Link to this sectionMedical Pills Datensatz#

Das medical-pills Erkennungs-Dataset ist ein Proof-of-Concept (POC) Dataset, das sorgfältig kuratiert wurde, um das Potenzial von KI in pharmazeutischen Anwendungen zu demonstrieren. Es enthält beschriftete Bilder, die speziell dafür entwickelt wurden, Computer Vision Modelle zur Identifizierung von medical-pills zu trainieren.

Dieses Dataset dient als grundlegende Ressource zur Automatisierung wichtiger Aufgaben wie Qualitätskontrolle, Verpackungsautomatisierung und effiziente Sortierung in pharmazeutischen Arbeitsabläufen. Durch die Integration dieses Datasets in Projekte können Forscher und Entwickler innovative Lösungen erforschen, die die Genauigkeit verbessern, Betriebsabläufe optimieren und letztendlich zu besseren Gesundheitsergebnissen beitragen.

Link to this sectionDatensatzstruktur#

Der medical-pills Datensatz ist in zwei Teilmengen unterteilt:

• Trainingsset: Bestehend aus 92 Bildern, von denen jedes mit der Klasse pill annotiert ist.
• Validierungsset: Umfasst 23 Bilder mit entsprechenden Annotationen.

Link to this sectionAnwendungen#

Die Nutzung von Computer Vision zur Erkennung von medical-pills ermöglicht die Automatisierung in der Pharmaindustrie 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#

Eine YAML-Konfigurationsdatei ist enthalten, um die Struktur des Datensatzes zu definieren, einschließlich Pfaden und Klassen. Für den medical-pills Datensatz kann die Datei medical-pills.yaml unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/medical-pills.yaml abgerufen werden.

# 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 Datensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, verwende die folgenden Beispiele. Detaillierte Argumente findest du auf der Seite Training 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#

Der medical-pills Datensatz enthält annotierte Bilder, die die Vielfalt der 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 solltest du die Kombination des medical-pills Datensatzes mit anderen verwandten Datensätzen in Betracht ziehen, wie z. B. package-seg für die Verpackungsidentifikation oder medizinische Bildgebungsdatensätze wie brain-tumor, 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 den Medical-pills Datensatz in deiner Forschung oder Entwicklungsarbeit verwendest, zitiere ihn 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 ist die Struktur des medical-pills Datensatzes?#

Der Datensatz enthält 92 Bilder für das Training und 23 Bilder für die Validierung. Jedes Bild ist mit der Klasse pill annotiert, was ein effektives Training und eine Evaluierung von Modellen für pharmazeutische Anwendungen ermöglicht.

Link to this sectionWie kann ich ein YOLO26 Modell auf dem medical-pills Datensatz 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 sectionWelche Vorteile bietet die Verwendung des medical-pills Datensatzes 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 Datensatz 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 den medical-pills Datensatz?#

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.