Link to this sectionConjunto de datos de píldoras médicas#

The medical-pills detection dataset is a proof-of-concept (POC) dataset, carefully curated to demonstrate the potential of AI in pharmaceutical applications. It contains labeled images specifically designed to train computer vision models for identifying medical-pills.

Este conjunto de datos sirve como un recurso fundamental para automatizar tareas esenciales como el control de calidad, la automatización del envasado y la clasificación eficiente en flujos de trabajo farmacéuticos. Al integrar este conjunto de datos en tus proyectos, podrás explorar soluciones innovadoras que mejoren la precisión, agilicen las operaciones y, en última instancia, contribuyan a obtener mejores resultados sanitarios.

Link to this sectionEstructura del dataset#

El conjunto de datos medical-pills se divide en dos subconjuntos:

• Conjunto de entrenamiento: Consta de 92 imágenes, cada una anotada con la clase pill.
• Conjunto de validación: Comprende 23 imágenes con las anotaciones correspondientes.

Link to this sectionAplicaciones#

Utilizar la visión artificial para la detección de píldoras médicas permite la automatización en la industria farmacéutica, apoyando tareas como:

• Clasificación farmacéutica: Automatizar la clasificación de píldoras según su tamaño, forma o color para mejorar la eficiencia de la producción.
• Investigación y desarrollo de IA: Servir como referencia para desarrollar y probar algoritmos de visión artificial en casos de uso farmacéuticos.
• Sistemas de inventario digital: Potenciar soluciones de inventario inteligentes mediante la integración del reconocimiento automatizado de píldoras para el control de stock en tiempo real y la planificación de reposición.
• Control de calidad: Garantizar la consistencia en la producción de píldoras identificando defectos, irregularidades o contaminación.
• Detección de falsificaciones: Ayudar a identificar medicamentos potencialmente falsificados analizando las características visuales frente a estándares conocidos.

Link to this sectionYAML del dataset#

Se proporciona un archivo de configuración YAML para definir la estructura del conjunto de datos, incluyendo rutas y clases. Para el conjunto de datos medical-pills, el archivo medical-pills.yaml puede consultarse 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

Link to this sectionUso#

Para entrenar un modelo YOLO26n con el conjunto de datos medical-pills durante 100 épocas con un tamaño de imagen de 640, utiliza los siguientes ejemplos. Para argumentos detallados, consulta la página de Entrenamiento del modelo.

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")

Link to this sectionMuestras de imágenes y anotaciones#

El conjunto de datos medical-pills cuenta con imágenes etiquetadas que muestran la diversidad de píldoras. A continuación, un ejemplo de una imagen etiquetada del conjunto de datos:

• Imagen con mosaico: Se muestra un lote de entrenamiento que comprende imágenes del conjunto de datos en mosaico. El mosaico mejora la diversidad del entrenamiento al consolidar varias imágenes en una sola, mejorando la generalización del modelo.

Link to this sectionIntegración con otros conjuntos de datos#

Para un análisis farmacéutico más completo, considera combinar el conjunto de datos medical-pills con otros conjuntos de datos relacionados como package-seg para la identificación de envases o conjuntos de datos de imágenes médicas como brain-tumor para desarrollar soluciones de IA sanitaria de extremo a extremo.

Link to this sectionCitas y agradecimientos#

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

Si utilizas el conjunto de datos Medical-pills en tu trabajo de investigación o desarrollo, por favor cítalo usando los detalles mencionados:

@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}
}

Link to this sectionFAQ#

Link to this section¿Cuál es la estructura del conjunto de datos medical-pills?#

El conjunto de datos incluye 92 imágenes para entrenamiento y 23 imágenes para validación. Cada imagen está anotada con la clase pill, permitiendo un entrenamiento y evaluación efectivos de modelos para aplicaciones farmacéuticas.

Link to this section¿Cómo puedo entrenar un modelo YOLO26 con el conjunto de datos medical-pills?#

Puedes entrenar un modelo YOLO26 durante 100 épocas con un tamaño de imagen de 640px usando los métodos de Python o CLI proporcionados. Consulta la sección Ejemplo de entrenamiento para instrucciones detalladas y revisa la documentación de YOLO26 para más información sobre las capacidades del modelo.

Link to this section¿Cuáles son los beneficios de usar el conjunto de datos medical-pills en proyectos de IA?#

El conjunto de datos permite la automatización en la detección de píldoras, contribuyendo a la prevención de falsificaciones, la garantía de calidad y la optimización de los procesos farmacéuticos. También sirve como un recurso valioso para desarrollar soluciones de IA que pueden mejorar la seguridad de los medicamentos y la eficiencia de la cadena de suministro.

Link to this section¿Cómo realizo una inferencia en el conjunto de datos medical-pills?#

La inferencia se puede realizar mediante métodos de Python o CLI con un modelo YOLO26 ajustado. Consulta la sección Ejemplo de inferencia para fragmentos de código y la documentación del modo Predict para opciones adicionales.

Link to this section¿Dónde puedo encontrar el archivo de configuración YAML para el conjunto de datos medical-pills?#

El archivo YAML está disponible en medical-pills.yaml, y contiene las rutas del conjunto de datos, clases y detalles de configuración adicionales esenciales para entrenar modelos con este conjunto de datos.