Подробный разбор обнаружения таблеток с помощью Ultralytics YOLO11

Искусственный интеллект используется практически во всех отраслях, но его влияние на здравоохранение, особенно на фармацевтику, особенно значительно. В этом году объём рынка ИИ в фармацевтике оценивается в 1,94 млрд долларов, а к 2034 году, как ожидается, вырастет до 16,49 млрд долларов.

Одним из ключевых технологических факторов роста этого рынка является компьютерное зрение. В отличие от традиционной обработки изображений, компьютерное зрение — это подраздел ИИ, который позволяет машинам понимать и анализировать визуальные данные в реальном времени.

Рис. 1. Обзор рынка ИИ в фармацевтике.

В фармацевтической отрасли, где даже самая незначительная ошибка может иметь серьёзные последствия, ИИ для компьютерного зрения предлагает новые и надёжные способы повысить безопасность и точность.

Например, Ultralytics YOLO11 — это модель компьютерного зрения, предназначенная для задач реального времени, таких как обнаружение объектов и сегментация экземпляров. Её можно использовать для таких приложений, как идентификация таблеток или обнаружение дефектов на медицинской упаковке.

В этой статье мы разберём, как применить ИИ для компьютерного зрения на практике, обучив Ultralytics YOLO11 обнаруживать таблетки. Мы также рассмотрим реальные варианты применения модели. Начнём!

Создание ИИ-модели для обнаружения таблеток#

Прежде чем перейти к тому, как обучить Ultralytics YOLO11 обнаруживать таблетки, давай сначала разберёмся, что означает обучение модели и какую роль играет датасет.

Обучение модели заключается в том, чтобы научить её распознавать закономерности, показывая множество примеров. В данном случае датасет представляет собой набор изображений, где каждое изображение размечено с указанием местоположения таблеток. Благодаря этому процессу модель учится на примерах и впоследствии может находить таблетки на новых изображениях.

Пакет Ultralytics для Python ещё больше упрощает этот процесс, поддерживая широкий спектр датасетов в унифицированном формате файлов YOLO. Он обеспечивает удобный доступ к популярным датасетам и поддерживает такие приложения, как обнаружение таблеток.

Например, Medical Pills Dataset — это специализированный набор данных для демонстрации концепции, показывающий, как обнаружение объектов может улучшить фармацевтические рабочие процессы за счёт таких задач, как контроль качества, сортировка и обнаружение подделок.

Выбор среды разработки#

Ещё один фактор, который нужно учесть перед началом обучения с пакетом Ultralytics для Python, — выбор подходящей среды разработки. Вот три популярных варианта:

• Интерфейс командной строки (CLI): CLI, или терминал, — это простой текстовый инструмент, в котором можно вводить команды для запуска кода и взаимодействия с компьютером.
• Jupyter Notebooks: Это более интерактивная среда, где можно писать и запускать код небольшими фрагментами (ячейками), что упрощает тестирование и отладку по ходу работы.
• Google Colab: Облачный вариант, работающий по принципу Jupyter Notebooks, но с дополнительным преимуществом в виде бесплатного доступа к GPU, поэтому тебе не придётся настраивать что-либо локально.

Другие варианты настройки можно найти в официальной документации Ultralytics, но три перечисленных выше легко настроить и использовать, поэтому они отлично подходят для быстрого старта.

В этом руководстве мы сосредоточимся на настройке и обучении Ultralytics YOLO11 с использованием Google Colab, Jupyter Notebooks или простого скрипта Python, поскольку процесс в каждой из этих сред довольно похож.

Кроме того, это руководство во многом похоже на наш предыдущий материал об обнаружении диких животных с помощью Ultralytics YOLO11. Если тебя интересуют дополнительные сведения о каком-либо шаге этого учебника по программированию, ознакомься с ним.

Изучение датасета для обнаружения таблеток в реальном времени с помощью YOLO#

Medical Pills Dataset включает 92 изображения для обучения и 23 изображения для валидации, обеспечивая хорошее разделение данных для создания и тестирования модели. Изображения для обучения используются для обучения модели, а изображения для валидации помогают оценить, насколько хорошо модель работает на новых, ранее не встречавшихся данных.

Каждое изображение в датасете размечено для одного класса — таблеток. Аннотации ограничивающих рамок чётко отмечают местоположение каждой таблетки, что делает датасет идеальным для целевых задач, таких как обнаружение таблеток, без сложностей, связанных с обработкой нескольких классов объектов.

Рис. 2. Фрагмент Medical Pills Dataset.

Для поддержки обучения с YOLO11 Ultralytics предоставляет файл конфигурации YAML, в котором определены такие ключевые параметры, как пути к файлам, названия классов и метаданные, необходимые для обучения модели. Независимо от того, дообучаешь ли ты предварительно обученную модель или начинаешь с нуля, этот файл значительно упрощает процесс и помогает быстро приступить к работе.

Обучение модели Ultralytics YOLO на датасете таблеток#

Для начала настроим среду для обучения и тестирования модели. В зависимости от предпочтений можно использовать Google Colab, Jupyter Notebooks или простой файл Python. Просто создай новый ноутбук или файл Python в выбранной среде.

Затем настроим среду и установим пакет Ultralytics для Python с помощью приведённой ниже команды. Если ты используешь среду на основе ноутбука (Google Colab или Jupyter), выполни следующую команду, добавив в начале восклицательный знак (!).

pip install ultralytics

После установки следующим шагом будет загрузка и обучение YOLO11 на Medical Pills Dataset. Поскольку этот датасет поддерживается пакетом Ultralytics для Python, процесс прост.

Как проходит обучение модели#

Сначала импортируем класс YOLO из пакета Ultralytics. Затем загрузим предварительно обученную модель YOLO11 из файла «yolo11n.pt». Она рекомендована, поскольку является компактной nano-моделью.

Наконец, запустим процесс обучения, указав конфигурацию датасета (medical-pills.yaml) и установив количество эпох обучения (один полный проход по всему датасету) 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 свои показатели с каждым проходом. Логи и чекпоинты будут сохранены в подпапке «runs/train/» — их можно использовать для отслеживания прогресса и анализа производительности модели.

После завершения обучения дообученная модель YOLO11 должна точно обнаруживать таблетки. Финальные веса обученной модели можно найти в подпапке «runs/detect/train/weights/» под именем «best.pt».

Оценка Ultralytics YOLO11 после обучения модели#

Чтобы оценить, насколько хорошо модель научилась обнаруживать таблетки, можно запустить валидацию следующим образом:

metrics = model.val()

Этот процесс возвращает распространённые метрики обнаружения объектов, которые позволяют оценить производительность модели. Рассмотрим некоторые из этих метрик подробнее:

• Точность: Показывает долю обнаруженных моделью таблеток, которые действительно являются таблетками.
• Полнота: Показывает долю фактически существующих таблеток, которые модель успешно обнаружила.
• Средняя точность (mAP): Эта метрика объединяет точность и полноту при различных порогах обнаружения, чтобы дать общую оценку производительности.

В совокупности эти метрики дают комплексное представление о том, насколько точно модель обнаруживает таблетки на новых, ранее не встречавшихся данных.

Если модель работает не так хорошо, как ожидалось, можно попробовать обучать её в течение большего числа эпох или настроить другие параметры обучения, например скорость обучения, которая определяет размер шагов при оптимизации модели, или размер изображения, чтобы ещё больше повысить её производительность.

Выполнение инференса с помощью твоей модели Ultralytics YOLO11, обученной на пользовательских данных#

После обучения и оценки модели Ultralytics YOLO11 следующим шагом будет проверка её работы на новых, ранее не встречавшихся изображениях. Это помогает смоделировать реальные условия, например обнаружение таблеток при разном освещении, расположении или в упаковках разных типов.

Для тестирования модели мы загрузили пример изображения с Pexels, сайта с бесплатными стоковыми изображениями, и проанализировали его, выполнив предсказание с помощью дообученной модели Ultralytics YOLO11, как показано в приведённом ниже фрагменте кода.

Ты можешь использовать это изображение 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 сохранять выходное изображение, а настройка confidence гарантирует, что в результаты попадут только предсказания с достоверностью не менее 30 процентов.

При запуске предсказания в выводе появится сообщение с указанием местоположения сохранённого изображения — например: "Results saved to runs/detect/train."

Выходное изображение будет похоже на показанное здесь: обнаруженные таблетки будут выделены ограничивающими рамками. Отображаемые оценки достоверности показывают уровень уверенности для каждого обнаружения.

Рис. 3. Обнаружение таблеток с помощью Ultralytics YOLO11.

Реальные варианты применения Ultralytics YOLO11 в фармацевтике#

Теперь, когда мы рассмотрели обучение Ultralytics YOLO11 на Medical-Pills Dataset и выполнение инференса изображений для обнаружения таблеток, давай посмотрим на реальные варианты применения YOLO11 в фармацевтической отрасли.

Сортировка фармацевтических таблеток с помощью Ultralytics YOLO11#

Автоматическое обнаружение таблеток с помощью Ultralytics YOLO11 можно применять для фармацевтической сортировки. Ручная сортировка часто занимает много времени, является монотонной и подвержена ошибкам, которые могут поставить под угрозу безопасность лекарств и соблюдение нормативных требований.

Используя дообученную модель Ultralytics YOLO11, можно точно обнаруживать и сортировать таблетки по визуальным признакам, таким как размер, форма и цвет. Автоматизация ускоряет процесс и помогает гарантировать соответствие продукции строгим стандартам качества, что делает её ценным инструментом в фармацевтических операциях.

Рис. 4. Обнаружение таблеток с помощью YOLO11.

Мониторинг запасов с помощью Ultralytics YOLO11#

Своевременное наличие нужного лекарства — это не просто логистическая задача: оно может влиять на лечение пациентов и расходы. Нехватка важного препарата может задержать лечение, а избыточные запасы могут привести к истечению срока годности лекарств и потерям. При большом разнообразии таблеток и вариантов упаковки в фармацевтической отрасли автоматизированные системы учёта запасов позволяют вести более точные записи.

Интеллектуальные системы учёта запасов могут использовать модели компьютерного зрения, такие как Ultralytics YOLO11, для мониторинга уровня запасов в реальном времени. Модель может сканировать полки и зоны упаковки по изображениям или видео, чтобы обнаруживать и считать таблетки. По мере изменения запасов — при добавлении, удалении или перемещении товаров — система может автоматически обновлять количество.

Контроль качества фармацевтической продукции на основе Ultralytics YOLO11#

В фармацевтическом производстве контроль качества крайне важен, чтобы каждая таблетка была безопасной и эффективной. Даже незначительные дефекты, такие как трещина, неровная форма или небольшое изменение цвета, могут привести к ошибкам дозировки или отзыву продукции.

Ultralytics YOLO11 может помочь автоматически обнаруживать таблетки, не соответствующие стандартам качества. Модель может изучать визуальные признаки и использовать ограничивающие рамки для обнаружения таких проблем, как сколы, выцветшие отпечатки или изменение цвета, в реальном времени. Это позволяет своевременно удалять дефектные таблетки, сокращать отходы и гарантировать, что до пациентов доходит только качественное лекарство.

Кроме того, Ultralytics YOLO11 можно использовать для обнаружения и подсчёта таблеток во время проверки, обеспечивая точный учёт при мониторинге качества.

Рис. 5. Ultralytics YOLO11 можно использовать для обнаружения и подсчёта капсул.

Плюсы и минусы использования ИИ для компьютерного зрения при обнаружении таблеток#

Теперь, когда мы рассмотрели применение ИИ для компьютерного зрения в фармацевтической отрасли, давай кратко рассмотрим некоторые ключевые преимущества использования компьютерного зрения в этом секторе:

• Прогнозное обслуживание: Ultralytics YOLO11 можно использовать для обнаружения ранних признаков износа оборудования по несоответствиям таблеток или упаковки. Это помогает своевременно планировать ремонт и предотвращать незапланированные простои производства.
• Масштабируемое использование модели: Модель можно дообучать на различных датасетах для работы с разными таблетками и видами упаковки. Это делает проверку масштабируемой и экономичной по мере роста операций.
• Удалённый мониторинг: При интеграции с облачными системами и периферийными устройствами технология обеспечивает проверки качества в реальном времени и идеально подходит для управления сельскими пунктами выдачи, автоматизированными установками и удалёнными службами телефармации.

Хотя внедрение ИИ для компьютерного зрения в фармацевтической отрасли даёт множество преимуществ, при использовании таких технологий нужно учитывать и ряд факторов:

• Интеграция в рабочие процессы: Интеграция систем ИИ в существующие рабочие процессы может потребовать изменений, обучения и проверки совместимости с текущей инфраструктурой.
• Соблюдение нормативных требований: Автоматизированные системы должны соответствовать строгим нормативным стандартам, чтобы обеспечивать безопасность пациентов и стабильное качество продукции.
• Управление ошибками: Даже продвинутые модели могут выдавать ложноположительные или ложноотрицательные результаты. Важно предусмотреть процессы для обработки и исправления таких ошибок.

Будущее ИИ в фармацевтических рабочих процессах#

В будущем ИИ, вероятно, будет играть более значительную роль в том, чтобы сделать клинические исследования более быстрыми, эффективными и экономичными. Он может помочь разработать более качественные протоколы исследований, выбрать подходящие группы пациентов и отслеживать данные в реальном времени.

Это позволит исследователям реагировать на проблемы по мере их возникновения, а не постфактум. ИИ также может ускорить процесс одобрения, сократив объём ручной работы с документами и автоматизировав стандартные проверки. В целом интеграция ИИ в фармацевтические рабочие процессы может привести к уменьшению задержек и более быстрому доступу к новым методам лечения.

Основные выводы#

Обучение Ultralytics YOLO11 на Medical Pills Dataset показывает, насколько быстро и эффективно модель может адаптироваться к фармацевтическим задачам. Даже на небольшом датасете она способна точно обнаруживать таблетки, что делает её полезной для сортировки, контроля качества и отслеживания запасов.

По мере роста датасетов и совершенствования моделей потенциал ИИ для компьютерного зрения в фармацевтике выходит далеко за рамки логистики. Эта технология также может поддерживать клинические исследования, помогая последовательно идентифицировать и отслеживать таблетки, а также содействуя исследователям в безопасном тестировании новых комбинаций лекарств.

Посети наш репозиторий на GitHub, чтобы узнать больше и присоединиться к нашей растущей сети пользователей. Узнай о передовых инновациях в различных отраслях — от ИИ в сельском хозяйстве до компьютерного зрения в здравоохранении. Ознакомься с нашими вариантами лицензирования и запускай свои проекты в области ИИ для компьютерного зрения уже сегодня.