مجموعة بيانات الحبوب الطبية
مجموعة بيانات الكشف عن الأقراص الطبية هي مجموعة بيانات لإثبات صحة المفهوم (POC)، تم تنسيقها بعناية لإظهار إمكانات الذكاء الاصطناعي في التطبيقات الصيدلانية. وهي تحتوي على صور موسومة مصممة خصيصًا لتدريب نماذج الرؤية الحاسوبية لتحديد الحبوب الطبية.
شاهد: كيفية تدريب النموذج Ultralytics YOLO11 على مجموعة بيانات الكشف عن الحبوب الطبية في Google كولاب
تُعد مجموعة البيانات هذه بمثابة مورد أساسي لأتمتة المهام الأساسية مثل مراقبة الجودة وأتمتة التغليف والفرز الفعال في تدفقات العمل الصيدلانية. من 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.
هيكلية مجموعة البيانات
تنقسم مجموعة بيانات الحبوب الطبية إلى مجموعتين فرعيتين:
- مجموعة التدريب: تتكون من 92 صورة، كل منها مشروحة بفئة
pill. - مجموعة التحقق: تتألف من 23 صورة مع التعليقات التوضيحية المقابلة.
التطبيقات
يتيح استخدام الرؤية الحاسوبية للكشف عن الحبوب الطبية الأتمتة في صناعة الأدوية، مما يدعم مهام مثل:
- فرز المستحضرات الصيدلانية: أتمتة فرز الأقراص على أساس الحجم أو الشكل أو اللون لتعزيز كفاءة الإنتاج.
- البحث والتطوير في مجال الذكاء الاصطناعي: العمل كمعيار لتطوير خوارزميات الرؤية الحاسوبية واختبارها في حالات الاستخدامات الصيدلانية.
- أنظمة المخزون الرقمي: تشغيل حلول المخزون الذكية من خلال دمج التعرف الآلي على الأقراص لمراقبة المخزون في الوقت الفعلي وتخطيط التجديد.
- مراقبة الجودة: ضمان الاتساق في إنتاج الأقراص من خلال تحديد العيوب أو المخالفات أو التلوث.
- الكشف عن التزييف: المساعدة في تحديد الأدوية التي يحتمل أن تكون مزيفة من خلال تحليل الخصائص البصرية مقابل المعايير المعروفة.
مجموعة البيانات YAML
يتم توفير ملف تكوين YAML لتحديد بنية مجموعة البيانات، بما في ذلك المسارات والفئات. بالنسبة لمجموعة بيانات الحبوب الطبية، فإن ملف medical-pills.yaml يمكن الوصول إلى الملف على 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: ../datasets/medical-pills # dataset root dir
train: train/images # train images (relative to 'path') 92 images
val: valid/images # val images (relative to 'path') 23 images
test: # test images (relative to 'path')
# 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 الحبوب الطبية لـ 100 حلقة تدريبية بحجم صورة 640، استخدم الأمثلة التالية. للحصول على الوسائط التفصيلية، راجع صفحة تدريب النموذج.
مثال على القطار
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 استدلالي
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"
عينة من الصور والتعليقات التوضيحية
تتميز مجموعة بيانات الأقراص الطبية بصور موسومة تعرض تنوع الأقراص. فيما يلي مثال على صورة موسومة من مجموعة البيانات:
- صورة فسيفساء: معروضة هي مجموعة تدريب تضم صور مجموعة بيانات موزّعة بالفسيفساء. تعمل الفسيفساء على تعزيز تنوع التدريب من خلال دمج صور متعددة في صورة واحدة، مما يحسن من تعميم النموذج.
التكامل مع مجموعات البيانات الأخرى
للحصول على تحليل صيدلاني أكثر شمولاً، ضع في اعتبارك الجمع بين مجموعة بيانات الحبوب الطبية ومجموعات البيانات الأخرى ذات الصلة مثل مجموعة بيانات العبوات لتحديد العبوات أو مجموعات بيانات التصوير الطبي مثل ورم الدماغ لتطوير حلول ذكاء اصطناعي متكاملة للرعاية الصحية.
الاستشهادات والشكر والتقدير
مجموعة البيانات متاحة بموجب ترخيصAGPL-3.0 .
إذا كنت تستخدم مجموعة بيانات الحبوب الطبية في عملك البحثي أو التطويري، يرجى 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 الحبوب الطبية؟
تتضمن مجموعة البيانات 92 صورة للتدريب و23 صورة للتحقق من صحة البيانات. كل صورة مشروحة بالفئة pillمما يتيح التدريب الفعال وتقييم النماذج للتطبيقات الصيدلانية.
كيف يمكنني تدريب نموذج YOLO11 على مجموعة بيانات الحبوب الطبية؟
يمكنك تدريب نموذج YOLO11 ل 100 حقبة زمنية بحجم صورة 640 بكسل باستخدام طرق Python أو CLI المتوفرة. ارجع إلى قسم مثال التدريب للحصول على تعليمات مفصلة وراجع وثائقYOLO11 لمزيد من المعلومات حول إمكانيات النموذج.
ما هي فوائد استخدام مجموعة بيانات الحبوب الطبية في مشاريع الذكاء الاصطناعي؟
تتيح مجموعة البيانات الأتمتة في الكشف عن الأقراص، مما يساهم في منع التزوير، وضمان الجودة، وتحسين العمليات الصيدلانية. كما أنها بمثابة مورد قيّم لتطوير حلول الذكاء الاصطناعي التي يمكنها تحسين سلامة الأدوية وكفاءة سلسلة التوريد.
كيف يمكنني إجراء الاستدلال على مجموعة بيانات الحبوب الطبية؟
يمكن إجراء الاستدلال باستخدام طرق Python أو CLI باستخدام نموذج YOLO11 المعدّل بدقة. ارجع إلى قسم أمثلة الاستدلال للاطلاع على مقتطفات التعليمات البرمجية ووثائق وضع التنبؤ للحصول على خيارات إضافية.
أين يمكنني العثور على ملف تكوين YAML لمجموعة بيانات الحبوب الطبية؟
يتوفر ملف YAML في ملف YAML على العنوان: medical-pills.yaml، ويحتوي على مسارات مجموعة البيانات والفئات وتفاصيل التكوين الإضافية الضرورية لتدريب النماذج على مجموعة البيانات هذه.
