GitHub repository para saberes mais e fazeres parte da nossa crescente community. Descobre inovações de ponta em vários setores, desde AI in agriculture até computer vision in healthcare. Consulta as nossas licensing options e lança os teus projetos de IA de visão hoje mesmo.