Link to this sectionMedical Pills Datensatz#

Das Ultralytics Medical Pills Dataset ist ein Proof-of-Concept (POC) Objekterkennungs- Datensatz mit 115 annotierten Bildern einer einzigen Klasse, pill – 92 für das Training und 23 für die Validierung. Es wurde entwickelt, um Computer Vision Modelle für pharmazeutische Anwendungen wie Qualitätskontrolle, Verpackungsautomatisierung und Sortierung zu demonstrieren.

Link to this sectionDatensatzstruktur#

Das Medical Pills Dataset enthält 115 Bilder, die mit einer einzigen Klasse, pill, annotiert und in zwei Teilmengen unterteilt sind, die in der medical-pills.yaml Konfiguration definiert sind:

Erkunde Medical Pills auf der Ultralytics Platform, um die Bilder mit ihren Annotations-Overlays zu durchsuchen, die Klassenverteilung und Bounding-Box-Heatmaps im Charts-Tab einzusehen und es zu klonen, um dein eigenes Modell in der Cloud zu trainieren.

Link to this sectionAnwendungen#

Der Einsatz von Computer Vision zur Erkennung von medizinischen Pillen ermöglicht eine Automatisierung in der pharmazeutischen Industrie und unterstützt Aufgaben wie:

• Pharmazeutische Sortierung: Automatisierung der Sortierung von Pillen nach Größe, Form oder Farbe, um die Produktionseffizienz zu steigern.
• KI-Forschung und Entwicklung: Dient als Benchmark für die Entwicklung und das Testen von Computer Vision Algorithmen in pharmazeutischen Anwendungsfällen.
• Digitale Inventarsysteme: Unterstützung intelligenter Inventarlösungen durch Integration automatisierter Pillenerkennung für Echtzeit-Bestandsüberwachung und Nachschubplanung.
• Qualitätskontrolle: Sicherstellung der Konsistenz bei der Pillenproduktion durch Identifizierung von Defekten, Unregelmäßigkeiten oder Verunreinigungen.
• Fälschungserkennung: Unterstützung bei der Identifizierung potenziell gefälschter Medikamente durch den Abgleich visueller Merkmale mit bekannten Standards.

Link to this sectionDatensatz-YAML#

Die Datei medical-pills.yaml definiert die Datensatzkonfiguration – die Datensatzpfade, Klassennamen und andere Metadaten. Sie wird im Ultralytics Repository unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/medical-pills.yaml gepflegt.

# 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 sectionVerwendung#

Um ein YOLO26n Modell auf dem Medical Pills Dataset für 100 Epochen mit einer Bildgröße von 640 zu trainieren, verwende die folgenden Beispiele. Für detaillierte Argumente siehe die Training-Seite des Modells.

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 sectionBeispielbilder und Annotationen#

Das Medical Pills Dataset enthält annotierte Bilder, die die Vielfalt von Pillen zeigen. Unten findest du ein Beispiel für ein annotiertes Bild aus dem Datensatz:

• Mosaik-Bild: Dargestellt ist eine Trainings-Batch bestehend aus Mosaik-Datensatzbildern. Mosaicing verbessert die Trainingsvielfalt, indem mehrere Bilder zu einem zusammengefügt werden, was die Generalisierung des Modells verbessert.

Link to this sectionIntegration mit anderen Datensätzen#

Für eine umfassendere pharmazeutische Analyse ziehe in Betracht, das Medical Pills Dataset mit anderen verwandten Datensätzen wie package-seg zur Verpackungsidentifizierung oder medizinischen Bildgebungsdatensätzen wie brain-tumor zu kombinieren, um End-to-End-KI-Lösungen für das Gesundheitswesen zu entwickeln.

Link to this sectionZitate und Danksagungen#

Der Datensatz ist unter der AGPL-3.0 Lizenz verfügbar.

Wenn du das Medical Pills Dataset in deiner Forschungs- oder Entwicklungsarbeit verwendest, zitiere es bitte unter Verwendung der genannten Details:

@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 sectionFAQ#

Link to this sectionWie viele Bilder und Klassen sind im Medical Pills Dataset enthalten?#

Das Medical Pills Dataset enthält insgesamt 115 Bilder – 92 für das Training und 23 für die Validierung – ohne separate Testmenge. Jedes Bild ist mit einer einzigen Klasse, pill, annotiert. Es wird als 8,19 MB großer automatischer Download bereitgestellt, der in der medical-pills.yaml Konfiguration definiert ist.

Link to this sectionWie kann ich ein YOLO26 Modell auf dem Medical Pills Dataset trainieren?#

Du kannst ein YOLO26 Modell für 100 Epochen mit einer Bildgröße von 640px unter Verwendung der bereitgestellten Python- oder CLI-Methoden trainieren. Sieh dir den Abschnitt Trainingsbeispiel für detaillierte Anweisungen an und prüfe die YOLO26 Dokumentation für weitere Informationen zu den Modellfähigkeiten.

Link to this sectionWas sind die Vorteile der Verwendung des Medical Pills Datasets in KI-Projekten?#

Der Datensatz ermöglicht die Automatisierung bei der Pillenerkennung und trägt zur Fälschungsprävention, Qualitätssicherung und Optimierung pharmazeutischer Prozesse bei. Er dient zudem als wertvolle Ressource für die Entwicklung von KI-Lösungen, die die Sicherheit von Medikamenten und die Effizienz der Lieferkette verbessern können.

Link to this sectionWie führe ich eine Inferenz auf dem Medical Pills Dataset durch?#

Die Inferenz kann mit Python- oder CLI-Methoden unter Verwendung eines feinabgestimmten YOLO26 Modells durchgeführt werden. Sieh dir den Abschnitt Inferenz-Beispiel für Code-Snippets und die Predict-Modus Dokumentation für zusätzliche Optionen an.

Link to this sectionWo finde ich die YAML-Konfigurationsdatei für das Medical Pills Dataset?#

Die YAML-Datei ist unter medical-pills.yaml verfügbar und enthält Datensatzpfade, Klassen und zusätzliche Konfigurationsdetails, die für das Training von Modellen auf diesem Datensatz unerlässlich sind.