24 апреля 2025 г.
В этом руководстве по кодированию вы узнаете, как обнаружить таблетки с помощью YOLO11 на базе данных Medical-Pills Dataset. Кроме того, вы узнаете о его потенциальном применении и преимуществах.
Искусственный интеллект используется практически во всех отраслях, но его влияние на здравоохранение, особенно на фармацевтику, особенно значительно. В этом году искусственный интеллект на фармацевтическом рынке оценивается в 1,94 млрд долларов, а к 2034 году ожидается его рост до 16,49 млрд долларов.
Ключевым технологическим драйвером этого рынка является компьютерное зрение. В отличие от традиционной обработки изображений, компьютерное зрение - это область искусственного интеллекта, которая позволяет машинам понимать и анализировать визуальные данные в режиме реального времени.
В фармацевтической промышленности, где даже самая незначительная 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 может использоваться в таких приложениях, как идентификация таблеток или обнаружение дефектов на медицинской упаковке.
В этой статье мы расскажем о том, как применить Vision AI на практике, обучив YOLO11 обнаруживать таблетки. Мы также рассмотрим его реальное применение. Давайте приступим!
Прежде чем мы рассмотрим, как можно обучить YOLO11 обнаруживать таблетки, давайте 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 учиться на этих примерах, чтобы в дальнейшем она могла идентифицировать таблетки на новых изображениях.
Пакет Ultralytics Python делает этот процесс еще проще, поддерживая широкий спектр наборов данных в упрощенном формате файлов YOLO. Они обеспечивают удобный доступ к популярным наборам данных и поддерживают такие приложения, как обнаружение таблеток.
Например, набор данных Medical Pills Dataset - это специальная коллекция, предназначенная для демонстрации того, как обнаружение объектов может улучшить рабочие процессы в фармацевтике с помощью таких задач, как контроль качества, сортировка и обнаружение подделок.
Еще один фактор, который необходимо учесть, прежде чем начать обучение с пакетом Ultralytics Python, - это выбор подходящей среды разработки. Вот три популярных варианта:
Существуют и другие варианты настройки, которые вы можете изучить в официальной документации Ultralytics, но три вышеупомянутых варианта просты в настройке и использовании, что делает их отличным выбором для быстрого начала работы.
В этом руководстве мы рассмотрим, как настроить и обучить YOLO11 с помощью Google Colab, Jupyter Notebooks или базового сценария на Python, поскольку в каждой из этих сред процесс довольно схож.
Кроме того, этот урок очень похож на предыдущий, посвященный обнаружению диких животных с помощью YOLO11. Если вас интересует более подробная информация о любом из шагов этого руководства по кодированию, вы можете ознакомиться с ним.
Набор данных Medical Pills Dataset включает 92 обучающих и 23 проверочных изображения, обеспечивая надежную основу для построения и тестирования модели. Обучающие изображения используются для обучения модели, а проверочные изображения помогают оценить, насколько хорошо модель работает на новых, невидимых данных.
Каждое изображение в наборе данных помечено для одного класса - таблеток. Аннотации в виде ограничительных рамок четко обозначают местоположение каждой таблетки, что делает набор данных идеальным для решения таких задач, как обнаружение таблеток, без необходимости работать 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, настраиваете ли вы предварительно обученную модель или начинаете с нуля, этот файл значительно упрощает процесс и помогает быстро приступить к работе.
Для начала мы создадим среду для обучения и тестирования модели. Вы можете использовать Google Colab, блокноты Jupyter или простой файл Python, в зависимости от ваших предпочтений. Просто создайте новый блокнот или Python-файл в выбранной вами среде.
Затем мы можем настроить наше окружение и установить пакет Ultralytics Python с помощью команды, показанной ниже. Если вы используете среду на основе блокнота (Google Colab или Jupyter), выполните следующую команду с восклицательным знаком (!) в начале.
pip install ultralyticsПосле установки следующий шаг - загрузка и обучение YOLO11 на наборе данных Medical Pills. Поскольку этот набор данных поддерживается пакетом Ultralytics Python, процесс прост.
Сначала мы можем импортировать класс YOLO из пакета Ultralytics. Затем мы можем загрузить предварительно обученную модель YOLO11 из файла "yolo11n.pt", который рекомендуется использовать, поскольку 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 учиться и улучшать свою производительность с каждым проходом. В подпапке "runs/train/" сохраняются журналы и контрольные точки, которые можно использовать для отслеживания прогресса и анализа работы модели.
После завершения обучения пользовательская модель YOLO11 должна точно определять таблетки. Вы можете найти окончательные веса обученной модели в подпапке "runs/detect/train/weights/" под именем "best.pt".
Чтобы оценить, насколько хорошо модель научилась обнаруживать таблетки, мы можем провести проверку следующим образом:
metrics = model.val()Этот процесс возвращает общие метрики обнаружения объектов, которые дают представление о производительности модели. Вот более подробный обзор некоторых из этих показателей:
В совокупности эти показатели дают полное представление о том, насколько точно модель обнаруживает таблетки в новых, еще не просмотренных данных.
Если ваша модель работает не так хорошо, как ожидалось, вы можете 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 ее эффективности на новых, еще не просмотренных изображениях. Это помогает смоделировать реальные условия, например, обнаружить таблетки при разном освещении, расположении или упаковке.
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 приведенном ниже фрагменте кода.
Вы можете использовать это 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 гарантирует, что в результаты будут включены только прогнозы с уверенностью не менее 30 процентов.
Когда вы запустите предсказание, на выходе появится сообщение о том, где находится сохраненное изображение - например, "Results saved to runs/detect/train".
Выходное изображение будет похоже на то, что показано здесь, с обнаруженными и выделенными с помощью ограничительных рамок таблетками. Отображаемые баллы доверия указывают на уровень уверенности для каждого обнаружения.
Теперь, когда мы изучили, как обучать YOLO11 с помощью набора данных Medical-Pills и делать выводы по изображениям для обнаружения таблеток, давайте посмотрим на реальное применение YOLO11 в фармацевтической промышленности.
Автоматизированное обнаружение таблеток с помощью YOLO11 может применяться для сортировки фармацевтической продукции. Ручная сортировка часто бывает медленной, повторяющейся и склонной к ошибкам, которые могут поставить под угрозу безопасность лекарств и соответствие нормативным требованиям.
Используя точно настроенную модель YOLO11, мы можем точно обнаруживать и сортировать таблетки по таким визуальным признакам, как размер, форма и цвет. Такая автоматизация ускоряет процесс и помогает гарантировать соответствие продукции строгим стандартам качества, что делает ее ценным инструментом в фармацевтической деятельности.
Своевременное обеспечение запасами нужных лекарств - это не просто логистическая задача, это может повлиять на лечение пациентов и расходы. Нехватка важных таблеток может привести к задержке лечения, а переизбыток может привести к просроченным лекарствам и напрасному расходованию запасов. Учитывая многочисленные типы таблеток и вариации упаковок в фармацевтической промышленности, автоматизированные системы инвентаризации позволяют вести более точный учет.
Интеллектуальные системы инвентаризации могут использовать модели компьютерного зрения, такие как Ultralytics YOLO11, для мониторинга уровня запасов в режиме реального времени. Модель может сканировать полки и зоны упаковки с помощью изображений или видео для обнаружения и подсчета таблеток. При изменении уровня запасов, добавлении, удалении или перемещении товаров, система может автоматически обновлять данные подсчета.
В фармацевтическом производстве контроль качества имеет решающее значение для обеспечения безопасности и эффективности каждой таблетки. 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, не соответствующие стандартам качества. Модель может изучать визуальные особенности и использовать ограничительные рамки для выявления таких проблем, как сколы, выцветшие оттиски или изменение цвета в режиме реального времени. Это позволяет своевременно удалять бракованные таблетки, сокращая количество отходов и гарантируя, что к пациентам попадут только качественные препараты.
Кроме того, YOLO11 может использоваться для обнаружения и подсчета таблеток по мере их проверки, что позволяет точно отслеживать качество продукции.
Теперь, когда мы рассмотрели, как искусственное зрение может быть применено в фармацевтической промышленности. Давайте рассмотрим некоторые ключевые преимущества использования компьютерного зрения в этом секторе:
Несмотря на то, что внедрение искусственного интеллекта в фармацевтической промышленности имеет множество преимуществ, при использовании таких технологий необходимо учитывать некоторые моменты:
В будущем ИИ, вероятно, будет играть все большую роль в ускорении, повышении эффективности и рентабельности клинических испытаний. 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 за счет сокращения ручного документооборота и автоматизации рутинных проверок. В целом интеграция ИИ в рабочие процессы фармацевтических компаний может привести к сокращению задержек и ускорению доступа к новым методам лечения.
Обучение Ultralytics YOLO11 на наборе данных "Медицинские таблетки" 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 задач, 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 помочь в проведении клинических испытаний, обеспечивая последовательную идентификацию и отслеживание таблеток, а также помогая исследователям безопасно тестировать новые комбинации препаратов.
Изучите наш репозиторий GitHub, чтобы узнать больше и стать частью нашего растущего сообщества. Откройте для себя передовые инновации в различных отраслях, от ИИ в сельском хозяйстве до компьютерного зрения в здравоохранении. Ознакомьтесь с нашими вариантами лицензирования и запустите свои проекты Vision AI уже сегодня.
