В этом учебнике по кодированию ты узнаешь, как обнаруживать таблетки с помощью YOLO11 на основе набора данных Medical-Pills Dataset. Кроме того, изучи его потенциальное применение и преимущества.
Искусственный интеллект используется практически в каждой отрасли, но его влияние на здравоохранение, особенно на фармацевтику, особенно существенно. В этом году ИИ на фармацевтическом рынке оценивается в 1,94 миллиарда долларов, и ожидается, что к 2034 году он вырастет до 16,49 миллиарда долларов.
Ключевым технологическим драйвером этого рынка является компьютерное зрение. В отличие от традиционной обработки изображений, компьютерное зрение - это подобласть ИИ, которая позволяет машинам понимать и анализировать визуальные данные в реальном времени.
В фармацевтической промышленности, где даже самая маленькая ошибка может привести к серьезным последствиям, Vision AI предлагает новые и надежные способы повышения безопасности и точности.
Например, Ultralytics YOLO11 это модель компьютерного зрения, разработанная для задач реального времени, таких как обнаружение объектов и сегментация экземпляров, и она может использоваться в таких приложениях, как идентификация таблеток или обнаружение дефектов в медицинской упаковке.
В этой статье мы расскажем о том, как приступить к практической работе с Vision AI, обучив YOLO11 обнаруживать таблетки. Также мы изучим его реальные применения. Давай приступим!
Прежде чем мы погрузимся в то, как YOLO11 можно обучить обнаруживать таблетки, давай сделаем шаг назад и поймем, что значит обучить модель и какова роль набора данных.
Обучение модели заключается в том, чтобы научить ее распознавать закономерности, показывая ей множество примеров. В данном случае набор данных - это коллекция изображений, где каждое изображение помечено, чтобы указать, где находятся таблетки. Этот процесс помогает модели обучаться на этих примерах, чтобы в дальнейшем она могла определять таблетки на новых изображениях.
ПакетUltralytics Python делает этот процесс еще проще, поддерживая широкий спектр наборов данных в упрощенном формате файлов YOLO . Они обеспечивают беспроблемный доступ к популярным наборам данных и обеспечивают поддержку таких приложений, как обнаружение таблеток.
Например, Medical Pills Dataset - это специальная коллекция доказательств, призванная продемонстрировать, как обнаружение объектов может улучшить фармацевтические рабочие процессы благодаря таким задачам, как контроль качества, сортировка и обнаружение подделок.
Еще один фактор, который нужно учесть, прежде чем ты начнешь обучение с пакетом Ultralytics Python , - это выбор подходящей среды разработки. Вот три популярных варианта:
Существуют и другие варианты настройки, которые ты можешь изучить в официальной документации Ultralytics , но три вышеупомянутых просты в настройке и использовании, что делает их отличным выбором для быстрого начала работы.
В этом руководстве мы сосредоточимся на том, как настроить и обучить YOLO11 с помощью Google Colab, Jupyter Notebooks или базового скрипта на Python , так как процесс довольно похож в каждой из этих сред.
Кроме того, этот туториал очень похож на тот, который мы ранее рассматривали по обнаружению дикой природы с помощью YOLO11. Если тебя интересуют более подробные сведения о каком-либо из шагов этого туториала по кодингу, ты можешь ознакомиться с ним.
Набор данных Medical Pills Dataset включает 92 тренировочных и 23 валидационных изображения, обеспечивая надежный сплит для построения и тестирования твоей модели. Обучающие изображения используются для обучения модели, а проверочные - для оценки того, насколько хорошо модель работает на новых, невидимых данных.
Каждое изображение в наборе данных помечено для одного класса - таблеток. Аннотации к границам четко обозначают местоположение каждой таблетки, что делает набор данных идеальным для таких целенаправленных задач, как обнаружение таблеток, без сложности работы с несколькими классами объектов.
Для поддержки обучения с помощью YOLO11 Ultralytics предоставляет конфигурационный файл YAML, который определяет ключевые параметры, такие как пути к файлам, имена классов и метаданные, необходимые для обучения модели. Независимо от того, дорабатываешь ли ты предварительно обученную модель или начинаешь с нуля, этот файл значительно упрощает процесс и помогает тебе быстро приступить к работе.
Для начала мы создадим среду для обучения и тестирования модели. Ты можешь использовать Google Colab, Jupyter Notebooks или простой Python , исходя из своих предпочтений. Просто создай новый блокнот или Python в выбранной тобой среде.
Затем мы можем настроить наше окружение и установить пакет Ultralytics Python с помощью команды, показанной ниже. Если ты используешь среду на основе блокнотаGoogle Colab или Jupyter), выполни следующую команду с восклицательным знаком (!) в начале.
RU
EN
ZH
KO
JA
DE
FR
ES
PT
IT
AR
TR
VI
pip install ultralytics
После установки следующим шагом будет загрузка и обучение YOLO11 с использованием набора данных Medical Pills. Поскольку этот набор данных поддерживается пакетом Ultralytics Python , процесс прост.
Во-первых, мы можем импортировать класс YOLO из пакета Ultralytics . Затем мы можем загрузить предварительно обученную модель YOLO11 из файла "yolo11n.pt", который рекомендуется использовать, потому что это наномодель и она легкая.
Наконец, мы можем начать процесс обучения, указав модели на конфигурацию нашего набора данных (medical-pills.yaml) и установив количество эпох обучения (один полный проход по всему набору данных) равным 100, как показано ниже.
from ultralytics import YOLO
model = YOLO("yolo11n.pt")
results = model.train(data="medical-pills.yaml", epochs=100)
Обучение в течение нескольких эпох позволяет модели обучаться и улучшать свои показатели с каждым проходом. В подпапке "runs/train/" ты сможешь найти журналы и контрольные точки, сохраненные в папке "runs/train/", которые ты можешь использовать для отслеживания прогресса и анализа работы модели.
После завершения обучения настраиваемая модель YOLO11 должна уметь точно определять таблетки. Окончательные веса обученной модели ты можешь найти в подпапке "runs/detect/train/weights/" под именем "best.pt".
Чтобы оценить, насколько хорошо модель научилась обнаруживать таблетки, мы можем провести валидацию следующим образом:
metrics = model.val()
Этот процесс возвращает общие метрики обнаружения объектов, которые дают представление о производительности модели. Вот более подробный взгляд на некоторые из этих метрик:
Вместе эти метрики дают полное представление о том, насколько точно модель обнаруживает таблетки в новых, еще не просмотренных данных.
Если твоя модель работает не так хорошо, как ожидалось, ты можешь попробовать обучить ее на большее количество эпох или точно настроить другие параметры обучения, такие как скорость обучения, которая контролирует размер шагов, выполняемых при оптимизации модели, или размер изображения, чтобы еще больше улучшить ее работу.
После того как модель YOLO11 обучена и оценена, следующим шагом будет проверка того, насколько хорошо она работает на новых, невидимых изображениях. Это поможет смоделировать реальные условия, например, обнаружить таблетки при разном освещении, расположении или стиле упаковки.
Чтобы протестировать модель, мы загрузили образец изображения с Pexels, бесплатного сайта стоковых изображений, и проанализировали его или выполнили предсказание с помощью специально обученной модели YOLO11 , как показано в фрагменте кода ниже.
Ты можешь использовать этот пример изображения или любое другое подходящее изображение, чтобы оценить, насколько хорошо модель работает в реальных сценариях.
results = model.predict("path/to/image.jpg", save=True, conf=0.3)
Параметр save указывает модели сохранить выходное изображение, а параметр confidence следит за тем, чтобы в результаты включались только предсказания с уверенностью не менее 30 процентов.
Когда ты запустишь предсказание, на выходе появится сообщение о том, где находится сохраненное изображение - например, "Results saved to runs/detect/train".
Твоя выходная картинка будет похожа на ту, что показана здесь, с обнаруженными и выделенными с помощью ограничительных рамок таблетками. Отображаемые баллы уверенности указывают на степень достоверности каждого обнаружения.
Теперь, когда мы изучили, как обучать YOLO11 с помощью набора данных Medical-Pills Dataset и проводить умозаключения по изображениям для обнаружения таблеток, давай посмотрим на реальное применение YOLO11в фармацевтической промышленности.
Автоматизированное обнаружение таблеток с помощью YOLO11 можно применить для сортировки лекарств. Ручная сортировка часто бывает медленной, повторяющейся и склонной к ошибкам, которые могут поставить под угрозу безопасность лекарств и соответствие нормам.
Используя точно настроенную модель YOLO11 , мы можем точно обнаруживать и сортировать таблетки на основе таких визуальных атрибутов, как размер, форма и цвет. Такая автоматизация ускоряет процесс и помогает гарантировать, что продукция соответствует строгим стандартам качества, что делает ее ценным инструментом в фармацевтической деятельности.
Своевременный запас нужных лекарств - это не просто логистическая задача, он может повлиять на лечение пациентов и расходы. Нехватка критически важных таблеток может отсрочить лечение, а переизбыток может привести к просроченным лекарствам и напрасно потраченным запасам. Учитывая, что в фармацевтической промышленности существует множество типов таблеток и вариаций упаковки, автоматизированные системы инвентаризации могут обеспечить более точный учет.
Умные системы инвентаризации могут использовать модели компьютерного зрения, такие как Ultralytics YOLO11 , чтобы следить за уровнем запасов в режиме реального времени. Модель может сканировать полки и зоны упаковки, используя изображения или видео, чтобы обнаружить и подсчитать таблетки. При изменении уровня запасов, будь то добавление, удаление или перемещение товара, система может автоматически обновить подсчет.
В фармацевтическом производстве контроль качества крайне важен для того, чтобы убедиться, что каждая таблетка безопасна и эффективна. Даже незначительные дефекты, такие как трещина, неровная форма или небольшое изменение цвета, могут привести к ошибкам в дозировке или отзыву продукции.
YOLO11 может помочь, автоматически обнаруживая таблетки, которые не соответствуют стандартам качества. Модель может изучать визуальные особенности и использовать ограничительные рамки, чтобы в режиме реального времени отмечать такие проблемы, как сколы, выцветшие отпечатки или обесцвечивание. Это позволяет удалять бракованные таблетки на ранней стадии, сокращая количество отходов и гарантируя, что к пациентам попадут только качественные лекарства.
Вдобавок ко всему, YOLO11 можно использовать для обнаружения и подсчета таблеток по мере их проверки, что обеспечивает точное отслеживание при контроле качества.
Теперь, когда мы изучили, как ИИ зрения может применяться в фармацевтической промышленности. Давай вкратце рассмотрим некоторые ключевые преимущества использования компьютерного зрения в этом секторе:
Несмотря на то что внедрение Vision AI в фармацевтическую индустрию имеет множество преимуществ, при использовании таких технологий следует помнить и о некоторых соображениях:
В будущем ИИ, скорее всего, будет играть все большую роль в том, чтобы сделать клинические испытания быстрее, умнее и экономически эффективнее. Он поможет разрабатывать лучшие протоколы испытаний, выбирать правильные группы пациентов и отслеживать данные в режиме реального времени.
Это может позволить исследователям реагировать на проблемы по мере их возникновения, а не постфактум. ИИ также может ускорить процесс утверждения, сократив ручную бумажную работу и автоматизировав рутинные проверки. В целом интеграция ИИ в рабочие процессы фарминдустрии может привести к уменьшению задержек и ускорению доступа к новым методам лечения.
Обучение Ultralytics YOLO11 на наборе данных Medical Pills Dataset показывает, насколько быстро и эффективно модель может адаптироваться к фармацевтическим задачам. Даже при небольшом наборе данных она может точно определять таблетки, что делает ее полезной для таких вещей, как сортировка, контроль качества и отслеживание запасов.
По мере роста массивов данных и совершенствования моделей потенциал Vision AI в фармацевтике выходит за рамки логистики. Эта технология также может поддержать клинические испытания, помогая в последовательной идентификации и отслеживании таблеток, а также помогая исследователям безопасно тестировать новые комбинации лекарств.
Изучи наш репозиторий на GitHub, чтобы узнать больше и стать частью нашего растущего сообщества. Открой для себя передовые инновации в различных отраслях, от ИИ в сельском хозяйстве до компьютерного зрения в здравоохранении. Ознакомься с нашими вариантами лицензирования и запускай свои проекты Vision AI уже сегодня.
Начни свое путешествие с будущим машинного обучения