Datensatz für medizinische Pillen

Der Datensatz zur Erkennung von Medikamenten ist ein Proof-of-Concept (POC)-Datensatz, der sorgfältig zusammengestellt wurde, um das Potenzial der KI für pharmazeutische Anwendungen zu demonstrieren. Er enthält beschriftete Bilder, die speziell für das Training von Computer-Vision-Modellen zur Erkennung von Medikamenten entwickelt wurden.

Beobachten: So trainieren Sie Ultralytics YOLO11 Modell zur Erkennung von medizinischen Pillen in Google Colab

Dieser Datensatz dient als grundlegende Ressource für die Automatisierung wichtiger Aufgaben wie Qualitätskontrolle, Verpackungsautomatisierung und effiziente Sortierung in pharmazeutischen Arbeitsabläufen. Durch die Integration dieses Datensatzes in Projekte können Forscher und Entwickler innovative Lösungen erforschen, die die Genauigkeit verbessern, Abläufe rationalisieren und letztendlich zu besseren Ergebnissen im Gesundheitswesen beitragen.

Struktur des Datensatzes

Der Datensatz zu den Medikamenten ist in zwei Teilmengen unterteilt:

• Trainingssatz: Bestehend aus 92 Bildern, die jeweils mit der Klasse beschriftet sind pill.
• Validierungssatz: Bestehend aus 23 Bildern mit entsprechenden Kommentaren.

Anwendungen

Der Einsatz von Computer Vision für die Erkennung von Medikamenten ermöglicht die Automatisierung in der pharmazeutischen Industrie und unterstützt Aufgaben wie diese:

• Pharmazeutische Sortierung: Automatisiertes Sortieren von Tabletten nach Größe, Form oder Farbe zur Steigerung der Produktionseffizienz.
• KI-Forschung und -Entwicklung: Als Benchmark für die Entwicklung und Erprobung von Computer-Vision-Algorithmen in pharmazeutischen Anwendungsfällen.
• Digitale Inventarisierungssysteme: Intelligente Inventarisierungslösungen durch die Integration automatischer Pillenerkennung zur Bestandsüberwachung und Nachschubplanung in Echtzeit.
• Qualitätskontrolle: Sicherstellung der Konsistenz der Pillenproduktion durch Erkennung von Mängeln, Unregelmäßigkeiten oder Verunreinigungen.
• Erkennung von Fälschungen: Unterstützung bei der Erkennung von potenziell gefälschten Medikamenten durch Analyse visueller Merkmale im Vergleich zu bekannten Standards.

Datensatz YAML

Eine YAML-Konfigurationsdatei wird bereitgestellt, um die Struktur des Datensatzes, einschließlich Pfaden und Klassen, zu definieren. Für den Datensatz "medical-pills" wird die medical-pills.yaml Datei kann unter folgender Adresse aufgerufen werden 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: ../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

Verwendung

Verwenden Sie die folgenden Beispiele, um ein YOLO11n-Modell für 100 Epochen mit einer Bildgröße von 640 auf dem Datensatz für medizinische Tabletten zu trainieren. Detaillierte Argumente finden Sie auf der Seite Training des Modells.

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

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"

Beispielbilder und -kommentare

Der Datensatz für medizinische Pillen enthält beschriftete Bilder, die die Vielfalt der Pillen zeigen. Nachfolgend sehen Sie ein Beispiel für ein beschriftetes Bild aus dem Datensatz:

• Mosaikbild: Angezeigt wird ein Trainingsstapel mit Mosaikbildern aus dem Datensatz. Die Zusammenstellung von Mosaiken verbessert die Trainingsvielfalt, indem mehrere Bilder zu einem zusammengefasst werden, was die Modellgeneralisierung verbessert.

Integration mit anderen Datensätzen

Für eine umfassendere pharmazeutische Analyse sollten Sie erwägen, den Datensatz "Medizinische Pillen" mit anderen verwandten Datensätzen zu kombinieren, z. B. mit dem Verpackungs-Siegel zur Identifizierung von Verpackungen oder mit medizinischen Bildgebungsdatensätzen wie Hirntumoren, um umfassende KI-Lösungen für das Gesundheitswesen zu entwickeln.

Zitate und Danksagungen

Der Datensatz ist unter der AGPL-3.0 Lizenz verfügbar.

Wenn Sie den Medical-pills-Datensatz in Ihrer Forschungs- oder Entwicklungsarbeit verwenden, zitieren Sie ihn bitte unter Verwendung der angegebenen 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}
}

FAQ

Wie ist der Datensatz zu den Arzneimitteln aufgebaut?

Der Datensatz umfasst 92 Bilder für das Training und 23 Bilder für die Validierung. Jedes Bild ist mit der Klasse annotiert pilldie eine effektive Ausbildung und Bewertung von Modellen für pharmazeutische Anwendungen ermöglichen.

Wie kann ich ein YOLO11 Modell auf dem Datensatz für medizinische Tabletten trainieren?

Sie können ein YOLO11 für 100 Epochen mit einer Bildgröße von 640 Pixel mit den bereitgestellten Python oder CLI trainieren. Detaillierte Anweisungen finden Sie im Abschnitt Trainingsbeispiel und in der YOLO11 finden Sie weitere Informationen zu den Modellfunktionen.

Welche Vorteile bietet die Verwendung des Datensatzes für medizinische Tabletten in KI-Projekten?

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

Wie führe ich eine Inferenz auf den Datensatz für medizinische Medikamente durch?

Die Inferenz kann mit Python oder CLI mit einem fein abgestimmten YOLO11 durchgeführt werden. Weitere Optionen finden Sie im Abschnitt Inferenzbeispiele und in der Dokumentation zum Predict-Modus.

Wo finde ich die YAML-Konfigurationsdatei für das Dataset medical-pills?

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

📅 Erstellt vor 3 Monaten ✏️ Aktualisiert vor 8 Tagen

Kommentare