Zum Inhalt springen

Medical Pills Datensatz

Open Medical Pills Dataset In Colab

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



Ansehen: So trainieren Sie das Ultralytics YOLO11-Modell auf einem Datensatz zur Erkennung medizinischer Pillen in Google Colab

Dieser Datensatz dient als grundlegende Ressource für die Automatisierung wesentlicher 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 verbesserten Ergebnissen im Gesundheitswesen beitragen.

Dataset-Struktur

Der Datensatz medical-pills ist in zwei Teilmengen unterteilt:

  • Trainingssatz: Bestehend aus 92 Bildern, die jeweils mit der Klasse annotiert sind pill.
  • Validierungsmenge: Umfasst 23 Bilder mit entsprechenden Anmerkungen.

Anwendungen

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

  • Sortierung von Pharmazeutika: Automatisierung der Sortierung von Tabletten nach Größe, Form oder Farbe, um die Produktionseffizienz zu steigern.
  • KI-Forschung und -Entwicklung: Dient als Benchmark für die Entwicklung und das Testen von Algorithmen für maschinelles Sehen in pharmazeutischen Anwendungsfällen.
  • Digitale Bestandssysteme: Unterstützung intelligenter Bestandsverwaltungslösungen durch Integration der automatisierten Erkennung von Tabletten zur Echtzeit-Bestandsüberwachung und Nachschubplanung.
  • Qualitätskontrolle: Sicherstellung der Konsistenz bei der Tablettenproduktion durch Erkennung von Defekten, Unregelmäßigkeiten oder Verunreinigungen.
  • Erkennung von Fälschungen: Hilft bei der Identifizierung potenziell gefälschter Medikamente, indem visuelle Merkmale mit bekannten Standards verglichen werden.

Datensatz-YAML

Eine YAML-Konfigurationsdatei wird bereitgestellt, um die Struktur des Datensatzes zu definieren, einschließlich Pfade und Klassen. Für den medical-pills-Datensatz ist die medical-pills.yaml Datei kann unter abgerufen werden 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: 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

Nutzung

Um ein YOLO11n-Modell auf dem medical-pills-Datensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, verwenden Sie die folgenden Beispiele. Detaillierte Argumente finden Sie auf der Trainings-Seite des Modells.

Trainingsbeispiel

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

Inferenz Beispiel

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"

sample_images und Anmerkungen

Der Datensatz medical-pills enthält beschriftete Bilder, die die Vielfalt von Pillen zeigen. Nachfolgend ist ein Beispiel für ein beschriftetes Bild aus dem Datensatz dargestellt:

Medical-pills Datensatz Beispielbild

  • Mosaikbild: Dargestellt ist ein Trainings-Batch, der aus Mosaik-Datensatzbildern besteht. Das Mosaicing verbessert die Trainingsvielfalt, indem es mehrere Bilder zu einem zusammenfasst und so die Modellgeneralisierung verbessert.

Integration mit anderen Datensätzen

Für eine umfassendere pharmazeutische Analyse sollten Sie den medical-pills-Datensatz mit anderen verwandten Datensätzen wie package-seg zur Identifizierung von Verpackungen oder medizinischen Bildgebungsdatensätzen wie brain-tumor kombinieren, um End-to-End-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 Angabe 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}
}

FAQ

Wie ist der medizinische Pillen-Datensatz aufgebaut?

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

Wie kann ich ein YOLO11-Modell auf dem Medical-Pills-Datensatz trainieren?

Sie können ein YOLO11-Modell für 100 Epochen mit einer Bildgröße von 640px mit den bereitgestellten Python- oder CLI-Methoden trainieren. Weitere Informationen finden Sie im Abschnitt Trainingsbeispiel, und in der YOLO11-Dokumentation finden Sie weitere Informationen zu den Modellfunktionen.

Welche Vorteile bietet die Verwendung des medical-pills-Datensatzes in KI-Projekten?

Der Datensatz ermöglicht die Automatisierung bei der Tablettenerkennung 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 Medikamentensicherheit und die Effizienz der Lieferkette verbessern können.

Wie führe ich eine Inferenz auf dem medical-pills Datensatz durch?

Die Inferenz kann mit Python- oder CLI-Methoden mit einem feinabgestimmten YOLO11-Modell durchgeführt werden. Im Abschnitt Inferenzbeispiel finden Sie Code-Snippets und in der Predict-Modus-Dokumentation zusätzliche Optionen.

Wo 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 Trainieren von Modellen mit diesem Datensatz unerlässlich sind.



📅 Erstellt vor 8 Monaten ✏️ Aktualisiert vor 5 Monaten

Kommentare