Link to this sectionمجموعة بيانات الحبوب الطبية#

The medical-pills detection dataset is a proof-of-concept (POC) dataset, carefully curated to demonstrate the potential of AI in pharmaceutical applications. It contains labeled images specifically designed to train computer vision models for identifying medical-pills.

تعمل مجموعة البيانات هذه كمورد أساسي لأتمتة المهام الضرورية مثل مراقبة الجودة، وأتمتة التعبئة والتغليف، والفرز الفعال في سير عمل العمليات الصيدلانية. ومن خلال دمج مجموعة البيانات هذه في المشاريع، يمكن للباحثين والمطورين استكشاف حلول مبتكرة تعزز الدقة، وتبسط العمليات، وتساهم في نهاية المطاف في تحسين نتائج الرعاية الصحية.

Link to this sectionهيكل مجموعة البيانات#

تنقسم مجموعة بيانات الحبوب الطبية (medical-pills) إلى مجموعتين فرعيتين:

• مجموعة التدريب: تتكون من 92 صورة، كل منها معنونة بفئة pill.
• مجموعة التحقق: تتكون من 23 صورة مع التعليقات التوضيحية المقابلة لها.

Link to this sectionالتطبيقات#

يُمكّن استخدام الرؤية الحاسوبية لاكتشاف الحبوب الطبية من الأتمتة في الصناعة الصيدلانية، مما يدعم مهام مثل:

• الفرز الصيدلاني: أتمتة فرز الحبوب بناءً على الحجم أو الشكل أو اللون لتعزيز كفاءة الإنتاج.
• البحث والتطوير في مجال الذكاء الاصطناعي: العمل كمعيار لتطوير واختبار خوارزميات الرؤية الحاسوبية في حالات الاستخدام الصيدلاني.
• أنظمة الجرد الرقمية: تشغيل حلول ذكية للجرد من خلال دمج التعرف الآلي على الحبوب لمراقبة المخزون في الوقت الفعلي وتخطيط إعادة التعبئة.
• مراقبة الجودة: ضمان الاتساق في إنتاج الحبوب من خلال تحديد العيوب أو المخالفات أو التلوث.
• كشف التزييف: المساعدة في تحديد الأدوية المزيفة المحتملة من خلال تحليل الخصائص البصرية مقابل المعايير المعروفة.

Link to this sectionYAML مجموعة البيانات#

يتم توفير ملف تهيئة YAML لتحديد هيكل مجموعة البيانات، بما في ذلك المسارات والفئات. بالنسبة لمجموعة بيانات الحبوب الطبية، يمكن الوصول إلى ملف medical-pills.yaml عبر الرابط 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

Link to this sectionالاستخدام#

لتدريب نموذج YOLO26n على مجموعة بيانات الحبوب الطبية لمدة 100 دورة تدريبية بحجم صورة 640، استخدم الأمثلة التالية. للحصول على الوسيطات التفصيلية، 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")

Link to this sectionصور وشروحات توضيحية عينة#

تتميز مجموعة بيانات الحبوب الطبية بصور مُصنفة تُظهر تنوع الحبوب. فيما يلي مثال لصورة مُصنفة من مجموعة البيانات:

• صورة مفسفسة (Mosaiced Image): معروضة دفعة تدريب تتكون من صور مجموعة بيانات مفسفسة. يعمل التفسيف (Mosaicing) على تعزيز تنوع التدريب من خلال دمج صور متعددة في صورة واحدة، مما يحسن من قدرة النموذج على التعميم.

Link to this sectionالتكامل مع مجموعات البيانات الأخرى#

لإجراء تحليل صيدلاني أكثر شمولاً، فكر في الجمع بين مجموعة بيانات الحبوب الطبية ومجموعات بيانات أخرى ذات صلة مثل package-seg لتحديد التغليف أو مجموعات بيانات التصوير الطبي مثل brain-tumor لتطوير حلول ذكاء اصطناعي شاملة في الرعاية الصحية.

Link to this sectionالاقتباسات والشكر#

مجموعة البيانات متاحة بموجب ترخيص AGPL-3.0.

إذا كنت تستخدم مجموعة بيانات الحبوب الطبية في أبحاثك 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}
}

Link to this sectionالأسئلة الشائعة#

Link to this sectionما هو هيكل مجموعة بيانات الحبوب الطبية؟#

تتضمن مجموعة البيانات 92 صورة للتدريب و23 صورة للتحقق. يتم تعيين تعليق توضيحي لكل صورة بالفئة pill، مما يتيح تدريب وتقييم النماذج بشكل فعال للتطبيقات الصيدلانية.

Link to this sectionكيف يمكنني تدريب نموذج YOLO26 على مجموعة بيانات الحبوب الطبية؟#

يمكنك تدريب نموذج YOLO26 لمدة 100 دورة تدريبية بحجم صورة 640 بكسل باستخدام طرق Python أو CLI المتوفرة. راجع قسم مثال التدريب للحصول على تعليمات مفصلة وتحقق من وثائق YOLO26 لمزيد من المعلومات حول قدرات النموذج.

Link to this sectionما هي فوائد استخدام مجموعة بيانات الحبوب الطبية في مشاريع الذكاء الاصطناعي؟#

تمكّن مجموعة البيانات من الأتمتة في اكتشاف الحبوب، مما يساهم في منع التزييف، وضمان الجودة، وتحسين العمليات الصيدلانية. كما أنها تعمل كمورد قيم لتطوير حلول الذكاء الاصطناعي التي يمكنها تحسين سلامة الأدوية وكفاءة سلسلة التوريد.

Link to this sectionكيف أقوم بإجراء الاستدلال على مجموعة بيانات الحبوب الطبية؟#

يمكن إجراء الاستدلال باستخدام طرق Python أو CLI مع نموذج YOLO26 مضبوط بدقة. راجع قسم مثال الاستدلال للحصول على مقتطفات التعليمات البرمجية ووثائق وضع التنبؤ للحصول على خيارات إضافية.

Link to this sectionأين يمكنني العثور على ملف تهيئة YAML لمجموعة بيانات الحبوب الطبية؟#

ملف YAML متاح على medical-pills.yaml، ويحتوي على مسارات مجموعة البيانات، والفئات، وتفاصيل تهيئة إضافية ضرورية لتدريب النماذج على هذه المجموعة.