Datensatz für medizinische Pillen
Der Ultralytics-Datensatz Medical Pills ist ein Machbarkeitsnachweis (POC) für die Objekterkennung. Er umfasst 115 annotierte Bilder einer einzelnen Klasse, pill – 92 für das Training und 23 für die Validierung. Der Datensatz veranschaulicht Computer-Vision-Modelle für pharmazeutische Anwendungen wie Qualitätskontrolle, Verpackungsautomatisierung und Sortierung.
Ansehen: So trainierst du ein Ultralytics-YOLO-Modell mit dem Datensatz zur Erkennung medizinischer Tabletten in Google Colab
Datensatzstruktur#
Der Medical-Pills-Datensatz enthält 115 Bilder, die einer einzigen Klasse, pill, zugeordnet und in zwei durch die Konfiguration medical-pills.yaml definierte Teilmengen aufgeteilt sind:
| Aufteilung | Bilder | Beschreibung |
|---|---|---|
| Trainieren | 92 | Annotierte Bilder für das Modelltraining |
| Validierung | 23 | Zurückgehaltene Bilder für die Evaluierung und das Benchmarking |
Erkunde Medical Pills auf der Ultralytics Platform, um die Bilder mit eingeblendeten Annotationen zu durchsuchen, die Klassenverteilung und Begrenzungsrahmen-Wärmekarten im Tab Charts anzusehen und den Datensatz zu klonen, um dein eigenes Modell in der Cloud zu trainieren.
Anwendungsfälle#
Der Einsatz von Computer Vision zur Erkennung medizinischer Tabletten ermöglicht Automatisierung in der Pharmaindustrie und unterstützt Aufgaben wie:
- Sortierung von Arzneimitteln: Automatisiere die Sortierung von Pillen nach Größe, Form oder Farbe, um die Produktionseffizienz zu steigern.
- KI-Forschung und -Entwicklung: Dient als Benchmark für die Entwicklung und Erprobung von Computer-Vision-Algorithmen für pharmazeutische Anwendungsfälle.
- Digitale Bestandssysteme: Ermöglicht intelligente Lösungen zur Bestandsverwaltung durch automatisierte Pillenerkennung für die Echtzeitüberwachung des Lagerbestands und die Planung der Nachbestellung.
- Qualitätskontrolle: Sichert die gleichbleibende Qualität der Pillenproduktion, indem Fehler, Unregelmäßigkeiten oder Verunreinigungen erkannt werden.
- Erkennung gefälschter Arzneimittel: Hilft dabei, potenziell gefälschte Medikamente zu erkennen, indem ihre visuellen Merkmale mit bekannten Standards verglichen werden.
YAML-Datei des Datensatzes#
Die Datei medical-pills.yaml definiert die Dataset-Konfiguration — die Dataset-Pfade, 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.zipVerwendung#
Um ein YOLO26n-Modell 100 Epochen lang mit einer Bildgröße von 640 auf dem Medical-Pills-Datensatz zu trainieren, verwende die folgenden Beispiele. Ausführliche Angaben zu den Argumenten findest du auf der Seite zum Training des Modells.
from ultralytics import YOLO
# Ein Modell laden
model = YOLO("yolo26n.pt") # ein vortrainiertes Modell laden (für das Training empfohlen)
# Das Modell trainieren
results = model.train(data="medical-pills.yaml", epochs=100, imgsz=640)from ultralytics import YOLO
# Ein Modell laden
model = YOLO("path/to/best.pt") # Ein feinabgestimmtes Modell laden
# Inferenz mit dem Modell
results = model.predict("https://ultralytics.com/assets/medical-pills-sample.jpg")Beispielbilder und Annotationen#
Der Medical-Pills-Datensatz enthält gelabelte Bilder, die die Vielfalt der Pillen zeigen. Unten siehst du ein Beispiel für einen gekachelten Trainingsbatch aus dem Datensatz:

- Mosaikbild: Zu sehen ist ein Trainingsbatch aus mosaikierten Dataset-Bildern. Die Mosaikdarstellung erhöht die Vielfalt der Trainingsdaten, indem mehrere Bilder zu einem zusammengefügt werden, wodurch die Generalisierungsfähigkeit des Modells verbessert wird.
Integration mit anderen Datensätzen#
Für umfassendere pharmazeutische Analysen kannst du den Medical-Pills-Datensatz mit anderen verwandten Datensätzen kombinieren, etwa mit Package Segmentation zur Identifizierung von Verpackungen oder mit medizinischen Bilddatensätzen wie Brain Tumor, 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 für deine Forschung oder Entwicklungsarbeit verwendest, zitiere ihn bitte mit den 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}
}Häufig gestellte Fragen#
Der Datensatz Medical Pills umfasst insgesamt 115 Bilder – 92 für das Training und 23 für die Validierung – und hat keinen separaten Testsatz. Jedes Bild ist mit einer einzigen Klasse annotiert:
pill. Der Datensatz wird als automatischer Download mit einer Größe von 8,19 MB bereitgestellt, der in der Konfigurationmedical-pills.yamldefiniert ist.Du kannst ein YOLO26-Modell mit den bereitgestellten Python- oder CLI-Methoden 100 Epochen lang mit einer Bildgröße von 640 px trainieren. Ausführliche Anweisungen findest du im Abschnitt Trainingsbeispiel. Weitere Informationen zu den Modellfunktionen enthält die YOLO26-Dokumentation.
Der Datensatz veranschaulicht die automatisierte Erkennung von Tabletten zur Verhinderung von Fälschungen, zur Qualitätssicherung und zur Optimierung pharmazeutischer Prozesse. Aufgrund seiner geringen Größe eignet er sich als schneller Einstieg in das Prototyping von Anwendungen, die die Arzneimittelsicherheit und die Effizienz der Lieferkette verbessern.
Die Inferenz lässt sich mit Python- oder CLI-Methoden und einem feinabgestimmten YOLO26-Modell durchführen. Codebeispiele findest du im Abschnitt Inferenzbeispiel; weitere Optionen werden in der Dokumentation zum Vorhersagemodus beschrieben.
Die YAML-Datei ist unter medical-pills.yaml verfügbar. Sie enthält Dataset-Pfade, Klassen und weitere Konfigurationsdetails, die für das Training von Modellen mit diesem Datensatz erforderlich sind.
Kommentare1
Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.
RizwanMunawar
Medical pills detection using Ultralytics YOLO11!



