深入了解如何使用 Ultralytics YOLO11 检测药片

人工智能几乎已应用于所有行业，但它对医疗保健领域，尤其是制药行业的影响尤为显著。今年，制药领域的 AI市场估值为 19.4 亿美元，预计到 2034 年将增长至 164.9 亿美元。

推动这一市场发展的关键技术之一是计算机视觉。与传统图像处理不同，计算机视觉是 AI 的一个子领域，能够让机器实时理解和分析视觉数据。

图 1。AI 在制药市场中的概览。

在制药行业，即使是最微小的错误也可能造成严重后果，而视觉 AI 为提高安全性和精确度提供了新的可靠途径。

例如，Ultralytics YOLO11 是一种计算机视觉模型，专为目标检测和实例分割等实时任务而设计，可用于识别药片或检测药品包装缺陷等应用。

本文将介绍如何通过训练 Ultralytics YOLO11 检测药片，亲自动手体验视觉 AI。我们还将探讨它在现实世界中的应用。现在开始吧！

构建药片检测 AI 模型#

在深入了解如何训练 Ultralytics YOLO11 检测药片之前，我们先退一步，了解训练模型的含义以及数据集所发挥的作用。

训练模型，就是通过向模型展示大量示例来教它识别模式。在这个案例中，数据集由一组图像构成，每张图像都经过标注，标明药片所在的位置。这个过程能帮助模型从这些示例中学习，从而在之后识别新图像中的药片。

Ultralytics Python 包支持多种采用精简 YOLO 文件格式的数据集，让这一过程更加轻松。它们还提供便捷的热门数据集访问方式，并支持药片检测等应用。

例如，Medical Pills Dataset 是一个专门用于概念验证的数据集，旨在展示目标检测如何通过质量控制、分类和假药检测等任务改进制药工作流程。

选择开发环境#

开始使用 Ultralytics Python 包训练之前，还需要考虑选择合适的开发环境。以下是三个常见选项：

• 命令行界面（CLI）： CLI 或终端是一种简单的文本工具，你可以在其中输入命令来运行代码并与计算机交互。
• Jupyter Notebooks： 这是一个交互性更强的环境，你可以分小段（单元格）编写并运行代码，便于在操作过程中测试和调试。
• Google Colab： 这是一种云端方案，使用方式类似于 Jupyter Notebooks，此外还可免费使用 GPU，因此你无需担心在本地进行任何设置。

你可以在Ultralytics 官方文档中了解其他设置选项，但上述三种方案都易于设置和使用，非常适合快速入门。

本指南将重点介绍如何使用 Google Colab、Jupyter Notebooks 或基础 Python 脚本设置并训练 Ultralytics YOLO11，因为这几种环境中的操作过程都很相似。

此外，本教程与我们之前介绍的使用 Ultralytics YOLO11 检测野生动物的教程非常相似。如果你想进一步了解本编程教程中的任何步骤，可以查看那篇教程。

探索用于实时药片检测的 YOLO 数据集#

Medical Pills Dataset 包含 92 张训练图像和 23 张验证图像，为构建和测试模型提供了合理的数据划分。训练图像用于教模型学习，而验证图像则用于评估模型在未见过的新数据上的表现。

数据集中的每张图像都标注为单一类别：药片。边界框标注清晰地标出了每颗药片的位置，因此该数据集非常适合药片检测等专注于单一类别的任务，无需处理多个目标类别带来的复杂性。

图 2。Medical Pills Dataset 一览。

为支持使用 YOLO11 进行训练，Ultralytics 提供了一个 YAML 配置文件，其中定义了模型训练所需的关键参数，例如文件路径、类别名称和元数据。无论你是微调预训练模型，还是从头开始训练，这个文件都能大幅简化流程，帮助你快速入门。

在药片数据集上训练 Ultralytics YOLO 模型#

首先，我们要设置一个用于训练和测试模型的环境。你可以根据自己的偏好选择 Google Colab、Jupyter Notebooks 或简单的 Python 文件。在所选环境中创建一个新的笔记本或 Python 文件即可。

然后，我们可以设置环境，并使用下面的命令安装 Ultralytics Python 包。如果你使用基于笔记本的环境（Google Colab 或 Jupyter），请在以下命令开头加上感叹号（!）后运行。

pip install ultralytics

安装完成后，下一步是下载并使用 Medical Pills 数据集训练 YOLO11。由于 Ultralytics Python 包支持该数据集，整个过程很简单。

了解模型训练流程#

首先，我们可以从 Ultralytics 包中导入 YOLO 类。然后，可以从文件“yolo11n.pt”加载一个预训练的 YOLO11 模型；推荐使用该模型，因为它是轻量级的 nano 模型。

最后，我们可以将模型指向数据集配置文件（medical-pills.yaml），并将训练轮数（完整遍历整个数据集一次）设为 100，以此启动训练，如下所示。

from ultralytics import YOLO

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

经过多个轮次的训练，模型可以不断学习，并在每次遍历数据集时提升性能。你可以在“runs/train/”子文件夹中找到保存的日志和检查点，用于监控进度并查看模型表现。

训练完成后，经过自定义训练的 YOLO11 模型应该能够准确识别药片。你可以在“runs/detect/train/weights/”子文件夹中找到名为“best.pt”的最终训练模型权重。

模型训练后评估 Ultralytics YOLO11#

要评估模型学习检测药片的效果，我们可以按如下方式运行验证：

metrics = model.val()

这个过程会返回常见的目标检测指标，帮助你了解模型的表现。下面来具体看看其中的一些指标：

• 精确率： 衡量模型检测出的药片中，正确检测的比例。
• 召回率： 表示模型成功识别出的实际药片所占的比例。
• 平均精度均值（mAP）： 该指标综合不同检测阈值下的精确率和召回率，得出整体性能分数。

这些指标结合起来，可以全面反映模型在未见过的新数据中检测药片的准确程度。

如果模型的表现未达预期，你可以尝试增加训练轮数，或微调其他训练参数，例如控制模型优化步长的学习率，或图像尺寸，以进一步提升模型性能。

使用自定义训练的 Ultralytics YOLO11 模型运行推理#

完成 Ultralytics YOLO11 模型训练和评估后，下一步是在未见过的新图像上测试模型的表现。这有助于模拟真实场景，例如在不同光照、摆放方式或包装样式下检测药片。

为了测试模型，我们从免费图库网站 Pexels 下载了一张示例图像，并使用经过自定义训练的 Ultralytics YOLO11 模型对图像进行分析或预测，如下面的代码片段所示。

你可以使用这张示例图像或其他相关图像，评估模型在真实场景中的表现。

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

save 选项会让模型保存输出图像，而置信度设置则确保只有置信度至少达到 30% 的预测结果才会包含在输出中。

运行预测时，输出会显示一条消息，告诉你保存图像的位置，例如“结果已保存到 runs/detect/train”。

你的输出图像会与此处展示的图像相似，药片会被检测出来并用边界框标出。显示的置信度分数代表每次检测的确定程度。

图 3。使用 Ultralytics YOLO11 检测药片。

Ultralytics YOLO11 在制药行业中的实际应用#

了解如何使用 Medical-Pills Dataset 训练 Ultralytics YOLO11 并对图像进行推理以检测药片后，接下来看看 YOLO11 在制药行业中的实际应用。

使用 Ultralytics YOLO11 对药片进行分类#

使用 Ultralytics YOLO11 进行药片自动检测，可应用于药品分类。人工分类通常速度慢、重复性高，也容易出错，可能危及药品安全并影响合规性。

通过使用经过微调的 Ultralytics YOLO11 模型，我们可以根据药片的大小、形状和颜色等视觉属性准确检测并分类药片。自动化能加快这一流程，并有助于确保产品符合严格的质量标准，因此是制药运营中的实用工具。

图 4。借助 YOLO11 检测药片。

借助 Ultralytics YOLO11 监控库存#

及时备齐正确的药品不仅是物流任务，还会影响患者护理和成本。关键药片库存不足可能延误治疗，而库存过多则可能导致药品过期和库存浪费。制药行业的药片种类繁多，包装也各不相同，因此自动化库存系统有助于更准确地记录库存。

智能库存系统可以使用 Ultralytics YOLO11 等计算机视觉模型实时监控库存水平。模型可以通过图像或视频扫描货架和包装区域，以检测并计数药片。无论物品是新增、移除还是移动，库存水平一旦变化，系统就能自动更新数量。

由 Ultralytics YOLO11 驱动的制药质量控制#

在药品生产中，质量控制至关重要，必须确保每颗药片都安全有效。即使是裂纹、形状不均或轻微颜色差异等小缺陷，也可能导致剂量错误或产品召回。

Ultralytics YOLO11 可以自动检测不符合质量标准的药片。模型能够学习视觉特征，并通过边界框实时标记缺角、印记褪色或变色等问题。这样可以及早剔除不合格药片，减少浪费，并确保只有通过质量检验的药品才能送到患者手中。

此外，Ultralytics YOLO11 还可以在检查过程中检测并计数药片，从而在监控质量的同时实现准确追踪。

图 5。Ultralytics YOLO11 可用于检测并计数胶囊。

使用视觉 AI 检测药片的优缺点#

了解视觉 AI 在制药行业中的应用后，我们来快速看看计算机视觉在这一领域的一些主要优势：

• 预测性维护： Ultralytics YOLO11 可通过识别药片或包装异常，检测机器磨损的早期迹象。它有助于及时安排维修，避免生产意外停工。
• 模型应用的可扩展性： 可以针对不同药片和包装的数据集微调模型。随着业务规模扩大，这能让检测工作更易扩展且更具成本效益。
• 远程监控： 与云系统和边缘设备集成后，它可以实时检查质量，非常适合管理农村药房、自动化设备和远程药房服务。

在制药行业应用视觉 AI 有许多优势，但使用这类技术时也有一些需要考虑的因素：

• 运营集成： 将 AI 系统集成到现有工作流程中，可能需要调整流程、开展培训，并检查与当前基础设施的兼容性。
• 法规合规：自动化系统必须遵守严格的法规标准，以确保患者安全和产品质量稳定。
• 错误管理： 即使是先进模型也可能产生误报或漏报。必须建立相应流程来处理和纠正这些错误。

AI 制药工作流程的未来发展#

未来，AI 很可能在加快临床试验进程、提升效率和降低成本方面发挥更大作用。AI 可以帮助设计更完善的试验方案、选择合适的患者群体，并实时监控数据。

这样一来，研究人员或许能够在问题出现时及时应对，而不是事后处理。AI 还可以通过减少手动文书工作和自动化例行检查来加快审批流程。总体而言，将 AI 集成到制药工作流程中可以减少延误，让患者更快获得新疗法。

要点#

在 Medical Pills Dataset 上训练 Ultralytics YOLO11，展示了模型适应制药任务的速度和效果。即使数据集规模较小，模型也能准确检测药片，因此适用于分类、质量控制和库存追踪等工作。

随着数据集不断扩大、模型不断改进，视觉 AI 在制药领域的潜力将不再局限于物流。这项技术还可以通过帮助一致地识别和追踪药片、协助研究人员安全测试新的药物组合，来支持临床试验。

访问我们的 GitHub 代码仓库，了解更多并加入不断壮大的社区。探索各个领域的前沿创新，从农业 AI到医疗健康领域的计算机视觉。查看我们的许可选项，立即启动你的视觉 AI 项目。