Tìm hiểu chuyên sâu về phát hiện thuốc viên bằng Ultralytics YOLO11

Trí tuệ nhân tạo đang được ứng dụng trong hầu hết mọi ngành, nhưng ảnh hưởng của AI đến y tế, đặc biệt là dược phẩm, rất đáng kể. Năm nay, thị trường AI trong ngành dược phẩm được định giá 1,94 tỷ USD và dự kiến tăng lên 16,49 tỷ USD vào năm 2034.

Một động lực công nghệ then chốt của thị trường này là thị giác máy tính. Khác với xử lý ảnh truyền thống, thị giác máy tính là một nhánh của AI cho phép máy móc hiểu và phân tích dữ liệu hình ảnh theo thời gian thực.

Hình 1. Tổng quan về AI trong thị trường dược phẩm.

Trong ngành dược phẩm, nơi ngay cả sai sót nhỏ nhất cũng có thể dẫn đến hậu quả nghiêm trọng, AI thị giác mang đến những phương thức mới và đáng tin cậy để cải thiện độ an toàn và chính xác.

Ví dụ, Ultralytics YOLO11 là một model thị giác máy tính được thiết kế cho các tác vụ thời gian thực như phát hiện đối tượng và phân đoạn thực thể, có thể được sử dụng trong các ứng dụng như nhận diện viên thuốc hoặc phát hiện lỗi trên bao bì y tế.

Trong bài viết này, chúng tôi sẽ hướng dẫn cách trải nghiệm thực tế AI thị giác bằng cách huấn luyện Ultralytics YOLO11 phát hiện thuốc viên. Chúng tôi cũng sẽ tìm hiểu các ứng dụng trong thế giới thực.

Xây dựng model AI phát hiện viên thuốc#

Trước khi tìm hiểu cách huấn luyện Ultralytics YOLO11 để phát hiện viên thuốc, hãy cùng nhìn lại và tìm hiểu ý nghĩa của việc huấn luyện model cũng như vai trò của dataset.

Huấn luyện model là quá trình dạy model nhận diện các mẫu bằng cách cung cấp cho model nhiều ví dụ. Trong trường hợp này, dataset là tập hợp các hình ảnh, trong đó mỗi hình ảnh được gán nhãn để chỉ vị trí của các viên thuốc. Quá trình này giúp model học từ những ví dụ đó để sau này có thể nhận diện viên thuốc trong các hình ảnh mới.

Package Ultralytics Python giúp quy trình này dễ dàng hơn nữa bằng cách hỗ trợ nhiều loại dataset ở định dạng file YOLO tinh gọn. Package này giúp dễ dàng truy cập các dataset phổ biến và hỗ trợ các ứng dụng như phát hiện thuốc viên.

Ví dụ, Medical Pills Dataset là một bộ dữ liệu proof-of-concept chuyên biệt, được thiết kế để minh họa cách phát hiện đối tượng có thể cải thiện quy trình làm việc trong ngành dược phẩm thông qua các tác vụ như kiểm soát chất lượng, phân loại và phát hiện hàng giả.

Lựa chọn môi trường phát triển#

Một yếu tố khác cần cân nhắc trước khi bắt đầu huấn luyện bằng gói Python Ultralytics là chọn môi trường phát triển phù hợp. Dưới đây là ba lựa chọn phổ biến:

• Giao diện dòng lệnh (CLI): CLI hay terminal là công cụ dạng văn bản đơn giản, cho phép bạn nhập lệnh để chạy code và tương tác với máy tính.
• Jupyter Notebooks: Đây là môi trường tương tác hơn, nơi bạn có thể viết và chạy code theo từng khối nhỏ (cell), giúp dễ dàng kiểm thử và gỡ lỗi trong quá trình làm việc.
• Google Colab: Một lựa chọn dựa trên cloud hoạt động tương tự Jupyter Notebooks, nhưng có thêm ưu điểm là miễn phí truy cập GPU, nên bạn không cần lo thiết lập môi trường cục bộ.

Bạn có thể tìm hiểu các tùy chọn thiết lập khác trong tài liệu chính thức của Ultralytics, nhưng ba lựa chọn nêu trên đều dễ thiết lập và sử dụng, rất phù hợp để nhanh chóng bắt đầu.

Trong hướng dẫn này, chúng ta sẽ tập trung vào cách thiết lập và huấn luyện Ultralytics YOLO11 bằng Google Colab, Jupyter Notebooks hoặc một script Python cơ bản, vì quy trình ở các môi trường này khá tương tự nhau.

Ngoài ra, hướng dẫn này khá giống với hướng dẫn trước đây của chúng tôi về phát hiện động vật hoang dã bằng Ultralytics YOLO11. Nếu bạn muốn tìm hiểu thêm chi tiết về bất kỳ bước nào trong hướng dẫn lập trình này, hãy xem bài viết đó.

Khám phá dataset để phát hiện viên thuốc theo thời gian thực bằng YOLO#

Medical Pills Dataset gồm 92 hình ảnh huấn luyện và 23 hình ảnh validation, tạo nên tỷ lệ phân chia hợp lý để xây dựng và kiểm thử model. Hình ảnh huấn luyện được dùng để dạy model, trong khi hình ảnh validation giúp đánh giá khả năng hoạt động của model trên dữ liệu mới chưa từng thấy.

Mỗi hình ảnh trong dataset được gán nhãn cho một class duy nhất là viên thuốc. Các annotation bounding box đánh dấu rõ vị trí của từng viên thuốc, khiến dataset này phù hợp với những tác vụ tập trung như phát hiện viên thuốc mà không cần xử lý sự phức tạp của nhiều class đối tượng.

Hình 2. Khám phá Medical Pills Dataset.

Để hỗ trợ huấn luyện với YOLO11, Ultralytics cung cấp tệp cấu hình YAML xác định các tham số quan trọng như đường dẫn tệp, tên class và metadata cần thiết cho quá trình huấn luyện model. Dù bạn đang fine-tune một model đã được huấn luyện trước hay bắt đầu từ đầu, tệp này giúp đơn giản hóa đáng kể quy trình và cho phép bạn nhanh chóng bắt đầu.

Huấn luyện model Ultralytics YOLO trên dataset viên thuốc#

Đầu tiên, chúng ta sẽ thiết lập môi trường để huấn luyện và kiểm thử model. Bạn có thể chọn Google Colab, Jupyter Notebooks hoặc một tệp Python đơn giản tùy theo sở thích. Chỉ cần tạo notebook hoặc tệp Python mới trong môi trường bạn chọn.

Tiếp theo, chúng ta có thể thiết lập môi trường và cài đặt gói Python Ultralytics bằng lệnh bên dưới. Nếu sử dụng môi trường dựa trên notebook (Google Colab hoặc Jupyter), hãy chạy lệnh sau với dấu chấm than (!) ở đầu.

pip install ultralytics

Sau khi cài đặt, bước tiếp theo là tải xuống và huấn luyện YOLO11 bằng Medical Pills dataset. Vì dataset được package Ultralytics Python hỗ trợ nên quy trình rất đơn giản.

Tìm hiểu quy trình huấn luyện model#

Trước tiên, chúng ta có thể import lớp YOLO từ package Ultralytics. Sau đó, chúng ta có thể tải model YOLO11n được huấn luyện trước từ file “yolo11n.pt”; model này được khuyến nghị vì thuộc phiên bản nano và có trọng lượng nhẹ.

Cuối cùng, chúng ta có thể bắt đầu huấn luyện bằng cách chỉ định cấu hình dataset (medical-pills.yaml) cho model và đặt số epoch huấn luyện (mỗi epoch là một lượt chạy hoàn chỉnh qua toàn bộ dataset) là 100, như minh họa bên dưới.

from ultralytics import YOLO

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

Huấn luyện qua nhiều epoch cho phép model học và cải thiện hiệu suất sau mỗi lượt. Bạn có thể tìm thấy log và checkpoint được lưu trong thư mục con “runs/detect/train/”, dùng để theo dõi tiến độ và xem xét hiệu suất của model.

Sau khi hoàn tất huấn luyện, model YOLO11 được huấn luyện tùy chỉnh sẽ có thể nhận diện viên thuốc chính xác. Bạn có thể tìm trọng số model đã huấn luyện cuối cùng trong thư mục con “runs/detect/train/weights/” với tên “best.pt”.

Đánh giá Ultralytics YOLO11 sau khi huấn luyện model#

Để đánh giá khả năng học phát hiện viên thuốc của model, chúng ta có thể chạy validation như sau:

metrics = model.val()

Quy trình này trả về các metric phát hiện đối tượng phổ biến, giúp đánh giá hiệu suất của model. Dưới đây là phần giải thích chi tiết hơn về một số metric này:

• Precision: Đo tỷ lệ viên thuốc do model phát hiện được mà kết quả là chính xác.
• Recall: Cho biết tỷ lệ viên thuốc thực tế mà model nhận diện thành công.
• Độ chính xác trung bình (mAP): Metric này kết hợp precision và recall qua nhiều ngưỡng phát hiện để đưa ra điểm hiệu suất tổng thể.

Kết hợp lại, các metric này cung cấp cái nhìn toàn diện về độ chính xác của model khi phát hiện viên thuốc trong dữ liệu mới chưa từng thấy.

Nếu model không hoạt động tốt như mong đợi, bạn có thể thử huấn luyện qua nhiều epoch hơn hoặc tinh chỉnh các tham số huấn luyện khác, chẳng hạn như learning rate, tham số kiểm soát kích thước các bước trong quá trình tối ưu hóa model, hoặc kích thước ảnh để cải thiện thêm hiệu suất.

Chạy suy luận bằng model Ultralytics YOLO11 được huấn luyện tùy chỉnh#

Sau khi huấn luyện và đánh giá model Ultralytics YOLO11, bước tiếp theo là kiểm thử khả năng hoạt động của model trên những hình ảnh mới chưa từng thấy. Việc này giúp mô phỏng các điều kiện thực tế, chẳng hạn như phát hiện viên thuốc trong nhiều điều kiện chiếu sáng, cách sắp xếp hoặc kiểu bao bì khác nhau.

Để kiểm thử model, chúng tôi đã tải một ảnh mẫu từ Pexels, một trang web cung cấp ảnh stock miễn phí, rồi chạy dự đoán trên ảnh bằng model Ultralytics YOLO11 đã được huấn luyện tùy chỉnh, như minh họa trong đoạn code bên dưới.

Bạn có thể dùng hình ảnh mẫu này hoặc bất kỳ hình ảnh phù hợp nào khác để đánh giá khả năng hoạt động của model trong các tình huống thực tế.

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

Tùy chọn save yêu cầu model lưu hình ảnh đầu ra, còn thiết lập confidence đảm bảo chỉ đưa vào kết quả các dự đoán có độ tin cậy ít nhất 30 phần trăm.

Khi chạy dự đoán, đầu ra sẽ hiển thị thông báo cho biết vị trí lưu ảnh - ví dụ: "Results saved to runs/detect/predict."

Hình ảnh đầu ra sẽ tương tự hình minh họa ở đây, với các viên thuốc được phát hiện và đánh dấu bằng bounding box. Điểm confidence hiển thị cho biết mức độ chắc chắn của từng kết quả phát hiện.

Hình 3. Phát hiện viên thuốc bằng Ultralytics YOLO11.

Ứng dụng thực tế của Ultralytics YOLO11 trong ngành dược phẩm#

Giờ đây, sau khi tìm hiểu cách huấn luyện Ultralytics YOLO11 bằng Medical-Pills Dataset và chạy inference trên hình ảnh để phát hiện viên thuốc, hãy cùng xem xét các ứng dụng thực tế của YOLO11 trong ngành dược phẩm.

Phân loại viên thuốc trong ngành dược phẩm bằng Ultralytics YOLO11#

Phát hiện viên thuốc tự động bằng Ultralytics YOLO11 có thể được ứng dụng vào quy trình phân loại dược phẩm. Việc phân loại thủ công thường chậm, lặp đi lặp lại và dễ xảy ra lỗi, có thể ảnh hưởng đến độ an toàn và tính tuân thủ của thuốc.

Bằng cách sử dụng model Ultralytics YOLO11 đã được fine-tune, chúng ta có thể phát hiện và phân loại viên thuốc chính xác dựa trên các đặc điểm hình ảnh như kích thước, hình dạng và màu sắc. Tự động hóa giúp đẩy nhanh quy trình và đảm bảo sản phẩm đáp ứng các tiêu chuẩn chất lượng nghiêm ngặt, biến công nghệ này thành công cụ hữu ích trong hoạt động dược phẩm.

Hình 4. Phát hiện viên thuốc bằng YOLO11.

Theo dõi hàng tồn kho bằng Ultralytics YOLO11#

Dự trữ đúng loại thuốc đúng thời điểm không chỉ là nhiệm vụ hậu cần mà còn có thể ảnh hưởng đến việc chăm sóc bệnh nhân và chi phí. Thiếu một loại thuốc quan trọng có thể làm chậm quá trình điều trị, trong khi dự trữ quá nhiều có thể khiến thuốc hết hạn và gây lãng phí hàng tồn kho. Với nhiều loại viên thuốc và kiểu bao bì khác nhau trong ngành dược phẩm, hệ thống quản lý hàng tồn kho tự động có thể giúp lưu trữ hồ sơ chính xác hơn.

Hệ thống quản lý hàng tồn kho thông minh có thể sử dụng các model thị giác máy tính như Ultralytics YOLO11 để theo dõi mức tồn kho theo thời gian thực. Model có thể quét kệ và khu vực đóng gói bằng hình ảnh hoặc video để phát hiện và đếm viên thuốc. Khi mức tồn kho thay đổi do hàng hóa được thêm vào, lấy đi hoặc di chuyển, hệ thống có thể tự động cập nhật số lượng.

Kiểm soát chất lượng dược phẩm với Ultralytics YOLO11#

Trong sản xuất dược phẩm, kiểm soát chất lượng là yếu tố then chốt để đảm bảo mỗi viên thuốc đều an toàn và hiệu quả. Ngay cả những khuyết tật nhỏ như vết nứt, hình dạng không đồng đều hoặc màu sắc hơi khác biệt cũng có thể dẫn đến sai sót về liều lượng hoặc thu hồi sản phẩm.

Ultralytics YOLO11 có thể tự động phát hiện thuốc viên không đạt tiêu chuẩn chất lượng. Model có thể học các đặc trưng hình ảnh và sử dụng hộp giới hạn để đánh dấu những vấn đề như mẻ, chữ in mờ hoặc đổi màu theo thời gian thực. Điều này cho phép loại bỏ sớm các viên thuốc lỗi, giảm lãng phí và giúp đảm bảo chỉ những loại thuốc đã được kiểm soát chất lượng mới đến tay bệnh nhân.

Ngoài ra, Ultralytics YOLO11 có thể được dùng để phát hiện và đếm viên thuốc trong quá trình kiểm tra, giúp theo dõi chính xác đồng thời giám sát chất lượng.

Hình 5. Có thể sử dụng Ultralytics YOLO11 để phát hiện và đếm viên nang.

Ưu và nhược điểm của AI thị giác trong phát hiện viên thuốc#

Giờ đây, sau khi tìm hiểu cách ứng dụng AI thị giác trong ngành dược phẩm, hãy cùng điểm qua một số lợi ích chính của việc sử dụng thị giác máy tính trong lĩnh vực này:

• Bảo trì dự đoán: Có thể sử dụng Ultralytics YOLO11 để phát hiện sớm dấu hiệu hao mòn máy móc bằng cách nhận diện những điểm bất thường ở viên thuốc hoặc bao bì. Công nghệ này giúp lên lịch sửa chữa kịp thời và ngăn ngừa thời gian ngừng sản xuất ngoài kế hoạch.
• Khả năng mở rộng khi sử dụng model: Có thể fine-tune model trên nhiều dataset khác nhau cho các loại viên thuốc và bao bì khác nhau. Nhờ vậy, hoạt động kiểm tra có thể mở rộng với chi phí hợp lý khi quy mô vận hành tăng lên.
• Giám sát từ xa: Công nghệ này cho phép kiểm tra chất lượng theo thời gian thực khi được tích hợp với hệ thống cloud và thiết bị edge, rất phù hợp để quản lý các điểm cấp phát thuốc ở nông thôn, đơn vị tự động và hệ thống telepharmacy từ xa.

Mặc dù AI thị giác mang lại nhiều lợi ích khi được triển khai trong ngành dược phẩm, vẫn có một số điểm cần cân nhắc khi sử dụng công nghệ này:

• Tích hợp vào hoạt động: Việc tích hợp hệ thống AI vào quy trình làm việc hiện có có thể đòi hỏi điều chỉnh, đào tạo và kiểm tra khả năng tương thích với hạ tầng hiện tại.
• Tuân thủ quy định: Các hệ thống tự động phải tuân thủ những tiêu chuẩn quy định nghiêm ngặt để đảm bảo an toàn cho bệnh nhân và chất lượng sản phẩm nhất quán.
• Quản lý lỗi: Ngay cả các model tiên tiến cũng có thể tạo ra kết quả dương tính giả hoặc âm tính giả. Điều quan trọng là phải có quy trình xử lý và khắc phục những lỗi này.

Tương lai của quy trình làm việc AI trong ngành dược phẩm#

Trong tương lai, AI có thể đóng vai trò lớn hơn trong việc giúp thử nghiệm lâm sàng diễn ra nhanh hơn, thông minh hơn và tiết kiệm chi phí hơn. AI có thể hỗ trợ thiết kế quy trình thử nghiệm tốt hơn, lựa chọn nhóm bệnh nhân phù hợp và giám sát dữ liệu theo thời gian thực.

Điều này có thể giúp nhà nghiên cứu ứng phó với vấn đề ngay khi phát sinh, thay vì đợi đến khi sự việc đã xảy ra. AI cũng có thể đẩy nhanh quy trình phê duyệt bằng cách giảm bớt giấy tờ thủ công và tự động hóa các bước kiểm tra thường lệ. Nhìn chung, việc tích hợp AI vào quy trình làm việc trong ngành dược phẩm có thể giảm tình trạng chậm trễ và giúp bệnh nhân tiếp cận các phương pháp điều trị mới nhanh hơn.

Điểm chính cần ghi nhớ#

Việc huấn luyện Ultralytics YOLO11 trên Medical Pills Dataset cho thấy model có thể nhanh chóng thích ứng hiệu quả với các tác vụ trong ngành dược phẩm. Ngay cả với dataset nhỏ, model vẫn có thể phát hiện viên thuốc chính xác, hữu ích cho các hoạt động như phân loại, kiểm soát chất lượng và theo dõi hàng tồn kho.

Khi dataset ngày càng lớn và model được cải thiện, tiềm năng của AI thị giác trong ngành dược phẩm sẽ vượt xa các hoạt động hậu cần. Công nghệ này còn có thể hỗ trợ thử nghiệm lâm sàng bằng cách giúp nhận diện và theo dõi viên thuốc nhất quán, đồng thời hỗ trợ nhà nghiên cứu thử nghiệm an toàn các tổ hợp thuốc mới.

Khám phá kho GitHub của chúng tôi để tìm hiểu thêm và tham gia cộng đồng ngày càng phát triển. Khám phá các đổi mới trong nhiều lĩnh vực, từ AI trong nông nghiệp đến thị giác máy tính trong y tế. Xem các lựa chọn cấp phép và bắt đầu dự án AI thị giác ngay hôm nay.