Ultralytics YOLO11 ile hap tespitine derinlemesine bakış

Yapay zekâ hemen her sektörde kullanılıyor, ancak sağlık hizmetleri, özellikle de ilaç sektörü üzerindeki etkisi oldukça büyük. Bu yıl ilaç sektöründe yapay zekâ pazarının değeri 1,94 milyar dolar ve bu değerin 2034'e kadar 16,49 milyar dolara ulaşması bekleniyor.

Bu pazarın önemli teknolojik itici güçlerinden biri bilgisayarlı görü. Geleneksel görüntü işlemeden farklı olarak bilgisayarlı görü, makinelerin görsel verileri gerçek zamanlı olarak anlamasını ve analiz etmesini sağlayan bir yapay zekâ alt alanıdır.

Şekil 1. İlaç pazarında yapay zekâya genel bakış.

En küçük hatanın bile ciddi sonuçlar doğurabileceği ilaç sektöründe görsel yapay zekâ, 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 bilgisayarlı görü modelidir ve hapları tanımlama veya tıbbi ambalajlardaki kusurları tespit etme gibi uygulamalarda kullanılabilir.

Bu makalede, Ultralytics YOLO11 modelini hapları tespit edecek şekilde eğiterek görsel yapay zekâ deneyimini nasıl uygulamalı hâle getirebileceğini adım adım ele alacağız. Ayrıca gerçek dünyadaki uygulamalarını da inceleyeceğiz.

Hap algılama yapay zekâ modeli oluşturma#

Ultralytics YOLO11'in hapları algılayacak şekilde nasıl eğitilebileceğine geçmeden önce, biraz geriye gidip model eğitiminin ne anlama geldiğini ve veri kümesinin rolünü anlayalım.

Bir modeli eğitmek, ona çok sayıda örnek göstererek kalıpları tanımayı öğretmeyi içerir. Bu durumda veri kümesi, her birinde hapların nerede olduğunu gösteren etiketler bulunan görüntülerden oluşur. Bu süreç, modelin örneklerden öğrenmesine ve daha sonra yeni görüntülerdeki hapları tanımlamasına yardımcı olur.

Ultralytics Python paketi, YOLO dosya biçiminde çok çeşitli veri kümelerini sorunsuz biçimde destekleyerek bu süreci daha da kolaylaştırır. Popüler veri kümelerine kolay erişim sunar ve hap tespiti gibi uygulamaları destekler.

Örneğin, Medical Pills Dataset; nesne algılamanın kalite kontrolü, ayıklama ve sahte ürün tespiti gibi görevlerle ilaç sektöründeki iş akışlarını nasıl iyileştirebileceğini göstermek için tasarlanmış, amaca yönelik bir kavram kanıtlama koleksiyonudur.

Geliştirme ortamı seçme#

Ultralytics Python paketiyle eğitime başlamadan önce göz önünde bulundurman gereken bir diğer unsur da doğru geliştirme ortamını seçmektir. İşte üç popüler seçenek:

• Komut satırı arayüzü (CLI): CLI veya terminal, kodunu çalıştırmak ve bilgisayarınla etkileşim kurmak için komutlar yazabileceğin, metin tabanlı basit bir araçtır.
• Jupyter Notebooks: Bu, kodu küçük parçalar (hücreler) hâlinde yazıp çalıştırabileceğin, ilerledikçe test etmeyi ve hataları ayıklamayı kolaylaştıran daha etkileşimli bir ortamdır.
• Google Colab: Jupyter Notebooks gibi çalışan bulut tabanlı bir seçenektir; ayrıca ücretsiz GPU erişimi sunar, böylece yerel ortamda kurulum yapma konusunda endişelenmene gerek kalmaz.

Resmî Ultralytics belgelerinde keşfedebileceğin başka kurulum seçenekleri de var, ancak yukarıda bahsedilen üç seçeneğin kurulumu ve kullanımı kolaydır; bu da onları hızlıca başlamak için harika seçenekler hâline getirir.

Bu kılavuzda, süreç bu ortamların her birinde oldukça benzer olduğundan Google Colab, Jupyter Notebooks veya basit bir Python betiği kullanarak Ultralytics YOLO11'i kurmaya ve eğitmeye odaklanacağız.

Ayrıca bu eğitim, daha önce ele aldığımız Ultralytics YOLO11 ile yaban hayatını tespit etme konulu eğitime oldukça benziyor. Bu kodlama eğitimindeki adımlardan herhangi biri hakkında daha fazla bilgi edinmek istersen o eğitime göz atabilirsin.

YOLO ile gerçek zamanlı hap algılama için veri kümesini inceleme#

Medical Pills Dataset, modelini oluşturmak ve test etmek için sağlam bir bölünme sunan 92 eğitim görüntüsü ve 23 doğrulama görüntüsü içerir. Eğitim görüntüleri modeli öğretmek için kullanılırken doğrulama görüntüleri, modelin daha önce görmediği yeni verilerde ne kadar iyi performans gösterdiğini değerlendirmeye yardımcı olur.

Veri kümesindeki her görüntü, haplar olmak üzere tek bir sınıf için etiketlenmiştir. Sınırlayıcı kutu açıklamaları her hapın konumunu net bir şekilde işaretler; bu da veri kümesini birden çok nesne sınıfını ele alma karmaşıklığı olmadan hap algılama gibi belirli görevler için ideal kılar.

Şekil 2. Medical Pills Dataset'e bir bakış.

YOLO11 ile eğitimi desteklemek için Ultralytics, model eğitimi için gereken dosya yolları, sınıf adları ve meta veriler gibi temel parametreleri tanımlayan bir YAML yapılandırma dosyası sağlar. Önceden eğitilmiş bir modeli ince ayarlıyor veya sıfırdan başlıyor ol, bu dosya süreci çok daha basit hâle getirir ve hızlıca başlamana yardımcı olur.

Hap veri kümesiyle bir Ultralytics YOLO modeli eğit#

Başlamak için modeli eğitmek ve test etmek üzere bir ortam kuracağız. Tercihine göre Google Colab, Jupyter Notebooks veya basit bir Python dosyası kullanabilirsin. Seçtiğin ortamda yeni bir not defteri veya Python dosyası oluşturman yeterli.

Ardından, aşağıdaki komutu kullanarak ortamımızı kurabilir ve Ultralytics Python paketini yükleyebiliriz. Not defteri tabanlı bir ortam (Google Colab veya Jupyter) kullanıyorsan aşağıdaki komutu başına ünlem işareti (!) koyarak çalıştır.

pip install ultralytics

Kurulumun ardından sonraki adım, Tıbbi Haplar veri kümesini indirip YOLO11 modelini eğitmektir. Veri kümesi Ultralytics Python paketi tarafından desteklendiğinden süreç oldukça basittir.

Model eğitimi sürecini anlama#

Önce Ultralytics paketinden YOLO sınıfını içe aktarabiliriz. Ardından nano boyutunda ve hafif olduğu için önerilen, “yolo11n.pt” dosyasındaki önceden eğitilmiş YOLO11n modelini yükleyebiliriz.

Son olarak, aşağıda gösterildiği gibi modeli veri kümesi yapılandırma dosyasına (medical-pills.yaml) yönlendirip eğitim dönemlerinin sayısını (veri kümesinin tamamında bir kez geçiş) 100 olarak ayarlayarak eğitim sürecini başlatabiliriz.

from ultralytics import YOLO

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

Modelin öğrenip her geçişte performansını geliştirmesi için birden çok dönem boyunca eğitim yapabilirsin. İlerlemeyi izlemek ve modelin performansını gözden geçirmek için kullanabileceğin günlükleri ve kontrol noktalarını “runs/detect/train/” alt klasöründe bulabilirsin.

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

Model eğitimi sonrasında Ultralytics YOLO11'i değerlendirme#

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

metrics = model.val()

Bu süreç, modelin performansı hakkında fikir veren yaygın nesne algılama ölçütlerini döndürür. Bu ölçütlerden bazılarına daha yakından bakalım:

• Kesinlik: Modelin algıladığı hapların ne kadarının doğru olduğunu ölçer.
• Duyarlılık: Gerçek hapların ne kadarının model tarafından başarıyla tanımlandığını gösterir.
• Ortalama kesinlik (mAP): Bu metrik, genel bir performans puanı vermek için çeşitli algılama eşiklerinde kesinlik ve duyarlılığı bir araya getirir.

Bu metrikler birlikte, modelin daha önce görmediği yeni verilerdeki hapları ne kadar doğru algıladığına dair kapsamlı bir görünüm sunar.

Modelin beklediğin kadar iyi performans göstermiyorsa performansını daha da iyileştirmek için daha fazla dönem eğitmeyi veya model optimizasyonu sırasında atılan adımların büyüklüğünü kontrol eden öğrenme oranı ya da görüntü boyutu gibi diğer eğitim parametrelerinde ince ayar yapmayı deneyebilirsin.

Özel olarak eğitilmiş Ultralytics YOLO11 modelinle çıkarım çalıştırma#

Ultralytics YOLO11 modeli eğitilip değerlendirildikten sonra sıradaki adım, daha önce görmediği yeni görüntülerde ne kadar iyi performans gösterdiğini test etmektir. Bu, farklı aydınlatma koşullarında, düzenlerde veya ambalaj türlerinde hapları algılama gibi gerçek dünya koşullarını taklit etmeye yardımcı olur.

Modeli test etmek için ücretsiz stok görsel sitesi Pexels üzerinden örnek bir görsel indirip aşağıdaki kod parçacığında gösterildiği gibi özel verilerle eğitilmiş Ultralytics YOLO11 modeliyle tahmin yaptık.

Modelin gerçek dünya senaryolarında ne kadar iyi performans gösterdiğini değerlendirmek için bu örnek görüntüyü veya konuyla ilgili başka herhangi bir görüntüyü kullanabilirsin.

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

Kaydetme seçeneği, modele çıktı görüntüsünü saklamasını söyler; güven eşiği ayarı ise sonuçlara yalnızca en az yüzde 30 güven düzeyine sahip tahminlerin dahil edilmesini sağlar.

Tahmini çalıştırdığında çıktı, kaydedilen görselin konumunu bildiren bir ileti gösterecek; örneğin, "Results saved to runs/detect/predict."

Çıktı görüntün, hapların algılanıp sınırlayıcı kutularla vurgulandığı burada gösterilene benzer olacaktır. Görüntülenen güven puanları, her algılamanın güven düzeyini gösterir.

Şekil 3. Ultralytics YOLO11 ile hap algılama.

İlaç sektöründe Ultralytics YOLO11 kullanımının gerçek dünya uygulamaları#

Artık Medical-Pills Dataset kullanarak Ultralytics YOLO11'i nasıl eğiteceğimizi ve hap algılama için görüntüler üzerinde çıkarım yapmayı incelediğimize göre, YOLO11'in ilaç sektöründeki gerçek dünya uygulamalarına bakalım.

Ultralytics YOLO11 ile ilaç sektöründe hap ayıklama#

Ultralytics YOLO11 ile otomatik hap algılama, ilaç sektöründe ayıklama amacıyla kullanılabilir. Elle ayıklama genellikle yavaştır, tekrara dayanır ve ilaç güvenliğini ve mevzuata uygunluğu tehlikeye atabilecek hatalara açıktır.

İnce ayar yapılmış bir Ultralytics YOLO11 modeli kullanarak hapları boyut, şekil ve renk gibi görsel özelliklerine göre doğru biçimde algılayıp ayıklayabiliriz. Bu otomasyon süreci hızlandırır ve ürünlerin katı kalite standartlarını karşılamasını sağlamaya yardımcı olur; bu da onu ilaç sektörü operasyonlarında değerli bir araç hâline getirir.

Şekil 4. YOLO11 yardımıyla hap algılama.

Ultralytics YOLO11 yardımıyla envanteri izleme#

Doğru ilacı zamanında stoklamak yalnızca lojistik bir görev değildir; hasta bakımını ve maliyetleri etkileyebilir. Kritik bir hapın stokunun azalması tedaviyi geciktirebilirken fazla stok, ilaçların son kullanma tarihinin geçmesine ve envanterin israf edilmesine yol açabilir. İlaç sektöründeki çok sayıda hap türü ve ambalaj çeşidi düşünüldüğünde otomatik envanter sistemleri daha doğru kayıtlar tutmayı sağlayabilir.

Akıllı envanter sistemleri, stok seviyelerini gerçek zamanlı izlemek için Ultralytics YOLO11 gibi bilgisayarlı görü modellerini kullanabilir. Model, hapları algılamak ve saymak için rafları ve ambalaj alanlarını görüntüler veya videolarla tarayabilir. Ürünler eklendikçe, çıkarıldıkça ya da taşındıkça stok seviyeleri değişir ve sistem sayımı otomatik olarak güncelleyebilir.

Ultralytics YOLO11 ile desteklenen ilaç sektöründe kalite kontrolü#

İlaç üretiminde, her hapın güvenli ve etkili olduğundan emin olmak için kalite kontrolü çok önemlidir. Çatlak, düzensiz şekil veya hafif renk farklılığı gibi küçük kusurlar bile dozaj hatalarına ya da ürün geri çağırmalarına yol açabilir.

Ultralytics YOLO11, kalite standartlarını karşılamayan hapları otomatik olarak tespit ederek yardımcı olabilir. Model görsel özellikleri öğrenebilir ve yongalanma, solmuş baskılar veya renk değişimi gibi sorunları gerçek zamanlı olarak işaretlemek için sınırlayıcı kutular kullanır. Böylece kusurlu haplar erken aşamada ayrılarak israf azaltılır ve hastalara yalnızca kalite güvencesinden geçmiş ilaçların ulaşması sağlanır.

Bunun yanı sıra Ultralytics YOLO11, kalite izlenirken doğru takip için denetim sırasında hapları algılamak ve saymak amacıyla kullanılabilir.

Şekil 5. Ultralytics YOLO11 kapsülleri algılamak ve saymak için kullanılabilir.

Hap algılamada Görsel Yapay Zekâ kullanmanın avantajları ve dezavantajları#

Görsel yapay zekânın ilaç sektöründe nasıl kullanılabileceğini incelediğimize göre, şimdi bu sektörde bilgisayarlı görü kullanmanın temel faydalarına kısaca göz atalım:

• Tahmine dayalı bakım: Ultralytics YOLO11, haplardaki veya ambalajlardaki tutarsızlıkları belirleyerek makinelerdeki erken aşınma 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 kümeleriyle ince ayarlanabilir. Operasyonlar büyüdükçe denetimi ölçeklenebilir ve uygun maliyetli hâle getirir.
• Uzaktan izleme: Bulut sistemleri ve uç cihazlarla entegre edildiğinde gerçek zamanlı kalite kontrollerini mümkün kılar; kırsal bölgelerdeki dağıtım noktalarını, otomatik üniteleri ve uzaktan eczacılık sistemlerini yönetmek için idealdir.

İlaç sektöründe görsel yapay zekâyı uygulamanın birçok avantajı olsa da bu teknolojileri kullanırken göz önünde bulundurulması gereken bazı noktalar da vardır:

• Operasyonel entegrasyon: Yapay zekâ sistemlerini mevcut iş akışlarına entegre etmek, düzenlemeler, eğitim ve mevcut altyapıyla uyumluluk kontrolleri gerektirebilir.
• Mevzuata uygunluk: Hasta güvenliğini ve tutarlı ürün kalitesini sağlamak için otomatik sistemlerin katı mevzuat standartlarına uyması gerekir.
• Hata yönetimi: Gelişmiş modeller bile yanlış pozitif veya yanlış negatif sonuçlar üretebilir. Bu hataları ele almak ve düzeltmek için süreçlerin yürürlükte olması önemlidir.

Yapay zekâ destekli ilaç sektörü iş akışlarında geleceğe bakış#

Gelecekte yapay zekâ, klinik araştırmaları muhtemelen daha hızlı, daha akıllı ve daha uygun maliyetli hâle getirmede daha büyük bir rol oynayacak. Daha iyi araştırma protokolleri tasarlamaya, doğru hasta gruplarını seçmeye ve verileri gerçek zamanlı izlemeye yardımcı olabilir.

Bu, araştırmacıların sorunlara ortaya çıktıktan sonra değil, ortaya çıktıkları anda yanıt vermesini sağlayabilir. Yapay zekâ, manuel evrak işlerini azaltıp rutin kontrolleri otomatikleştirerek onay sürecini de hızlandırabilir. Genel olarak yapay zekânın ilaç sektörü iş akışlarına entegrasyonu daha az gecikmeye ve yeni tedavilere daha hızlı erişime yol açabilir.

Önemli çıkarımlar#

Ultralytics YOLO11'in Medical Pills Dataset üzerinde eğitilmesi, modelin ilaç sektörü görevlerine ne kadar hızlı ve etkili biçimde uyum sağlayabildiğini gösteriyor. Küçük bir veri kümesiyle bile hapları doğru şekilde algılayabiliyor; bu da onu ayıklama, kalite kontrolü ve envanter takibi gibi işler için kullanışlı kılıyor.

Veri kümeleri büyüyüp modeller iyileştikçe görsel yapay zekânın ilaç sektöründeki potansiyeli yalnızca lojistiğin ötesine geçiyor. Bu teknoloji, hapların tutarlı biçimde tanımlanıp izlenmesine yardımcı olarak ve araştırmacıların yeni ilaç kombinasyonlarını güvenli bir şekilde test etmesini destekleyerek klinik araştırmalara da katkıda bulunabilir.

Daha fazla bilgi edinmek ve büyüyen topluluğumuzun bir parçası olmak için GitHub depomuzu keşfet. Tarımda yapay zekâdan sağlık hizmetlerinde bilgisayarlı görüye kadar çeşitli sektörlerdeki yenilikleri keşfet. Lisanslama seçeneklerimize göz at ve görsel yapay zekâ projelerini bugün hayata geçir.