Link to this sectionConjunto de datos de píldoras médicas#

The Ultralytics Medical Pills dataset is a proof-of-concept (POC) object detection dataset of 115 labeled images across a single class, pill — 92 for training and 23 for validation. It is built to demonstrate computer vision models for pharmaceutical applications such as quality control, packaging automation, and sorting.

Link to this sectionEstructura del dataset#

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

Explora Medical Pills en la plataforma de Ultralytics para navegar por las imágenes con sus superposiciones de anotaciones, ver la distribución de las clases y los mapas de calor de los cuadros delimitadores en la pestaña Charts (Gráficos), y clónalo para entrenar tu propio modelo en la nube.

Link to this sectionAplicaciones#

El uso de la visión artificial para la detección de pastillas médicas permite la automatización en la industria farmacéutica, dando soporte a 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#

El archivo medical-pills.yaml define la configuración del conjunto de datos: las rutas, los nombres de las clases 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

Link to this sectionUso#

Para entrenar un modelo YOLO26n en el conjunto de datos Medical Pills durante 100 épocas con un tamaño de imagen de 640, utiliza los siguientes ejemplos. Para consultar los argumentos detallados, dirígete a 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 presenta imágenes etiquetadas que muestran la diversidad de las pastillas. A continuación, se muestra 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 exhaustivo, 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 integrales.

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 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}
}

Link to this sectionFAQ#

Link to this section¿Cuántas imágenes y clases hay en el conjunto de datos Medical Pills?#

El conjunto de datos Medical Pills contiene un total de 115 imágenes (92 para entrenamiento y 23 para validación), sin división de pruebas por separado. Cada imagen está anotada con una única clase, pill. Se suministra como una descarga automática de 8,19 MB definida en la configuración medical-pills.yaml.

Link to this section¿Cómo puedo entrenar un modelo YOLO26 en 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 utilizar 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.