24 Nisan 2025
Bu kodlama eğitiminde, Medical-Pills Veri Kümesi ile YOLO11 kullanarak hapların nasıl detect edileceğini öğrenin. Ayrıca, potansiyel uygulamalarını ve faydalarını keşfedin.
Yapay zeka neredeyse her sektörde kullanılıyor, ancak özellikle ilaç sektöründe sağlık hizmetleri üzerindeki etkisi oldukça önemli. Bu yıl, ilaç sektöründeki yapay zeka pazarının değeri 1,94 milyar dolar olarak belirlendi ve 2034 yılına kadar 16,49 milyar dolara ulaşması bekleniyor.
Bu pazarın temel teknolojik itici gücü bilgisayarlı görüdür. Geleneksel görüntü işlemenin aksine, bilgisayarlı görü, makinelerin görsel verileri gerçek zamanlı olarak anlamasını ve analiz etmesini sağlayan bir yapay zeka alt alanıdır.
En küçük hatanın bile ciddi sonuçlara yol açabileceği ilaç endüstrisinde, Vizyon Yapay Zekası güvenliği ve hassasiyeti artırmak için yeni ve güvenilir yollar sunar.
Örneğin, Ultralytics YOLO11 nesne algılama ve örnek segmentasyonu gibi gerçek zamanlı görevler için tasarlanmış bir bilgisayarla görme modelidir ve hapları tanımlama veya tıbbi ambalajlardaki kusurları tespit etme gibi uygulamalar için kullanılabilir.
Bu makalede, YOLO11 'i hapları detect etmesi için eğiterek Vision AI ile nasıl pratik yapacağımızı anlatacağız. Ayrıca gerçek dünyadaki uygulamalarını da keşfedeceğiz. Hadi başlayalım!
YOLO11 'in hapları detect etmek için nasıl eğitilebileceğini incelemeden önce, bir adım geri atalım ve bir modeli eğitmenin ne anlama geldiğini ve bir veri kümesinin rolünü anlayalım.
Bir modeli eğitmek, ona birçok örnek göstererek desenleri tanımasını öğretmeyi içerir. Bu durumda, bir veri kümesi, her bir resmin hapların nerede bulunduğunu belirtmek için etiketlendiği bir resim koleksiyonudur. Bu işlem, modelin bu örneklerden öğrenmesine yardımcı olur, böylece daha sonra yeni resimlerdeki hapları tanımlayabilir.
Ultralytics Python paketi, akıcı bir YOLO dosya formatında çok çeşitli veri kümelerini destekleyerek bu süreci daha da kolaylaştırır. Popüler veri kümelerine sorunsuz erişim sunar ve hap tespiti gibi uygulamalar için destek sağlar.
Örneğin, Medical Pills Dataset, nesne tespitinin kalite kontrolü, ayıklama ve sahtecilik tespiti gibi görevler aracılığıyla ilaç iş akışlarını nasıl iyileştirebileceğini göstermek için tasarlanmış özel bir kavram kanıtlama koleksiyonudur.
Ultralytics Python paketi ile eğitime başlamadan önce göz önünde bulundurmanız gereken bir diğer faktör de doğru geliştirme ortamını seçmektir. İşte üç popüler seçenek:
Resmi Ultralytics belgelerinde keşfedebileceğiniz başka kurulum seçenekleri de vardır, ancak yukarıda belirtilen üçünün kurulumu ve kullanımı kolaydır, bu da onları hızlı bir şekilde başlamak için harika seçenekler haline getirir.
Bu kılavuzda, Google Colab, Jupyter Notebooks veya temel bir Python betiği kullanarak YOLO11 'in nasıl kurulacağına ve eğitileceğine odaklanacağız, çünkü süreç bu ortamların her birinde oldukça benzerdir.
Ayrıca, bu eğitim daha önce YOLO11 kullanarak vahşi yaşamı tespit etme konusunda işlediğimiz eğitime oldukça benziyor. Bu kodlama eğitimindeki adımlardan herhangi biri hakkında daha fazla ayrıntı ile ilgileniyorsanız, kontrol edebilirsiniz.
Tıbbi Haplar Veri Kümesi, modelinizi hem oluşturmak hem de test etmek için sağlam bir bölünme sağlayan 92 eğitim görüntüsü ve 23 doğrulama görüntüsü içerir. Eğitim görüntüleri modeli eğitmek için kullanılırken, doğrulama görüntüleri modelin yeni, görülmemiş veriler üzerinde ne kadar iyi performans gösterdiğini değerlendirmeye yardımcı olur.
Veri setindeki her görüntü, tek bir sınıf olan haplar için etiketlenmiştir. Sınırlayıcı kutu açıklamaları, her hapın konumunu açıkça işaretleyerek, veri setini birden fazla nesne sınıfını işlemenin karmaşıklığı olmadan hap algılama gibi odaklanmış görevler için ideal hale getirir.
YOLO11 ile eğitimi desteklemek için Ultralytics , dosya yolları, sınıf adları ve model eğitimi için gereken meta veriler gibi temel parametreleri tanımlayan bir YAML yapılandırma dosyası sağlar. İster önceden eğitilmiş bir modele ince ayar yapıyor olun, ister sıfırdan başlıyor olun, bu dosya süreci çok daha basit hale getirir ve hızlı bir şekilde başlamanıza yardımcı olur.
Başlamak için, modeli eğitmek ve test etmek için bir ortam kuracağız. Tercihinize göre Google Colab, Jupyter Notebooks veya basit bir Python dosyası kullanmayı seçebilirsiniz. Seçtiğiniz ortamda yeni bir not defteri veya Python dosyası oluşturmanız yeterlidir.
Ardından, aşağıda gösterilen komutu kullanarak ortamımızı ayarlayabilir ve Ultralytics Python paketini yükleyebiliriz. Eğer notebook tabanlı bir ortam kullanıyorsanızGoogle Colab veya Jupyter), aşağıdaki komutu başında ünlem işareti (!) olacak şekilde çalıştırın.
pip install ultralyticsKurulduktan sonra, bir sonraki adım Medical Pills veri setini kullanarak YOLO11 'i indirmek ve eğitmektir. Veri kümesi Ultralytics Python paketi tarafından desteklendiğinden, işlem basittir.
İlk olarak Ultralytics paketinden YOLO sınıfını içe aktarabiliriz. Ardından, nano bir model ve hafif olduğu için önerilen "yolo11n.pt" dosyasından önceden eğitilmiş bir YOLO11 modeli yükleyebiliriz.
Son olarak, modeli veri kümesi yapılandırmamıza (medical-pillsyaml) yönlendirerek ve aşağıda gösterildiği gibi eğitim epoklarının sayısını (tüm veri kümesi üzerinden 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 çok epoch için eğitim, modelin her geçişte performansını öğrenmesini ve geliştirmesini sağlar. İlerlemenizi izlemek ve modelin performansını incelemek için kullanabileceğiniz “runs/train/” alt klasöründe kaydedilmiş günlükleri ve kontrol noktalarını bulabileceksiniz.
Eğitim tamamlandıktan sonra, özel eğitimli YOLO11 modeli hapları doğru bir şekilde tanımlayabilmelidir. Son eğitilmiş model ağırlıklarını "best.pt" adı altında "detect" alt klasöründe arayabilirsiniz.
Modelin hapları detect etmeyi ne kadar iyi öğrendiğini değerlendirmek için aşağıdaki şekilde doğrulama yapabiliriz:
metrics = model.val()Bu süreç, modelin performansına ilişkin bilgi sağlayan genel nesne algılama metriklerini döndürür. İşte bu metriklerden bazılarına daha yakından bir bakış:
Birlikte, bu metrikler modelin yeni, görülmemiş verilerdeki hapları ne kadar doğru tespit ettiğine dair kapsamlı bir görünüm sunar.
Modeliniz beklendiği kadar iyi performans göstermiyorsa, daha fazla epok için eğitmeyi veya model optimizasyonu sırasında atılan adımların boyutunu kontrol eden öğrenme oranı veya performansını daha da iyileştirmek için görüntü boyutu gibi diğer eğitim parametrelerini ince ayar yapmayı deneyebilirsiniz.
YOLO11 modeli eğitildikten ve değerlendirildikten sonra, bir sonraki adım yeni, görülmemiş görüntüler üzerinde ne kadar iyi performans gösterdiğini test etmektir. Bu, farklı aydınlatma, düzenlemeler veya ambalaj stillerinde hapları tespit etmek gibi gerçek dünya koşullarının simüle edilmesine yardımcı olur.
Modeli test etmek için ücretsiz bir stok görsel web sitesi olan Pexels'ten örnek bir görsel indirdik ve aşağıdaki kod parçasında gösterildiği gibi özel eğitimli YOLO11 modelini kullanarak görseli analiz ettik veya bir tahmin çalıştırdık.
Modelin gerçek dünya senaryolarında ne kadar iyi performans gösterdiğini değerlendirmek için bu örnek görüntüyü veya ilgili başka bir görüntüyü kullanabilirsiniz.
results = model.predict("path/to/image.jpg", save=True, conf=0.3)Kaydetme seçeneği, modele çıktı görüntüsünü depolamasını söyler ve güven ayarı, sonuçlara yalnızca en az yüzde 30 kesinliğe sahip tahminlerin dahil edilmesini sağlar.
Tahmini çalıştırdığınızda, çıktıda kaydedilen görüntünün nerede olduğunu belirten bir mesaj görüntülenecektir - örneğin, "Results saved to detect".
Çıktı görüntünüz, burada gösterilene benzer olacak, haplar tespit edilip sınırlayıcı kutular kullanılarak vurgulanacaktır. Görüntülenen güvenilirlik skorları, her bir tespit için kesinlik düzeyini gösterir.
YOLO11 'i Tıbbi Haplar Veri Kümesini kullanarak nasıl eğiteceğimizi ve hap tespiti için görüntüler üzerinde çıkarımları nasıl çalıştıracağımızı keşfettiğimize göre, şimdi YOLO11'in ilaç endüstrisindeki gerçek dünya uygulamalarına bir göz atalım.
YOLO11 ile otomatik hap tespiti, farmasötik ayıklamaya uygulanabilir. Manuel ayıklama genellikle yavaş, tekrarlayıcı ve ilaç güvenliğini ve uyumluluğunu tehlikeye atabilecek hatalara eğilimlidir.
İnce ayarlı bir YOLO11 modeli kullanarak hapları boyut, şekil ve renk gibi görsel özelliklere göre doğru bir şekilde detect ve sınıflandırabiliriz. Bu otomasyon süreci hızlandırır ve ürünlerin katı kalite standartlarını karşılamasına yardımcı olarak ilaç operasyonlarında değerli bir araç haline getirir.
Doğru ilacı zamanında stoklamak, lojistik bir görevden daha fazlasıdır; hasta bakımını ve maliyetleri etkileyebilir. Kritik bir ilacın tükenmesi tedaviyi geciktirebilirken, aşırı stoklama son kullanma tarihi geçmiş ilaçlara ve boşa harcanan envantere neden olabilir. İlaç endüstrisindeki çok sayıda ilaç türü ve ambalaj varyasyonu ile otomatikleştirilmiş envanter sistemleri daha doğru kayıtlar sağlayabilir.
Akıllı envanter sistemleri, stok seviyelerini gerçek zamanlı olarak izlemek için Ultralytics YOLO11 gibi bilgisayarla görme modellerini kullanabilir. Model, hapları detect etmek ve saymak için görüntü veya video kullanarak rafları ve paketleme alanlarını tarayabilir. Stok seviyeleri değiştikçe, ürünler eklendikçe, çıkarıldıkça veya taşındıkça, sistem sayımı otomatik olarak güncelleyebilir.
İlaç üretiminde, her hapın güvenli ve etkili olduğundan emin olmak için kalite kontrolü çok önemlidir. Bir çatlak, düzensiz şekil veya hafif renk değişimi gibi küçük kusurlar bile dozaj hatalarına veya ürün geri çağırmalarına yol açabilir.
YOLO11 , kalite standartlarını karşılamayan hapları otomatik olarak tespit ederek yardımcı olabilir. Model görsel özellikleri öğrenebilir ve çipler, soluk baskılar veya renk değişikliği gibi sorunları gerçek zamanlı olarak işaretlemek için sınırlayıcı kutular kullanır. Bu, hatalı hapların erken çıkarılmasını sağlayarak israfı azaltır ve hastalara yalnızca kalite güvenceli ilaçların ulaşmasını garanti eder.
Bunun da ötesinde YOLO11 , kaliteyi izlerken doğru takip için hapları denetlendikleri sırada detect etmek ve saymak için kullanılabilir.
Artık Görüntüleme Yapay Zekasının ilaç endüstrisinde nasıl uygulanabileceğini incelediğimize göre, bu sektörde bilgisayarlı görü kullanmanın temel faydalarına hızlıca bir göz atalım:
Vizyon Yapay Zekanın ilaç endüstrisinde uygulanmasının birçok faydası olmakla birlikte, bu tür teknolojileri kullanırken akılda tutulması gereken bazı hususlar da vardır:
Gelecekte, yapay zeka muhtemelen klinik araştırmaları daha hızlı, daha akıllı ve daha uygun maliyetli hale getirmede daha büyük bir rol oynayacaktır. Daha iyi deneme protokolleri tasarlamaya, doğru hasta gruplarını seçmeye ve verileri gerçek zamanlı olarak izlemeye yardımcı olabilir.
Bu, araştırmacıların sorunlara sonradan 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 gecikmeye ve yeni tedavilere daha hızlı erişime yol açabilir.
Ultralytics YOLO11 'in Tıbbi Haplar Veri Kümesi üzerinde eğitilmesi, modelin farmasötik görevlere ne kadar hızlı ve etkili bir şekilde adapte olabileceğini göstermektedir. Küçük bir veri kümesiyle bile, hapları doğru bir şekilde detect edebilir, bu da onu sıralama, kalite kontrol ve envanter takibi gibi şeyler için kullanışlı hale getirir.
Veri kümeleri büyüdükçe ve modeller geliştikçe, ilaç sektöründe Görüntü İşleme Yapay Zekasının potansiyeli sadece lojistiğin ötesine geçmektedir. Bu teknoloji aynı zamanda tutarlı hap tanımlama ve takibi konusunda yardımcı olarak ve araştırmacılara yeni ilaç kombinasyonlarını güvenli bir şekilde test etmede yardımcı olarak klinik deneyleri de destekleyebilir.
Daha fazla bilgi edinmek ve büyüyen topluluğumuzun bir parçası olmak için GitHub depomuzu keşfedin. Tarımda yapay zekadan sağlık hizmetlerinde bilgisayarlı görmeye kadar çeşitli sektörlerdeki en son yenilikleri keşfedin. Lisanslama seçeneklerimize göz atın ve Görüntü İşleme Yapay Zeka projelerinizi bugün başlatın.
