Ultralytics YOLO11 kullanarak hap tespitine derinlemesine bir bakış

Yapay zeka neredeyse her sektörde kullanılmaktadır ancak sağlık sektöründeki, özellikle de eczacılıktaki etkisi son derece büyüktür. Bu yıl AI in the pharmaceutical pazarının değeri 1,94 milyar dolar olup 2034 yılına kadar 16,49 milyar dolara çıkması beklenmektedir.

Bu pazarın arkasındaki en önemli teknolojik itici güçlerden biri computer vision teknolojisidir. Geleneksel görüntü işleminden farklı olarak bilgisayarlı görü, makinelerin görsel verileri gerçek zamanlı olarak anlamasını ve analiz etmesini sağlayan bir yapay zeka alt dalıdır.

Fig 1. Eczacılık pazarında yapay zekaya genel bakış.

En küçük hatanın bile ciddi sonuçlar doğurabildiği ilaç sektöründe, vision AI güvenliği ve hassasiyeti artırmak için yeni ve güvenilir yollar sunuyor.

Örneğin, Ultralytics YOLO11 nesne tespiti ve örnek bölütleme gibi gerçek zamanlı görevler için tasarlanmış bir bilgisayarlı görü modelidir ve hap tanımlama veya tıbbi ambalajlardaki kusurları tespit etme gibi uygulamalar için kullanılabilir.

Bu makalede, hapları tespit etmek üzere Ultralytics YOLO11 modelini eğiterek görme tabanlı yapay zekayı nasıl uygulamalı olarak kullanabileceğini adım adım inceleyeceğiz. Ayrıca modelin gerçek dünyadaki kullanım alanlarını keşfedeceğiz. Hadi başlayalım!

Hap algılama yapay zeka modeli oluşturma#

Ultralytics YOLO11 modelinin hapları tespit etmek üzere nasıl eğitilebileceğine geçmeden önce, bir adım geriye atıp model eğitmenin ne anlama geldiğini ve veri setinin rolünü anlayalım.

Bir modeli eğitmek, ona birçok örnek göstererek kalıpları tanımasını öğretmeyi içerir. Bu durumda veri seti, her bir görüntünün hapların nerede olduğunu gösterecek şekilde etiketlendiği bir görüntü koleksiyonudur. Bu süreç, modelin bu örneklerden öğrenmesine ve daha sonra yeni görüntülerdeki hapları tanımlayabilmesine yardımcı olur.

Ultralytics Python package, düzenlenmiş bir YOLO dosya formatında çok çeşitli veri setlerini destekleyerek bu süreci daha da kolaylaştırır. popular datasets kaynaklarına zahmetsiz erişim sunar ve hap tespiti gibi uygulamalar için destek sağlar.

Örneğin, Medical Pills Dataset, object detection teknolojisinin kalite kontrol, sınıflandırma ve sahte ürün tespiti gibi görevler aracılığıyla ilaç iş akışlarını nasıl iyileştirebileceğini göstermek için tasarlanmış özel bir konsept kanıtı koleksiyonudur.

Bir geliştirme ortamı seçme#

Ultralytics Python package ile eğitime başlamadan önce dikkate alman gereken bir diğer faktör, doğru geliştirme ortamını seçmektir. İşte üç popüler seçenek:

• Command-line interface (CLI): CLI veya terminal, kodunu çalıştırmak ve bilgisayarınla etkileşim kurmak için komutlar yazabileceğin basit, metin tabanlı bir araçtır.
• Jupyter Notebooks: Kodunu küçük parçalar (hücreler) halinde yazıp çalıştırabileceğin, ilerlerken test etmeyi ve hata ayıklamayı kolaylaştıran daha etkileşimli bir ortamdır.
• Google Colab: Jupyter Notebooks gibi çalışan ancak ücretsiz GPU erişimi avantajıyla gelen, böylece yerel olarak herhangi bir şey kurma konusunda endişelenmene gerek kalmayan bulut tabanlı bir seçenektir.

official Ultralytics documentation içinde keşfedebileceğin başka kurulum seçenekleri de vardır ancak yukarıda bahsedilen üç seçenek kolayca kurulup kullanılabilir, bu da onları hızlı bir şekilde başlamak için harika seçimler haline getirir.

Bu kılavuzda, her bir ortamdaki süreç oldukça benzer olduğundan, Google Colab, Jupyter Notebooks veya temel bir Python betiği kullanarak Ultralytics YOLO11 modelini nasıl kuracağını ve eğiteceğini ele alacağız.

Ayrıca bu eğitim, daha önce Ultralytics YOLO11 kullanarak yaban hayatı tespiti üzerine ele aldığımız eğitime oldukça benziyor. Bu kodlama eğitimindeki adımlardan herhangi biri hakkında daha fazla detayla ilgileniyorsan, ona göz atabilirsin.

YOLO ile gerçek zamanlı hap algılama için bir veri setini keşfetme#

Medical Pills Dataset, modelini hem oluşturmak hem de test etmek için sağlam bir ayrım sağlayan 92 eğitim görüntüsü ve 23 doğrulama görüntüsü içerir. Eğitim görüntüleri modele öğretmek için kullanılırken, doğrulama görüntüleri modelin yeni ve görülmemiş verilerde ne kadar iyi performans gösterdiğini değerlendirmeye yardımcı olur.

Veri setindeki her görüntü tek bir sınıf olan haplar için etiketlenmiştir. Bounding box ek açıklamaları, her bir hapın konumunu net bir şekilde işaretleyerek veri setini, birden fazla nesne sınıfını yönetme karmaşıklığı olmadan hap algılama gibi odaklanmış görevler için ideal hale getirir.

Fig 2. Medical Pills Dataset'e genel bir bakış.

YOLO11 ile eğitimi desteklemek için Ultralytics, dosya yolları, sınıf adları ve model eğitimi için gereken meta veriler gibi temel parametreleri tanımlayan bir YAML configuration file sunar. Önceden eğitilmiş bir modeli ince ayarlıyor veya sıfırdan başlıyor ol, bu dosya süreci çok daha basit hale getirir ve hızlı bir şekilde başlamana yardımcı olur.

Hap veri setinde bir Ultralytics YOLO modelini eğitme#

Başlamak için modeli training ve test etmek üzere bir ortam kuracağız. Tercihine bağlı olarak Google Colab, Jupyter Notebooks veya basit bir Python dosyası kullanmayı seçebilirsin. Seçtiğin ortamda yeni bir not defteri veya Python dosyası oluşturman yeterlidir.

Ardından ortamımızı kurabilir ve aşağıdaki komutu kullanarak Ultralytics Python package yükleyebiliriz. Eğer not defteri tabanlı bir ortam (Google Colab veya Jupyter) kullanıyorsan, aşağıdaki komutu başında ünlem işareti (!) ile çalıştır.

pip install ultralytics

Yükleme tamamlandığında, bir sonraki adım Medical Pills veri setini kullanarak YOLO11'i indirmek ve eğitmektir. Veri seti Ultralytics Python package tarafından desteklendiğinden süreç basittir.

Model eğitim sürecini anlama#

Öncelikle Ultralytics paketinden YOLO sınıfını içe aktarabiliriz. Ardından, bir nano model olduğu ve hafif olduğu için önerilen “yolo11n.pt” dosyasından önceden eğitilmiş bir YOLO11 modelini yükleyebiliriz.

Son olarak, modeli veri seti yapılandırmamıza (medical-pills.yaml) yönlendirerek ve aşağıda gösterildiği gibi eğitim dönemi (epoch) sayısını (tüm veri setinden bir tam geçiş) 100 olarak ayarlayarak eğitim sürecini başlatabiliriz.

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
results = model.train(data="medical-pills.yaml", epochs=100)

Birden fazla epoch için eğitim yapmak, modelin her geçişte öğrenmesini ve performansını iyileştirmesini sağlar. İlerlemeyi izlemek ve modelin performansını gözden geçirmek için kullanabileceğin “runs/train/” alt klasörüne kaydedilen logları ve kontrol noktalarını bulabilirsin.

Eğitim tamamlandıktan sonra, özel olarak eğitilmiş YOLO11 modeli hapları doğru bir şekilde tanımlayabilmelidir. Son eğitilmiş model ağırlıklarını “runs/detect/train/weights/” alt klasöründe “best.pt” adı altında bulabilirsin.

Model eğitiminden sonra Ultralytics YOLO11 modelini değerlendirme#

Modelin hapları algılamayı ne kadar iyi öğrendiğini değerlendirmek için doğrulamayı şu şekilde çalıştırabiliriz:

metrics = model.val()

Bu işlem, model's performance hakkında bilgi sağlayan yaygın nesne tespiti metriklerini döndürür. Bu metriklerden bazılarına daha yakından bakalım:

• Precision: Model tarafından algılanan hapların doğruluğunu ölçer.
• Recall: Modelin gerçek hapların ne kadarını başarıyla tanımladığını gösterir.
• Mean average precision (mAP): Bu metrik, genel bir performans puanı vermek için çeşitli algılama eşikleri genelinde hem precision hem de recall değerlerini birleştirir.

Birlikte bu metrikler, modelin yeni ve görülmemiş verilerde hapları ne kadar doğru algıladığına dair kapsamlı bir görünüm sunar.

Modelin beklenen performansı göstermezse daha fazla epoch için eğitmeyi deneyebilir veya model optimizasyonu sırasında atılan adımların boyutunu kontrol eden öğrenme oranı ya da performansını daha da artırmak için görüntü boyutu gibi diğer training parameters üzerinde ince ayar yapabilirsin.

Özel eğitilmiş Ultralytics YOLO11 modelini kullanarak çıkarımlar çalıştırma#

Ultralytics YOLO11 modeli eğitilip değerlendirildikten sonra bir sonraki adım, yeni ve daha önce görülmemiş görseller üzerindeki performansını test etmektir. Bu, farklı aydınlatma, yerleşim veya ambalaj stillerindeki hapların tespiti gibi gerçek dünya koşullarını simüle etmeye yardımcı olur.

Modeli test etmek için ücretsiz bir stok görsel web sitesi olan Pexels adresinden örnek bir görsel indirdik ve aşağıda verilen kod parçasında gösterildiği gibi özel olarak eğitilmiş Ultralytics YOLO11 modelini kullanarak görseli analiz ettik veya bir tahmin çalıştırdık.

Bu örnek görüntüyü veya modelin gerçek dünya senaryolarında ne kadar iyi performans gösterdiğini değerlendirmek için başka herhangi bir ilgili görüntüyü kullanabilirsin.

results = model.predict("path/to/image.jpg", save=True, conf=0.3)

Kayıt seçeneği modele çıktı görüntüsünü saklamasını söyler ve güvenilirlik (confidence) ayarı, yalnızca en az yüzde 30 kesinliğe sahip tahminlerin sonuçlara dahil edilmesini sağlar.

Tahmini çalıştırdığında, çıktı sana kaydedilen görüntünün nerede olduğunu belirten bir mesaj gösterecektir - örneğin, "Results saved to runs/detect/train."

Çıktı görüntün, hapların algılandığı ve bounding box ile vurgulandığı buradakine benzer olacaktır. Görüntülenen güvenilirlik puanları, her algılama için kesinlik seviyesini belirtir.

Şekil 3. Ultralytics YOLO11 kullanarak hap tespiti.

Pharma sektöründe Ultralytics YOLO11 kullanımının gerçek dünya uygulamaları#

Medical-Pills Dataset kullanarak Ultralytics YOLO11 modelini nasıl eğiteceğimizi ve hap tespiti için görseller üzerinde çıkarım yapmayı incelediğimize göre, şimdi YOLO11'in ilaç sektöründeki gerçek dünya uygulamalarına bir göz atalım.

Ultralytics YOLO11 ile farmasötik hap ayıklama#

Ultralytics YOLO11 ile otomatik hap tespiti, farmasötik sıralama işlemlerine uygulanabilir. Manuel sıralama genellikle yavaştır, tekrarlıdır ve ilaç güvenliğini ve uyumluluğunu tehlikeye atabilecek hatalara açıktır.

İnce ayar yapılmış bir Ultralytics YOLO11 modeli kullanarak, boyut, şekil ve renk gibi görsel özelliklere dayanarak hapları doğru bir şekilde tespit edebilir ve sıralayabiliriz. Bu otomasyon süreci hızlandırır ve ürünlerin sıkı kalite standartlarını karşılamasını sağlamaya yardımcı olarak, bunu farmasötik operasyonlarda değerli bir araç haline getirir.

Fig 4. YOLO11 yardımıyla hap tespiti.

Ultralytics YOLO11 yardımıyla envanter takibi#

Doğru ilacı zamanında stoklamak sadece lojistik bir görevden daha fazlasıdır; hasta bakımını ve maliyetleri etkileyebilir. Kritik bir hapın stokunun azalması tedaviyi geciktirebilir, aşırı stok ise süresi dolmuş ilaçlara ve israf edilmiş envantere yol açabilir. İlaç sektöründeki çok sayıda hap türü ve ambalaj varyasyonu ile otomatik envanter sistemleri daha doğru kayıtlar sağlayabilir.

Akıllı inventory systems, stok seviyelerini gerçek zamanlı olarak izlemek için Ultralytics YOLO11 gibi bilgisayarlı görü modellerini kullanabilir. Model, hapları tespit etmek ve saymak için görüntülere veya videolara dayanarak rafları ve paketleme alanlarını tarayabilir. Öğelerin eklenmesine, kaldırılmasına veya taşınmasına bağlı olarak stok seviyeleri değiştikçe sistem sayımı otomatik olarak güncelleyebilir.

Ultralytics YOLO11 destekli ilaç kalite kontrolü#

pharmaceutical production sürecinde kalite kontrol, her hapın güvenli ve etkili olmasını sağlamak için çok önemlidir. Çatlak, düzensiz şekil veya hafif renk varyasyonu gibi küçük kusurlar bile dozaj hatalarına veya ürünün piyasadan çekilmesine yol açabilir.

Ultralytics YOLO11, kalite standartlarını karşılamayan hapları otomatik olarak tespit ederek yardımcı olabilir. Model, görsel özellikleri öğrenebilir ve kırıkları, solmuş baskıları veya renk bozulmalarını gerçek zamanlı olarak işaretlemek için sınırlayıcı kutular (bbox) kullanır. Bu, hatalı hapların erken kaldırılmasına olanak tanır, israfı azaltır ve yalnızca kalite güvencesi sağlanmış ilaçların hastalara ulaşmasını garanti eder.

Buna ek olarak, Ultralytics YOLO11, kaliteyi izlerken doğru takip yapabilmek amacıyla haplar incelenirken onları tespit etmek ve saymak için kullanılabilir.

Şekil 5. Ultralytics YOLO11 kapsülleri tespit etmek ve saymak için kullanılabilir.

Hap algılama için Vision AI kullanmanın artıları ve eksileri#

Artık vision AI'nın ilaç sektöründe nasıl uygulanabileceğini keşfettiğimize göre. Bu sektörde computer vision kullanmanın temel faydalarından bazılarına kısaca bir göz atalım:

• Öngörücü bakım: Ultralytics YOLO11, hap veya ambalaj tutarsızlıklarını belirleyerek makine aşınmasının erken belirtilerini tespit etmek için kullanılabilir. Zamanında onarım planlamasına yardımcı olur ve planlanmamış üretim kesintilerini önler.
• Ölçeklenebilir model kullanımı: Model, farklı haplar ve ambalajlar için çeşitli veri setleri üzerinde ince ayar yapılabilir. Operasyonlar büyüdükçe denetimi ölçeklenebilir ve uygun maliyetli hale getirir.
• Uzaktan izleme: Bulut sistemleri ve uç cihazlarla entegre edildiğinde gerçek zamanlı kalite kontrollerini mümkün kılar ve kırsal dağıtıcıları, otomatik birimleri ve uzak tele-eczacılık kurulumlarını yönetmek için idealdir.

İlaç sektöründe vision AI uygulamanın birçok faydası olsa da, bu tür teknolojileri kullanırken akılda tutulması gereken bazı hususlar da vardır:

• Operasyonel entegrasyon: Yapay zeka sistemlerini mevcut iş akışlarına entegre etmek, ayarlamalar, eğitim ve mevcut altyapıyla uyumluluk kontrolleri gerektirebilir.
• Regulatory compliance: Otomatik sistemler, hastanın güvenliğini ve tutarlı ürün kalitesini garanti etmek için katı düzenleyici standartlara uymalıdır.
• Hata yönetimi: Gelişmiş modeller bile yanlış pozitifler veya negatifler üretebilir. Bu hataları ele almak ve düzeltmek için süreçlerin yerinde olması önemlidir.

Yapay zeka ilaç iş akışları için yol haritası#

Gelecekte yapay zekanın clinical trials süreçlerini daha hızlı, daha akıllı ve daha uygun maliyetli hale getirmede daha büyük bir rol oynaması muhtemeldir. Daha iyi deneme protokolleri tasarlamaya, doğru hasta gruplarını seçmeye ve verileri gerçek zamanlı olarak izlemeye yardımcı olabilir.

Bu, araştırmacıların sorunlara oluştuktan sonra değil, ortaya çıktıklarında yanıt vermelerini sağlayabilir. Yapay zeka ayrıca manuel evrak işlerini azaltarak ve rutin kontrolleri otomatikleştirerek onay sürecini hızlandırabilir. Genel olarak, yapay zekanın ilaç iş akışlarına entegrasyonu, daha az gecikme ve yeni tedavilere daha hızlı erişim ile sonuçlanabilir.

Öne çıkanlar#

Medical Pills Dataset üzerinde Ultralytics YOLO11 eğitmek, modelin ilaç görevlerine ne kadar hızlı ve etkili bir şekilde uyum sağlayabildiğini göstermektedir. Küçük bir veri setiyle bile hapları doğru bir şekilde algılayabilir, bu da onu sıralama, kalite kontrol ve envanter takibi gibi şeyler için kullanışlı kılar.

Veri setleri büyüdükçe ve modeller geliştikçe, ilaç sektöründe vision AI potansiyeli sadece lojistiğin ötesine geçer. Bu teknoloji ayrıca tutarlı hap tanımlama ve takibine yardımcı olarak ve araştırmacıların yeni ilaç kombinasyonlarını güvenli bir şekilde test etmelerine yardımcı olarak klinik deneyleri de destekleyebilir.

Daha fazla bilgi edinmek ve büyüyen community topluluğumuzun bir parçası olmak için GitHub repository sayfamızı incele. AI in agriculture alanından computer vision in healthcare alanına kadar çeşitli sektörlerdeki son teknoloji yenilikleri keşfet. licensing options seçeneklerimize göz at ve vizyoner yapay zeka projelerini bugün başlat.