Conjunto de datos de píldoras médicas
El conjunto de datos de detección de píldoras médicas es un conjunto de datos de prueba de concepto (POC), cuidadosamente seleccionado para demostrar el potencial de la IA en aplicaciones farmacéuticas. Contiene imágenes etiquetadas específicamente diseñadas para entrenar modelos de visión artificial para identificar píldoras médicas.
Ver: Cómo entrenar el modelo Ultralytics YOLO11 en un dataset de detección de píldoras médicas en Google Colab
Este conjunto de datos sirve como un recurso fundamental para automatizar tareas esenciales como el control de calidad, la automatización del embalaje y la clasificación eficiente en los flujos de trabajo farmacéuticos. Al integrar este conjunto de datos en los proyectos, los investigadores y desarrolladores pueden explorar soluciones innovadoras que mejoren la precisión, agilicen las operaciones y, en última instancia, contribuyan a mejorar los resultados de la atención sanitaria.
Estructura del conjunto de datos
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: Consta de 23 imágenes con sus correspondientes anotaciones.
Aplicaciones
El uso de la visión artificial para la detección de píldoras médicas permite la automatización en la industria farmacéutica, apoyando tareas como:
- Clasificación farmacéutica: Automatización de la clasificación de píldoras en función de su tamaño, forma o color para mejorar la eficiencia de la producción.
- Investigación y Desarrollo de IA: Sirve como punto de referencia para desarrollar y probar algoritmos de visión artificial en casos de uso farmacéuticos.
- Sistemas de inventario digital: Potenciando soluciones de inventario inteligentes mediante la integración del reconocimiento automatizado de píldoras para la supervisión de existencias 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: Ayuda a identificar medicamentos potencialmente falsificados mediante el análisis de las características visuales en comparación con los estándares conocidos.
YAML del conjunto de datos
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 medical-pills.yaml se puede acceder al archivo en 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: 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 YOLO11n en el conjunto de datos medical-pills durante 100 épocas con un tamaño de imagen de 640, utilice los siguientes ejemplos. Para obtener información detallada sobre los argumentos, consulte la página de Entrenamiento del modelo.
Ejemplo de entrenamiento
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
Ejemplo de inferencia
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"
sample_images y anotaciones
El conjunto de datos medical-pills presenta imágenes etiquetadas que muestran la diversidad de píldoras. A continuación, se muestra un ejemplo de una imagen etiquetada del conjunto de datos:
- Imagen en Mosaico: Se muestra un lote de entrenamiento que comprende imágenes de conjuntos de datos en mosaico. El mosaico mejora la diversidad del entrenamiento al consolidar múltiples imágenes en una, mejorando la generalización del modelo.
Integración con otros conjuntos de datos
Para un análisis farmacéutico más completo, considera la posibilidad de 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 integrales de IA para la atención sanitaria.
Citas y agradecimientos
El conjunto de datos está disponible bajo la Licencia AGPL-3.0.
Si utiliza el conjunto de datos Medical-pills en su trabajo de investigación o desarrollo, cítelo utilizando 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}
}
Preguntas frecuentes
¿Cuál es la estructura del conjunto de datos de píldoras médicas?
El conjunto de datos incluye 92 imágenes para el entrenamiento y 23 imágenes para la validación. Cada imagen está anotada con la clase pill, permitiendo el entrenamiento y la evaluación efectivos de modelos para aplicaciones farmacéuticas.
¿Cómo puedo entrenar un modelo YOLO11 en el conjunto de datos medical-pills?
Puedes entrenar un modelo YOLO11 durante 100 épocas con un tamaño de imagen de 640px utilizando los métodos de Python o CLI proporcionados. Consulta la sección Ejemplo de entrenamiento para obtener instrucciones detalladas y consulta la documentación de YOLO11 para obtener más información sobre las capacidades del modelo.
¿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, lo que contribuye a la prevención de falsificaciones, el aseguramiento de la calidad y la optimización de los procesos farmacéuticos. También sirve como un valioso recurso para desarrollar soluciones de IA que puedan mejorar la seguridad de los medicamentos y la eficiencia de la cadena de suministro.
¿Cómo realizo la inferencia en el conjunto de datos de píldoras médicas?
La inferencia se puede realizar utilizando métodos de python o CLI con un modelo YOLO11 ajustado. Consulta la sección Ejemplo de Inferencia para obtener fragmentos de código y la documentación del modo Predict para obtener opciones adicionales.
¿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 rutas de conjuntos de datos, clases y detalles de configuración adicionales esenciales para entrenar modelos en este conjunto de datos.
