Medical-Pills-Datensatz

Der medical-pills-Erkennungsdatensatz ist ein Proof-of-Concept-Datensatz (POC), 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 medical-pills entwickelt wurden.

Dieser Datensatz dient als grundlegende Ressource zur 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 letztlich zu besseren Gesundheitsergebnissen beitragen.

Datensatzstruktur

Der medical-pills-Datensatz ist in zwei Teilmengen unterteilt:

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

Anwendungen

Die Verwendung von Computer Vision zur Erkennung von medical-pills ermöglicht die Automatisierung in der pharmazeutischen Industrie und unterstützt Aufgaben wie:

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

Datensatz-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

Verwendung

Um ein YOLO26n-Modell auf dem medical-pills-Datensatz für 100 Epochen bei einer Bildgröße von 640 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 medical-pills-Datensatz enthält beschriftete Bilder, die die Vielfalt der Pillen zeigen. Nachfolgend ein Beispiel für ein beschriftetes Bild aus dem Datensatz:

• Mosaik-Bild: Dargestellt ist ein Trainings-Batch, der aus mosaikierten Datensatzbildern besteht. Mosaicing verbessert die Trainingsvielfalt, indem es mehrere Bilder zu einem zusammenfasst und so die Generalisierung des Modells verbessert.

Integration mit anderen Datensätzen

Für eine umfassendere pharmazeutische Analyse solltest du den medical-pills-Datensatz mit anderen verwandten Datensätzen wie package-seg zur Verpackungsidentifikation 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 License 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}
}

FAQ

Wie 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 effektive Bewertung von Modellen für pharmazeutische Anwendungen ermöglicht.

Wie kann ich ein YOLO26-Modell mit 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.

Was sind die Vorteile der 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.

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

Die Inferenz kann mit Python- oder CLI-Methoden mit einem feinabgestimmten YOLO26-Modell durchgeführt werden. Sieh dir den Abschnitt Inferenz-Beispiel für Code-Snippets und die Dokumentation zum Predict-Modus für weitere Optionen an.

Wo 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.