深入了解使用 Ultralytics YOLO11 检测药片

人工智能几乎已应用于每个行业，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市场价值为 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。制药市场中的 AI 概览。

在制药行业中，即使是最小的错误也可能造成严重后果，而视觉 AI 为提升安全性和精确度提供了全新且可靠的方法。

例如，Ultralytics YOLO11 是一个专为实时任务设计的计算机视觉模型，可用于目标检测和实例分割等任务，还可应用于识别药丸或检测药品包装缺陷等场景。

本文将带你了解如何通过训练 Ultralytics YOLO11 来检测药丸，从而亲自实践视觉 AI。我们还将探索它在现实世界中的应用。让我们开始吧！

构建药丸检测 AI 模型#

在深入了解如何训练 Ultralytics YOLO11 来检测药丸之前，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它展示大量示例来教会它识别模式。在本例中，数据集是一组图像，每张图像都经过标注，用于指示药丸所在的位置。这个过程帮助模型从这些示例中学习，以便之后在新图像中识别药丸。

Ultralytics Python 软件包通过支持采用统一 YOLO 文件格式的各种数据集，让这一过程变得更加简单。它提供了对热门数据集的便捷访问，并支持药丸检测等应用。

例如，Medical Pills Dataset 是一个专用的概念验证数据集，旨在展示目标检测如何通过质量控制、分拣和假药检测等任务改进制药工作流程。

选择开发环境#

在开始使用 Ultralytics Python 软件包进行训练之前，还需要考虑选择合适的开发环境。以下是三种常用选项：

• 命令行界面（CLI）： CLI 或终端是一种简单的基于文本的工具，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，你可以在其中分块（单元格）编写和运行代码，便于在操作过程中进行测试和调试。
• Google Colab： 这是一个基于云的选项，工作方式类似于 Jupyter Notebooks，但还提供免费 GPU 访问权限，因此你无需担心在本地进行任何设置。

你还可以在Ultralytics 官方文档中探索其他设置选项，但上面提到的三种方式都易于设置和使用，非常适合快速入门。

在本指南中，我们将重点介绍如何使用 Google Colab、Jupyter Notebooks 或基础 Python 脚本设置和训练 Ultralytics YOLO11，因为这几种环境中的流程非常相似。

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这篇代码教程中的任何步骤，可以查看该教程。

使用 YOLO 探索用于实时药丸检测的数据集#

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。训练图像用于教会模型，而验证图像则用于评估模型在全新、未见过的数据上的表现。

数据集中的每张图像都针对单一类别 pills 进行了标注。边界框标注清晰标出了每颗药丸的位置，使该数据集非常适合药丸检测等专注型任务，而无需处理多个目标类别的复杂性。

图 2。Medical Pills Dataset 一览。

为了支持使用 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文件路径、类别名称和元数据等关键参数。无论你是在微调预训练模型，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。

在药丸数据集上训练 Ultralytics YOLO 模型#

首先，我们将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。只需在选定的环境中创建一个新的笔记本或 Python 文件即可。

接下来，我们可以设置环境，并使用下面所示的命令安装 Ultralytics Python 软件包。如果你使用的是基于笔记本的环境（Google Colab 或 Jupyter），请在以下命令的开头加上感叹号（!）后运行。

pip install ultralytics

安装完成后，下一步是使用 Medical Pills 数据集下载并训练 YOLO11。由于 Ultralytics Python 软件包支持该数据集，因此流程非常简单。

了解模型训练流程#

首先，我们可以从 Ultralytics 软件包中导入 YOLO 类。然后，我们可以从文件“yolo11n.pt”中加载预训练的 YOLO11 模型。之所以推荐该模型，是因为它属于 nano 模型，十分轻量。

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

from ultralytics import YOLO

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

进行多个训练周期可以让模型在每次遍历后持续学习并提升性能。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性能。

训练完成后，经过定制训练的 YOLO11 模型应能够准确识别药丸。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#

为了评估模型学习检测药丸的效果，我们可以按如下方式运行验证：

metrics = model.val()

此过程会返回常见的目标检测指标，帮助你了解模型性能。下面详细介绍其中一些指标：

• 精确率： 用于衡量模型检测出的药丸中有多少是正确的。
• 召回率： 表示模型成功识别出的实际药丸所占的比例。
• 平均精度均值（mAP）： 该指标结合不同检测阈值下的精确率和召回率，给出整体性能评分。

这些指标结合起来，可以全面反映模型在全新、未见过的数据中检测药丸的准确程度。

如果你的模型表现不及预期，可以尝试增加训练周期，或微调其他训练参数，例如学习率（它控制模型优化过程中每一步的大小）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#

Ultralytics YOLO11 模型训练并评估完成后，下一步是测试它在全新、未见过的图像上的表现。这有助于模拟现实环境，例如在不同光照、排列方式或包装样式下检测药丸。

为了测试模型，我们从Pexels（一个免费的图库网站）下载了一张示例图像，并使用经过定制训练的 Ultralytics YOLO11 模型对图像进行分析或运行预测，如下面的代码片段所示。

你可以使用这张示例图像或任何其他相关图像，评估模型在现实场景中的表现。

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

save 选项会告知模型保存输出图像，而 confidence 设置可确保只有置信度至少为 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，"Results saved to runs/detect/train."

你的输出图像将与这里展示的图像类似，其中的药丸会被检测出来，并使用边界框进行高亮标记。显示的置信度分数表示每次检测的确定程度。

图 3。使用 Ultralytics YOLO11 检测药丸。

Ultralytics YOLO11 在制药行业中的现实应用#

现在我们已经了解了如何使用 Medical-Pills Dataset 训练 Ultralytics YOLO11，并对图像运行推理来检测药丸，下面来看看 YOLO11 在制药行业中的现实应用。

使用 Ultralytics YOLO11 进行药丸分拣#

借助 Ultralytics YOLO11，可以将自动药丸检测应用于药品分拣。人工分拣通常速度慢、重复性高且容易出错，可能会影响药品安全和合规性。

通过使用经过微调的 Ultralytics YOLO11 模型，我们可以根据尺寸、形状和颜色等视觉属性准确检测和分拣药丸。这种自动化能够加快流程，并帮助确保产品符合严格的质量标准，因此是制药运营中的有价值工具。

图 4。借助 YOLO11 检测药丸。

借助 Ultralytics YOLO11 监控库存#

按时备足正确的药品不仅是物流任务，还会影响患者护理和成本。关键药丸库存不足可能会延误治疗，而库存过多则可能导致药品过期和库存浪费。鉴于制药行业中药丸种类繁多、包装形式各异，自动化库存系统能够生成更准确的记录。

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。模型可以利用图像或视频扫描货架和包装区域，检测并统计药丸数量。随着库存水平发生变化，无论物品是新增、移除还是移动，系统都能自动更新数量。

由 Ultralytics YOLO11 驱动的制药质量控制#

在药品生产中，质量控制对于确保每颗药丸安全有效至关重要。即使是裂纹、形状不均或轻微颜色变化等小缺陷，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丸，从而提供帮助。模型能够学习视觉特征，并使用边界框实时标记缺口、印字褪色或变色等问题。这样可以及早移除有缺陷的药丸，减少浪费，并确保只有经过质量保证的药品送到患者手中。

此外，Ultralytics YOLO11 还可用于在检查过程中检测和统计药丸数量，以便在监控质量的同时实现准确追踪。

图 5。Ultralytics YOLO11 可用于检测和统计胶囊。

使用视觉 AI 进行药丸检测的优缺点#

现在我们已经了解了视觉 AI 如何应用于制药行业。下面快速看看在该领域使用计算机视觉的一些主要优势：

• 预测性维护： Ultralytics YOLO11 可以通过识别药丸或包装的不一致之处，检测机器磨损的早期迹象。它有助于安排及时维修，并防止生产意外停机。
• 可扩展的模型应用： 模型可以针对不同药丸和包装的各种数据集进行微调。随着运营规模扩大，它能让检测流程具备可扩展性并更具成本效益。
• 远程监控： 与云系统和边缘设备集成后，它可以执行实时质量检查，非常适合管理农村配药机、自动化设备和远程药房系统。

虽然在制药行业实施视觉 AI 有许多好处，但使用此类技术时也需要考虑一些因素：

• 运营集成： 将 AI 系统集成到现有工作流程中，可能需要对当前基础设施进行调整、培训和兼容性检查。
• 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的一致性。
• 错误管理： 即使是先进模型，也可能产生误报或漏报。建立处理和纠正这些错误的流程非常重要。

AI 制药工作流程的未来#

未来，AI 可能会在让临床试验变得更快、更智能且更具成本效益方面发挥更大的作用。它可以帮助设计更优的试验方案、选择合适的患者群体，并实时监控数据。

这可能使研究人员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并自动执行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，让新疗法更快惠及患者。

要点总结#

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

随着数据集不断扩大、模型持续改进，视觉 AI 在制药领域的潜力将超越单纯的物流应用。这项技术还可以通过帮助一致地识别和追踪药丸，以及协助研究人员安全地测试新的药物组合，为临床试验提供支持。

探索我们的GitHub 代码仓库，了解更多信息并加入不断壮大的社区。探索各个行业的前沿创新，从农业中的 AI到医疗保健领域的计算机视觉。查看我们的许可选项，立即启动你的视觉 AI 项目。