مجموعة بيانات الحبوب الطبية#

115

medical pills

ultralytics

publicDetect

Medical Pills contains close-range photographs of pharmaceutical tablets and capsules in varied arrangements. Single-class bounding boxes and clean background images support medication localization, counting, dispensing verification, and visual inventory.

21 class16.1 MBSep 2, 2026

pill

مجموعة بيانات الحبوب الطبية من Ultralytics هي مجموعة بيانات لإثبات المفهوم (POC) الخاصة بـ اكتشاف الأجسام، وتضم 115 صورة معنونة عبر فئة واحدة، pill — 92 صورة للتدريب و23 صورة للتحقق. وقد أُنشئت لعرض نماذج الرؤية الحاسوبية للتطبيقات الصيدلانية، مثل مراقبة الجودة، وأتمتة التغليف، والفرز.

بنية مجموعة البيانات#

تحتوي مجموعة بيانات الحبوب الطبية على 115 صورة مشروحة بفئة واحدة، pill، ومقسمة إلى مجموعتين فرعيتين تحددهما تهيئة medical-pills.yaml:

استكشف الحبوب الطبية على منصة Ultralytics لتصفح الصور مع طبقات التعليقات التوضيحية الخاصة بها، وعرض توزيع الفئات والخرائط الحرارية للصناديق المحيطة في علامة التبويب المخططات، واستنساخها لتدريب نموذجك الخاص في السحابة.

التطبيقات#

يتيح استخدام الرؤية الحاسوبية لاكتشاف الحبوب الطبية أتمتة العمليات في صناعة الأدوية، ودعم مهام مثل:

• فرز الأدوية: أتمتة فرز الحبوب استنادًا إلى الحجم أو الشكل أو اللون لتعزيز كفاءة الإنتاج.
• البحث والتطوير في مجال الذكاء الاصطناعي: توفير معيار مرجعي لتطوير خوارزميات الرؤية الحاسوبية واختبارها في حالات الاستخدام الصيدلانية.
• أنظمة المخزون الرقمية: تشغيل حلول ذكية للمخزون من خلال دمج التعرّف الآلي على الحبوب لمراقبة المخزون في الوقت الفعلي والتخطيط لإعادة التوريد.
• مراقبة الجودة: ضمان اتساق إنتاج الحبوب من خلال تحديد العيوب أو حالات عدم الانتظام أو التلوث.
• اكتشاف الأدوية المقلدة: المساعدة في تحديد الأدوية التي يُحتمل أن تكون مقلدة من خلال تحليل خصائصها المرئية ومقارنتها بالمعايير المعروفة.

YAML مجموعة البيانات#

يحدد الملف medical-pills.yaml تهيئة مجموعة البيانات — مسارات مجموعة البيانات، وأسماء الفئات، وبيانات التعريف الأخرى. ويُصان هذا الملف في مستودع Ultralytics على https://github.com/ultralytics/ultralytics/blob/main/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 YOLO26n على مجموعة بيانات الحبوب الطبية لمدة 100 حقبة وبحجم صورة قدره 640، استخدم الأمثلة التالية. ولمزيد من التفاصيل حول الوسائط، راجع صفحة التدريب الخاصة بالنموذج.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="medical-pills.yaml", epochs=100, imgsz=640)

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")

الصور والتعليقات التوضيحية النموذجية#

تتضمن مجموعة بيانات الحبوب الطبية صورًا معنونة تعرض تنوع الحبوب. فيما يلي مثال على صورة معنونة من مجموعة البيانات:

• الصورة المركبة بالفسيفساء: المعروض هو دفعة تدريب تتكون من صور مجموعة البيانات المركبة بالفسيفساء. يعزز تركيب الفسيفساء تنوع التدريب من خلال دمج صور متعددة في صورة واحدة، مما يحسن قدرة النموذج على التعميم.

التكامل مع مجموعات البيانات الأخرى#

لإجراء تحليل صيدلاني أكثر شمولًا، ضع في اعتبارك دمج مجموعة بيانات الحبوب الطبية مع مجموعات بيانات أخرى ذات صلة، مثل package-seg للتعرف على التغليف، أو مجموعات بيانات التصوير الطبي مثل brain-tumor لتطوير حلول ذكاء اصطناعي للرعاية الصحية من البداية إلى النهاية.

الاقتباسات والشكر والتقدير#

تتوفر مجموعة البيانات بموجب ترخيص AGPL-3.0.

إذا استخدمت مجموعة بيانات الحبوب الطبية في عملك البحثي أو التطويري، فيُرجى 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#