Ultralytics YOLO11 kullanarak hap tespitine derinlemesine bir bakış

Yapay zeka neredeyse her sektörde kullanılıyor, ancak sağlık, özellikle de ilaç sektörü üzerindeki etkisi oldukça önemli. Bu yıl, AI in the pharmaceutical pazarı 1,94 milyar dolar değerinde ve 2034 yılına kadar 16,49 milyar dolara ulaşması bekleniyor.

Bu pazarın temel teknolojik itici gücü computer vision teknolojisidir. Geleneksel görüntü işlemeden farklı olarak, computer vision, makinelerin görsel verileri gerçek zamanlı olarak anlamasını ve analiz etmesini sağlayan bir yapay zeka alt alanıdır.

Fig 1. İlaç pazarında yapay zekaya genel bir 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 algılama ve örnek bölütleme gibi gerçek zamanlı görevler için tasarlanmış bir computer vision modelidir ve hap tanımlama veya tıbbi ambalajlardaki kusurları tespit etme gibi uygulamalarda kullanılabilir.

Bu makalede, hapları algılamak için YOLO11 eğiterek vision AI ile nasıl pratik yapabileceğini adım adım inceleyeceğiz. Ayrıca gerçek dünya uygulamalarını da keşfedeceğiz. Hadi başlayalım!

Link to this sectionHap algılama yapay zeka modeli oluşturma#

YOLO11'in hapları algılamak için nasıl eğitilebileceğine dalmadan önce, bir adım geri çekilip bir modeli 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, çok çeşitli veri setlerini modern bir YOLO dosya formatında destekleyerek bu süreci daha da kolaylaştırır. popular datasets için sorunsuz erişim sunar ve hap algılama gibi uygulamalar için destek sağlarlar.

Örneğin, Medical Pills Dataset, object detection teknolojisinin kalite kontrol, sıralama ve sahtecilik tespiti gibi görevler aracılığıyla ilaç iş akışlarını nasıl iyileştirebileceğini göstermek için tasarlanmış özel bir kavram kanıtlama koleksiyonudur.

Link to this sectionBir 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 üzerinde keşfedebileceğin başka kurulum seçenekleri de var, ancak yukarıda bahsedilen üçü kurulumu ve kullanımı kolay olduğundan hızlıca başlamak için harika seçeneklerdir.

Bu rehberde, süreç her ortamda oldukça benzer olduğundan Google Colab, Jupyter Notebooks veya temel bir Python script kullanarak YOLO11'in nasıl kurulacağını ve eğitileceğini ele alacağız.

Ayrıca bu eğitim, daha önce YOLO11 kullanarak yaban hayatını algılama üzerine ele aldığımız eğitime oldukça benzer. Bu kodlama eğitimindeki adımların herhangi biri hakkında daha fazla detayla ilgileniyorsan, ona göz atabilirsin.

Link to this sectionYOLO 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 sağlar. İster önceden eğitilmiş bir modeli ince ayar (fine-tuning) yapıyor ol, ister sıfırdan başlıyor ol, bu dosya süreci çok daha basit hale getirir ve hızlıca başlamana yardımcı olur.

Link to this sectionHap veri setinde bir Ultralytics YOLO modelini eğitme#

Başlamak için, model training ve test etme işlemleri için bir ortam kuracağız. Tercihine göre Google Colab, Jupyter Notebooks veya basit bir Python dosyası kullanmayı seçebilirsin. Seçtiğin ortamda yeni bir not defteri veya Python dosyası oluşturman yeterli.

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.

Link to this sectionModel 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.

Link to this sectionModel eğitiminden sonra YOLO11'i değerlendirme#

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

metrics = model.val()

Bu işlem, model's performance hakkında içgörü sağlayan yaygın nesne algılama metriklerini döndürür. İşte bu metriklerden bazılarına daha yakından bir bakış:

• 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.

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

Link to this sectionÖzel eğitilmiş YOLO11 modelini kullanarak çıkarım (inference) yapma#

YOLO11 modeli eğitildikten ve değerlendirildikten sonra, bir sonraki adım yeni ve görülmemiş görüntülerde ne kadar iyi performans gösterdiğini test etmektir. Bu, farklı ışıklandırma, düzenleme veya ambalaj stillerindeki hapları algılamak gibi gerçek dünya koşullarını simüle etmeye yardımcı olur.

Modeli test etmek için ücretsiz stok görsel sitesi Pexels üzerinden örnek bir görsel indirdik ve aşağıdaki kod parçacığında gösterildiği gibi özel olarak eğitilmiş YOLO11 modelini kullanarak görüntüyü analiz ettik veya 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.

Fig 3. YOLO11 kullanarak hap algılama.

Link to this sectionYOLO11'i ilaç sektöründe kullanmanın gerçek dünya uygulamaları#

Artık Medical-Pills Dataset kullanarak YOLO11'in nasıl eğitileceğini ve hap algılama için görüntüler üzerinde nasıl çıkarım (inference) çalıştırılacağını keşfettiğimize göre, YOLO11'in ilaç sektöründeki gerçek dünya uygulamalarına bir göz atalım.

Link to this sectionYOLO11 ile ilaç hapı sıralama#

YOLO11 ile Automated pill detection, ilaç sıralamaya uygulanabilir. Manuel sıralama genellikle yavaştır, tekrarlayıcıdır ve ilaç güvenliğini ve uyumluluğunu tehlikeye atabilecek hatalara açıktır.

İnce ayar yapılmış bir YOLO11 modeli kullanarak, hapları boyut, şekil ve renk gibi görsel özelliklere göre doğru bir şekilde algılayabilir ve sıralayabiliriz. Bu otomasyon süreci hızlandırır ve ürünlerin katı kalite standartlarını karşılamasını sağlamaya yardımcı olarak ilaç operasyonlarında değerli bir araç haline getirir.

Fig 4. YOLO11 yardımıyla hap algılama.

Link to this sectionYOLO11 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 computer vision modellerini kullanabilir. Model, hapları algılamak ve saymak için görüntüler veya videolar kullanarak rafları ve paketleme alanlarını tarayabilir. Ürünler eklendikçe, çıkarıldıkça veya taşındıkça stok seviyeleri değiştikçe sistem sayımı otomatik olarak güncelleyebilir.

Link to this sectionYOLO11 tarafından desteklenen ilaç kalite kontrolü#

pharmaceutical production alanında, her hapın güvenli ve etkili olduğundan emin olmak için kalite kontrol çok önemlidir. 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 algılayarak yardımcı olabilir. Model görsel özellikleri öğrenebilir ve çentikler, soluk baskılar veya renk bozulması gibi sorunları gerçek zamanlı olarak işaretlemek için bounding box kullanır. Bu, hatalı hapların erkenden çıkarılmasına olanak tanır, israfı azaltır ve yalnızca kalite onaylı ilaçların hastalara ulaşmasını garanti eder.

Bunun üzerine YOLO11, kaliteyi izlerken doğru takip için haplar incelenirken onları algılamak ve saymak için kullanılabilir.

Fig 5. YOLO11 kapsülleri algılamak ve saymak için kullanılabilir.

Link to this sectionHap 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:

• Önleyici bakım: YOLO11, hap veya ambalaj tutarsızlıklarını tanımlayarak makine aşınmasının erken belirtilerini algılamak için kullanılabilir. Zamanında onarım planlamaya yardımcı olur ve plansız 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, hasta güvenliğini ve tutarlı ürün kalitesini sağlamak 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.

Link to this sectionYapay zeka ilaç iş akışları için yol haritası#

Gelecekte, yapay zeka clinical trials çalışmalarını daha hızlı, daha akıllı ve daha uygun maliyetli hale getirmede muhtemelen 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 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.

Link to this sectionÖne 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.

Explore our GitHub repository to learn more and be part of our growing community. Discover cutting-edge innovations in various sectors, from AI in agriculture to computer vision in healthcare. Check out our licensing options and launch your vision AI projects today.