تخطي إلى المحتوى

مجموعة بيانات حبوب منع الحمل الطبية

افتح مجموعة بيانات حبوب الدواء الطبية في Colab

تُعد مجموعة بيانات medical-pills لاكتشاف الأدوية دليلًا على المفهوم (POC)، وقد تم تنسيقها بعناية لإظهار إمكانات الذكاء الاصطناعي في التطبيقات الصيدلانية. وهي تحتوي على صور مُعلَّمة مصممة خصيصًا لتدريب نماذج الرؤية الحاسوبية لتحديد medical-pills.



شاهد: كيفية تدريب نموذج Ultralytics YOLO11 على مجموعة بيانات الكشف عن حبوب الدواء الطبية في Google Colab

تعد مجموعة البيانات هذه بمثابة مورد أساسي لأتمتة المهام الأساسية مثل مراقبة الجودة وأتمتة التعبئة والفرز الفعال في سير العمل الصيدلانية. من خلال دمج مجموعة البيانات هذه في المشاريع، يمكن للباحثين والمطورين استكشاف حلول مبتكرة تعمل على تحسين الدقة وتبسيط العمليات والمساهمة في النهاية في تحسين نتائج الرعاية الصحية.

هيكل مجموعة البيانات

تنقسم مجموعة بيانات medical-pills إلى مجموعتين فرعيتين:

  • مجموعة التدريب: يتكون من 92 صورة، تم شرح كل منها مع الفئة pill.
  • مجموعة التحقق: تتكون من 23 صورة مع شروح توضيحية مقابلة.

التطبيقات

يتيح استخدام رؤية الكمبيوتر للكشف عن الأقراص الطبية أتمتة العمليات في صناعة الأدوية، ودعم مهام مثل:

  • فرز الأدوية: أتمتة فرز الحبوب بناءً على الحجم أو الشكل أو اللون لتعزيز كفاءة الإنتاج.
  • أبحاث وتطوير الذكاء الاصطناعي: العمل كمعيار لتطوير واختبار خوارزميات رؤية الكمبيوتر في حالات استخدام الأدوية.
  • أنظمة الجرد الرقمية: تشغيل حلول الجرد الذكية من خلال دمج التعرف الآلي على الحبوب من أجل المراقبة في الوقت الفعلي للمخزون وتخطيط التجديد.
  • مراقبة الجودة: ضمان الاتساق في إنتاج الأقراص عن طريق تحديد العيوب أو المخالفات أو التلوث.
  • الكشف عن المنتجات المقلدة: المساعدة في تحديد الأدوية التي يُحتمل أن تكون مقلدة من خلال تحليل الخصائص المرئية مقارنة بالمعايير المعروفة.

ملف YAML لمجموعة البيانات

يتم توفير ملف تكوين YAML لتحديد هيكل مجموعة البيانات، بما في ذلك المسارات والفئات. بالنسبة لمجموعة بيانات medical-pills، فإن medical-pills.yaml يمكن الوصول إليه في https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/medical-pills.yaml.

ultralytics/cfg/datasets/medical-pills.yaml

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# Medical-pills dataset by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/medical-pills/
# Example usage: yolo train data=medical-pills.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── medical-pills ← downloads here (8.19 MB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: medical-pills # dataset root dir
train: images/train # train images (relative to 'path') 92 images
val: images/val # val images (relative to 'path') 23 images

# Classes
names:
  0: pill

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/medical-pills.zip

الاستخدام

لتدريب نموذج YOLO11n على مجموعة بيانات medical-pills لعدد 100 حقبة (epoch) بحجم صورة 640، استخدم الأمثلة التالية. للحصول على حجج مفصلة، ارجع إلى صفحة تدريب النموذج.

مثال على التدريب

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="medical-pills.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=medical-pills.yaml model=yolo11n.pt epochs=100 imgsz=640

مثال على الاستدلال

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/best.pt")  # load a fine-tuned model

# Inference using the model
results = model.predict("https://ultralytics.com/assets/medical-pills-sample.jpg")
# Start prediction with a fine-tuned *.pt model
yolo detect predict model='path/to/best.pt' imgsz=640 source="https://ultralytics.com/assets/medical-pills-sample.jpg"

عينات من الصور والشروحات التوضيحية

تتميز مجموعة بيانات medical-pills بصور مُصنفة تعرض تنوع الحبوب. يوجد أدناه مثال لصورة مُصنفة من مجموعة البيانات:

صورة عينة لمجموعة بيانات حبوب منع الحمل الطبية

  • صورة الفسيفساء: المعروض عبارة عن دفعة تدريبية تتكون من صور مجموعة بيانات الفسيفساء. تعمل الفسيفساء على تحسين تنوع التدريب من خلال دمج صور متعددة في صورة واحدة، مما يحسن تعميم النموذج.

التكامل مع مجموعات البيانات الأخرى

لتحليل صيدلاني أكثر شمولاً، ضع في اعتبارك الجمع بين مجموعة بيانات medical-pills ومجموعات البيانات الأخرى ذات الصلة مثل package-seg لتحديد التعبئة والتغليف أو مجموعات بيانات التصوير الطبي مثل brain-tumor لتطوير حلول الذكاء الاصطناعي للرعاية الصحية الشاملة.

الاقتباسات والإقرارات

مجموعة البيانات متاحة بموجب رخصة AGPL-3.0.

إذا كنت تستخدم مجموعة بيانات Medical-pills في بحثك أو عملك التطويري، فيرجى الاستشهاد بها باستخدام التفاصيل المذكورة:

@dataset{Jocher_Ultralytics_Datasets_2024,
    author = {Jocher, Glenn and Rizwan, Muhammad},
    license = {AGPL-3.0},
    month = {Dec},
    title = {Ultralytics Datasets: Medical-pills Detection Dataset},
    url = {https://docs.ultralytics.com/datasets/detect/medical-pills/},
    version = {1.0.0},
    year = {2024}
}

الأسئلة الشائعة

ما هو هيكل مجموعة بيانات medical-pills؟

تتضمن مجموعة البيانات 92 صورة للتدريب و 23 صورة للتحقق. يتم شرح كل صورة مع فئة pill، مما يتيح التدريب الفعال وتقييم النماذج للتطبيقات الصيدلانية.

كيف يمكنني تدريب نموذج YOLO11 على مجموعة بيانات medical-pills؟

يمكنك تدريب نموذج YOLO11 لـ 100 دورة تدريبية بحجم صورة يبلغ 640 بكسل باستخدام طرق Python أو CLI المتوفرة. راجع قسم مثال التدريب للحصول على إرشادات مفصلة وتحقق من وثائق YOLO11 لمزيد من المعلومات حول قدرات النموذج.

ما هي فوائد استخدام مجموعة بيانات medical-pills في مشاريع الذكاء الاصطناعي؟

تمكّن مجموعة البيانات من أتمتة الكشف عن الحبوب، مما يساهم في منع التزييف وضمان الجودة وتحسين العمليات الصيدلانية. كما أنها تعد موردًا قيمًا لتطوير حلول الذكاء الاصطناعي التي يمكن أن تحسن سلامة الأدوية وكفاءة سلسلة التوريد.

كيف يمكنني إجراء استدلال على مجموعة بيانات medical-pills؟

يمكن إجراء الاستدلال باستخدام طرق Python أو CLI مع نموذج YOLO11 مضبوط بدقة. راجع قسم مثال الاستدلال للحصول على مقتطفات التعليمات البرمجية و وثائق وضع التوقع لخيارات إضافية.

أين يمكنني العثور على ملف تكوين YAML لمجموعة بيانات medical-pills؟

يتوفر ملف YAML على medical-pills.yaml، ويحتوي على مسارات مجموعة البيانات والفئات وتفاصيل التكوين الإضافية الضرورية لتدريب النماذج على مجموعة البيانات هذه.



📅 تم إنشاؤه منذ 8 أشهر ✏️ تم التحديث منذ 5 أشهر

تعليقات