Zum Inhalt springen

Datensatz fĂŒr medizinische Pillen

Open Medical Pills-Datensatz in Colab

Der Datensatz zur Erkennung von Medikamenten ist ein Proof-of-Concept (POC)-Datensatz, der sorgfĂ€ltig zusammengestellt wurde, um das Potenzial der KI fĂŒr pharmazeutische Anwendungen zu demonstrieren. Er enthĂ€lt beschriftete Bilder, die speziell fĂŒr 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 fĂŒr die Automatisierung wichtiger Aufgaben wie QualitĂ€tskontrolle, Verpackungsautomatisierung und effiziente Sortierung in pharmazeutischen ArbeitsablĂ€ufen. Durch die Integration dieses Datensatzes in Projekte können Forscher und Entwickler innovative Lösungen erforschen, die die Genauigkeit verbessern, AblĂ€ufe 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 fĂŒr die Erkennung von Medikamenten ermöglicht die Automatisierung in der pharmazeutischen Industrie und unterstĂŒtzt Aufgaben wie diese:

  • Pharmazeutische Sortierung: Automatisiertes Sortieren von Tabletten nach GrĂ¶ĂŸe, Form oder Farbe zur Steigerung der Produktionseffizienz.
  • KI-Forschung und -Entwicklung: Als Benchmark fĂŒr die Entwicklung und Erprobung von Computer-Vision-Algorithmen in pharmazeutischen AnwendungsfĂ€llen.
  • Digitale Inventarisierungssysteme: Intelligente Inventarisierungslösungen durch die Integration automatischer Pillenerkennung zur BestandsĂŒberwachung und Nachschubplanung in Echtzeit.

Datensatz YAML

Eine YAML-Konfigurationsdatei wird bereitgestellt, um die Struktur des Datensatzes, einschließlich Pfaden und Klassen, zu definieren. FĂŒr 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/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 fĂŒr 100 Epochen mit einer BildgrĂ¶ĂŸe von 640 auf dem Datensatz fĂŒr medizinische Tabletten zu trainieren. Detaillierte Argumente finden Sie auf der Seite Training des Modells.

Beispiel fĂŒr einen Zug

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

Beispiel fĂŒr eine Schlussfolgerung

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 fĂŒr medizinische Pillen enthĂ€lt beschriftete Bilder, die die Vielfalt der Pillen zeigen. Nachfolgend sehen Sie ein Beispiel fĂŒr ein beschriftetes Bild aus dem Datensatz:

Beispielbild aus dem Datensatz fĂŒr medizinische Tabletten

  • 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.

Zitate und Danksagungen

Der Datensatz ist unter der AGPL-3.0 Lizenz verfĂŒgbar.

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 fĂŒr das Training und 23 Bilder fĂŒr die Validierung. Jedes Bild ist mit der Klasse annotiert pilldie eine effektive Schulung und Bewertung der Modelle ermöglichen.

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

Sie können ein YOLO11 Modell fĂŒr 100 Epochen mit einer BildgrĂ¶ĂŸe von 640px trainieren, indem Sie die Methoden Python oder CLI verwenden. Detaillierte Anweisungen finden Sie im Abschnitt Trainingsbeispiel.

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

Der Datensatz ermöglicht die Automatisierung der Pillenerkennung und trÀgt so zur FÀlschungsprÀvention, QualitÀtssicherung und Optimierung pharmazeutischer Prozesse bei.

Wie fĂŒhre ich eine Inferenz auf den Datensatz fĂŒr medizinische Medikamente durch?

Die Inferenz kann mit den Methoden Python oder CLI mit einem fein abgestimmten Modell YOLO11 durchgefĂŒhrt werden. Code-Schnipsel finden Sie im Abschnitt Inferenz-Beispiel.

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

Die YAML-Datei ist unter medical-pills.yaml verfĂŒgbar und enthĂ€lt Datensatzpfade, Klassen und zusĂ€tzliche Konfigurationsdetails.

📅 Erstellt vor 1 Monat ✏ Aktualisiert vor 19 Tagen

Kommentare