24 апреля 2025 г.
В этом учебнике по кодированию вы узнаете, как detect таблетки с помощью YOLO11 на базе данных Medical-Pills Dataset. Кроме того, вы узнаете о его потенциальном применении и преимуществах.
Искусственный интеллект используется почти во всех отраслях, но его влияние на здравоохранение, особенно в фармацевтике, особенно велико. В этом году объем рынка ИИ в фармацевтике 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 режиме реального времени.
В фармацевтической промышленности, где даже малейшая ошибка может иметь серьезные последствия, 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 в медицинской упаковке.
В этой статье мы расскажем о том, как применить Vision AI на практике, обучив YOLO11 detect таблетки. Мы также рассмотрим его реальное применение. Давайте приступим!
Прежде чем мы рассмотрим, как можно обучить YOLO11 detect таблетки, давайте сделаем шаг назад и поймем, что значит обучить модель и какова роль набора данных.
Обучение модели включает в себя обучение ее распознаванию закономерностей путем показа ей множества примеров. В этом случае набор данных представляет собой коллекцию изображений, где каждое изображение помечено, чтобы указать, где находятся таблетки. Этот процесс помогает модели учиться на этих примерах, чтобы впоследствии она могла идентифицировать таблетки на новых изображениях.
ПакетUltralytics 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 представляет собой специализированную концептуальную коллекцию, разработанную для демонстрации того, как обнаружение объектов может улучшить фармацевтические рабочие процессы посредством таких задач, как контроль качества, сортировка и выявление 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 изображения и 23 изображения для валидации, что обеспечивает надежное разделение для построения и тестирования вашей модели. Обучающие изображения используются для обучения модели, а изображения для валидации помогают оценить, насколько хорошо модель работает на новых, ранее не виденных данных.
Каждое изображение в наборе данных помечено для одного класса — таблетки. Аннотации ограничивающей рамки четко обозначают местоположение каждой таблетки, что делает набор данных идеальным для целенаправленных задач, таких как обнаружение таблеток, без сложностей, связанных с обработкой нескольких классов 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 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 блокнотаGoogle 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-pillsyaml) 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. Вы сможете найти журналы и контрольные точки, сохраненные в подпапке “runs/train/”, которые можно использовать для отслеживания прогресса и анализа производительности модели.
После завершения обучения пользовательская модель YOLO11 должна точно определять таблетки. Вы можете найти окончательные веса обученной модели в подпапке "detect" под именем "best.pt".
Чтобы оценить, насколько хорошо модель научилась detect таблетки, мы можем провести проверку следующим образом:
metrics = model.val()Этот процесс возвращает общие метрики обнаружения объектов, которые дают представление об эффективности модели. Вот более подробный взгляд на некоторые из этих метрик:
Вместе эти метрики предлагают всестороннее представление о том, насколько точно модель обнаруживает таблетки в новых, невиданных данных.
Если ваша модель работает не так хорошо, как ожидалось, вы можете попробовать обучить ее большему количеству эпох или точно настроить другие параметры обучения, такие как скорость обучения, которая контролирует размер шагов, предпринимаемых во время оптимизации модели, или размер изображения, чтобы еще больше улучшить ее производительность.
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 примерное 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)Опция сохранения указывает модели сохранить выходное изображение, а настройка уверенности 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 detect".
Ваше выходное изображение будет похоже на показанное здесь, с обнаруженными и выделенными ограничивающими рамками таблетками. Отображаемые оценки достоверности указывают на уровень уверенности для каждого обнаружения.
Теперь, когда мы изучили, как обучить YOLO11 с помощью набора данных Medical-Pills и сделать выводы по изображениям для обнаружения таблеток, давайте посмотрим на реальное применение YOLO11в 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 требованиям.
Используя точно настроенную модель YOLO11 , мы можем точно detect 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 наличие нужных лекарств — это больше, чем просто логистическая задача: это может повлиять на уход за пациентами и расходы. Нехватка критически важной таблетки может задержать лечение, а переизбыток может привести к истечению срока годности лекарств и напрасной трате запасов. Благодаря многочисленным типам таблеток и вариантам упаковки в фармацевтической промышленности автоматизированные системы инвентаризации могут обеспечить 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 detect 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 detect и подсчета таблеток по мере их проверки, что позволяет точно отслеживать качество продукции.
Теперь, когда мы рассмотрели, как Vision AI может применяться в фармацевтической промышленности, давайте кратко рассмотрим некоторые ключевые преимущества использования компьютерного зрения в этой отрасли:
Несмотря на многочисленные преимущества внедрения Vision AI в фармацевтической промышленности, при использовании таких технологий следует учитывать и некоторые моменты:
В будущем ИИ, вероятно, будет играть большую роль в том, чтобы сделать клинические испытания быстрее, эффективнее и экономичнее. Он может помочь разработать более качественные протоколы испытаний, выбрать 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 объем бумажной работы и автоматизировав рутинные проверки. В целом, интеграция ИИ в фармацевтические рабочие процессы может привести к сокращению задержек и более быстрому доступу 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 detect таблетки, что делает ее полезной для таких задач, как сортировка, контроль качества и отслеживание запасов.
По мере роста наборов данных и совершенствования моделей потенциал Vision AI в фармацевтике выходит за рамки просто логистики. Эта технология может также поддерживать клинические испытания, помогая в последовательной идентификации и отслеживании таблеток, а также помогая исследователям в безопасном тестировании новых комбинаций лекарств.
Изучите наш репозиторий на GitHub, чтобы узнать больше и стать частью нашего растущего сообщества. Откройте для себя передовые инновации в различных секторах, от ИИ в сельском хозяйстве до компьютерного зрения в здравоохранении. Ознакомьтесь с нашими вариантами лицензирования и запустите свои проекты в области Vision AI уже сегодня.
