24 Nisan 2025
Bu kodlama eğitiminde, Medical-Pills Veri Kümesi ile YOLO11 kullanarak hapların nasıl tespit 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 tespiti ve örnek segmentasyonu gibi gerçek zamanlı görevler için tasarlanmış bir bilgisayarlı görü modelidir ve hapları tanımlama veya tıbbi ambalajlardaki kusurları tespit etme gibi uygulamalar için kullanılabilir.
Bu makalede, YOLO11'i hapları tespit etmek için eğiterek Görüntüleme Yapay Zekası ile nasıl uygulamalı olarak çalışılacağını adım adım anlatacağız. Ayrıca gerçek dünya uygulamalarını da inceleyeceğiz. Hadi başlayalım!
YOLO11'in hapları tespit etmek için nasıl eğitilebileceğine dalmadan 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, çok çeşitli veri kümelerini kolaylaştırılmış bir YOLO dosya biçiminde 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 paketiyle eğitime başlamadan önce dikkate almanız gereken bir diğer faktör de doğru geliştirme ortamını seçmektir. İşte üç popüler seçenek:
Resmi Ultralytics belgelerinde keşfedebileceğiniz başka kurulum seçenekleri de vardır, ancak yukarıda bahsedilen üçünün kurulumu ve kullanımı kolaydır, bu da onları hızlı bir şekilde başlamak için harika seçimler haline getirir.
Bu kılavuzda, Google Colab, Jupyter Notebook veya temel bir Python betiği kullanarak YOLO11'i nasıl kuracağımıza ve eğiteceğimize odaklanacağız, çünkü süreç bu ortamların her birinde oldukça benzerdir.
Ayrıca, bu eğitim, daha önce YOLO11 kullanarak vahşi yaşamı tespit etme konusunda ele aldığımız eğitime oldukça benziyor. Bu kodlama eğitimindeki adımlarla ilgili daha fazla ayrıntı ilginizi çekiyorsa, göz atabilirsiniz.
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.
Ultralytics, YOLO11 ile eğitimi desteklemek için model eğitimi için gereken dosya yolları, sınıf adları ve meta veriler gibi temel parametreleri tanımlayan bir YAML yapılandırma dosyası sağlar. İster önceden eğitilmiş bir modele ince ayar yapıyor ister sıfırdan başlıyor olun, bu dosya süreci çok daha basitleştirir ve hızlı bir şekilde başlamanıza yardımcı olur.
Başlamak için, modelin eğitimi ve test edilmesi için bir ortam kuracağız. Tercihinize bağlı olarak Google Colab, Jupyter Notebooks veya basit bir Python dosyası kullanmayı seçebilirsiniz. Seçtiğiniz ortamda yeni bir not defteri veya Python dosyası oluşturmanız yeterlidir.
Ardından, ortamımızı kurabilir ve aşağıdaki komutu kullanarak Ultralytics Python paketini yükleyebiliriz. Not defteri tabanlı bir ortam (Google Colab veya Jupyter) kullanıyorsanız, aşağıdaki komutu başında bir ünlem işareti (!) ile çalıştırın.
pip install ultralyticsKurulum tamamlandıktan sonraki adım, Medical Pills veri setini kullanarak YOLO11'i indirmek ve eğitmek. Veri seti Ultralytics Python paketi tarafından desteklendiği için süreç 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 modelini yükleyebiliriz.
Son olarak, modeli veri kümesi yapılandırmamıza (medical-pills.yaml) yönlendirerek ve eğitim epok sayısını (tüm veri kümesi boyunca bir tam geçiş) aşağıda gösterildiği gibi 100'e 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 olarak eğitilmiş YOLO11 modeli hapları doğru bir şekilde tanımlayabilmelidir. Nihai eğitilmiş model ağırlıklarını “runs/detect/train/weights/” alt klasöründe “best.pt” adı altında arayabilirsiniz.
Modelin hapları tespit etmeyi ne kadar iyi öğrendiğini değerlendirmek için, doğrulamayı aşağıdaki gibi çalıştırabiliriz:
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 sonraki adım, yeni, görülmemiş görüntülerde ne kadar iyi performans gösterdiğini test etmektir. Bu, farklı aydınlatma, düzenleme veya paketleme stillerinde hapları tespit etmek gibi gerçek dünya koşullarını simüle etmeye 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, görüntüyü analiz ettik veya özel olarak eğitilmiş YOLO11 modeliyle bir tahmin yürüttük.
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, çıktı size kaydedilen görüntünün nerede bulunduğunu söyleyen bir mesaj gösterecektir - örneğin, "Sonuçlar runs/detect/train'e kaydedildi."
Çıktı görüntünüz, burada gösterilene benzer olacak, haplar tespit edilip sınırlayıcı kutular kullanılarak vurgulanacaktır. Görüntülenen güvenilirlik skorları, her bir tespit için kesinlik düzeyini gösterir.
Artık Medical-Pills Veri Kümesini kullanarak YOLO11'i nasıl eğiteceğimizi ve hap algılama için görüntüler üzerinde çıkarımlar nasıl çalıştıracağımızı incelediğimize göre, YOLO11'in ilaç endüstrisindeki gerçek dünya uygulamalarına bir göz atalım.
YOLO11 ile otomatik hap algılama, farmasötik sıralamaya uygulanabilir. Manuel sıralama genellikle yavaş, tekrarlayıcı ve ilaç güvenliğini ve uyumluluğunu tehlikeye atabilecek hatalara yatkındır.
İnce ayarlı bir YOLO11 modeli kullanarak, hapları boyut, şekil ve renk gibi görsel özelliklere göre doğru bir şekilde tespit edebilir ve sıralayabiliriz. 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 bilgisayarlı görü modellerini kullanabilir. Model, hapları tespit etmek ve saymak için görüntü veya video kullanarak rafları ve paketleme alanlarını tarayabilir. Stok seviyeleri değiştiğinde, yani öğeler eklendiğinde, çıkarıldığında veya taşındığında, 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 kusurları (çentikler, soluk baskılar veya renk bozulması gibi) gerçek zamanlı olarak işaretlemek için sınırlayıcı kutular kullanır. Bu, hatalı hapların erken çıkarılmasını sağlayarak israfı azaltır ve yalnızca kalite güvencesi sağlanmış ilaçların hastalara ulaşmasını garanti eder.
Buna ek olarak, YOLO11, kaliteyi izlerken doğru takip için incelenen hapları tespit 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.
Tıbbi Haplar Veri Kümesi üzerinde Ultralytics YOLO11'i eğitmek, modelin farmasötik görevlere ne kadar hızlı ve etkili bir şekilde uyum sağlayabileceğini gösterir. Küçük bir veri kümesiyle bile, hapları doğru bir şekilde tespit 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.
