Datensatz „Medical Pills“#

115

medical pills

ultralytics

publicDetect

Medical Pills contains close-range photographs of pharmaceutical tablets and capsules in varied arrangements. Single-class bounding boxes and clean background images support medication localization, counting, dispensing verification, and visual inventory.

21 class16.1 MBSep 2, 2026

pill

Der Datensatz Medical Pills von Ultralytics ist ein Machbarkeitsnachweis (POC) für die Objekterkennung mit 115 annotierten Bildern und einer einzigen Klasse, pill – 92 für das Training und 23 für die Validierung. Er wurde entwickelt, um Computer-Vision-Modelle für pharmazeutische Anwendungen wie Qualitätskontrolle, automatisierte Verpackung und Sortierung zu demonstrieren.

Datensatzstruktur#

Der Datensatz Medical Pills enthält 115 Bilder, die mit einer einzigen Klasse annotiert sind: pill. Sie sind gemäß der Konfiguration medical-pills.yaml in zwei Teilmengen aufgeteilt:

Erkunde Medical Pills auf der Ultralytics Platform, um die Bilder mit ihren Annotationen zu durchsuchen, die Klassenverteilung und Heatmaps der Begrenzungsrahmen im Tab Charts anzuzeigen und den Datensatz zu klonen, um in der Cloud dein eigenes Modell zu trainieren.

Anwendungen#

Der Einsatz von Computer Vision zur Erkennung medizinischer Tabletten ermöglicht die Automatisierung in der pharmazeutischen Industrie und unterstützt unter anderem folgende Aufgaben:

• Pharmazeutische Sortierung: Automatisierte Sortierung von Tabletten nach Größe, Form oder Farbe zur Steigerung der Produktionseffizienz.
• Forschung und Entwicklung im Bereich KI: Der Datensatz dient als Benchmark für die Entwicklung und Erprobung von Computer-Vision-Algorithmen in pharmazeutischen Anwendungsfällen.
• Digitale Bestandsverwaltung: Intelligente Lösungen für die Bestandsverwaltung durch die Integration automatisierter Tablettenerkennung zur Bestandsüberwachung in Echtzeit und zur Planung der Nachbestellung.
• Qualitätskontrolle: Sicherstellung einer gleichbleibenden Qualität bei der Tablettenproduktion durch die Erkennung von Defekten, Unregelmäßigkeiten oder Verunreinigungen.
• Erkennung von Fälschungen: Unterstützung bei der Identifizierung potenziell gefälschter Medikamente durch den Abgleich visueller Merkmale mit bekannten Standards.

Dataset-YAML#

Die Datei medical-pills.yaml definiert die Datensatzkonfiguration – die Pfade zum Datensatz, die Klassennamen und weitere 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

Verwendung#

Um ein YOLO26n-Modell 100 Epochen lang mit einer Bildgröße von 640 auf dem Datensatz Medical Pills zu trainieren, verwende die folgenden Beispiele. Ausführliche Argumente findest du auf der Trainingsseite 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")

Beispielbilder und Annotationen#

Der Datensatz Medical Pills enthält annotierte Bilder, die die Vielfalt der Tabletten zeigen. Unten siehst du ein Beispiel für ein annotiertes Bild aus dem Datensatz:

• Mosaikbild: Zu sehen ist ein Trainingsstapel aus zu einem Mosaik zusammengesetzten Datensatzbildern. Die Mosaikdarstellung erhöht die Vielfalt der Trainingsdaten, indem mehrere Bilder zu einem Bild zusammengeführt werden, und verbessert dadurch die Generalisierungsfähigkeit des Modells.

Integration mit anderen Datensätzen#

Für eine umfassendere pharmazeutische Analyse kannst du den Datensatz Medical Pills mit anderen verwandten Datensätzen wie package-seg zur Identifizierung von Verpackungen oder mit Datensätzen aus der medizinischen Bildgebung wie brain-tumor kombinieren, um durchgängige KI-Lösungen für das Gesundheitswesen zu entwickeln.

Zitate und Danksagungen#

Der Datensatz ist unter der AGPL-3.0-Lizenz verfügbar.

Wenn du den Datensatz Medical Pills in deiner Forschungs- oder Entwicklungsarbeit verwendest, zitiere ihn bitte anhand der genannten Angaben:

@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#