Conjunto de datos 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

El conjunto de datos Medical Pills de Ultralytics es un conjunto de datos de prueba de concepto (POC) para la detección de objetos, con 115 imágenes etiquetadas de una sola clase, pill: 92 para entrenamiento y 23 para validación. Está diseñado para mostrar modelos de visión artificial en aplicaciones farmacéuticas, como el control de calidad, la automatización del envasado y la clasificación.

Estructura del conjunto de datos#

El conjunto de datos Medical Pills contiene 115 imágenes anotadas con una sola clase, pill, divididas en dos subconjuntos definidos por la configuración medical-pills.yaml:

Explora Medical Pills en Ultralytics Platform para ver las imágenes con las superposiciones de anotaciones, consultar la distribución de clases y los mapas de calor de cuadros delimitadores en la pestaña Charts, y clonarlo para entrenar tu propio modelo en la nube.

Aplicaciones#

El uso de la visión artificial para detectar pastillas permite automatizar procesos en la industria farmacéutica y facilita tareas como:

• Clasificación farmacéutica: Automatiza la clasificación de pastillas según el tamaño, la forma o el color para mejorar la eficiencia de la producción.
• Investigación y desarrollo de IA: Sirve como referencia para desarrollar y probar algoritmos de visión artificial en aplicaciones farmacéuticas.
• Sistemas de inventario digital: Impulsa soluciones inteligentes de inventario mediante el reconocimiento automatizado de pastillas para supervisar las existencias en tiempo real y planificar su reposición.
• Control de calidad: Garantiza la uniformidad en la producción de pastillas al identificar defectos, irregularidades o contaminación.
• Detección de falsificaciones: Ayuda a identificar medicamentos potencialmente falsificados mediante el análisis de sus características visuales y su comparación con estándares conocidos.

YAML del conjunto de datos#

El archivo medical-pills.yaml define la configuración del conjunto de datos: sus rutas, los nombres de clase y otros metadatos. Se mantiene en el repositorio de Ultralytics, en https://github.com/ultralytics/ultralytics/blob/main/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

Uso#

Para entrenar un modelo YOLO26n con el conjunto de datos Medical Pills durante 100 épocas con un tamaño de imagen de 640, usa los siguientes ejemplos. Para consultar los argumentos detallados, visita la página de entrenamiento del modelo.

from ultralytics import YOLO

# Cargar un modelo
model = YOLO("yolo26n.pt")  # Carga un modelo preentrenado (recomendado para el entrenamiento)

# Entrenar el modelo
results = model.train(data="medical-pills.yaml", epochs=100, imgsz=640)

from ultralytics import YOLO

# Cargar un modelo
model = YOLO("path/to/best.pt")  # cargar un modelo ajustado

# Inferencia con el modelo
results = model.predict("https://ultralytics.com/assets/medical-pills-sample.jpg")

Imágenes de muestra y anotaciones#

El conjunto de datos Medical Pills incluye imágenes etiquetadas que muestran la diversidad de las pastillas. A continuación se muestra un ejemplo de un lote de entrenamiento en mosaico del conjunto de datos:

• Imagen en mosaico: Se muestra un lote de entrenamiento compuesto por imágenes del conjunto de datos dispuestas en mosaico. Esta técnica aumenta la diversidad del entrenamiento al combinar varias imágenes en una sola, lo que mejora la capacidad de generalización del modelo.

Integración con otros conjuntos de datos#

Para realizar un análisis farmacéutico más completo, considera combinar el conjunto de datos Medical Pills con otros conjuntos relacionados, como package-seg para identificar envases, o conjuntos de datos de imágenes médicas, como brain-tumor, para desarrollar soluciones de IA sanitaria integrales.

Citas y agradecimientos#

El conjunto de datos está disponible con la Licencia AGPL-3.0.

Si utilizas el conjunto de datos Medical Pills en tu investigación o trabajo de desarrollo, cítalo con los datos indicados:

@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}
}

Preguntas frecuentes#