Jeu de données Medical Pills
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.
Ce jeu de données sert de ressource fondamentale pour automatiser des tâches essentielles telles que le contrôle qualité, l'automatisation du conditionnement et le tri efficace dans les flux de travail pharmaceutiques. En intégrant ce jeu de données dans tes projets, tu peux explorer des solutions innovantes qui améliorent la précision, rationalisent les opérations et contribuent finalement à de meilleurs résultats en matière de santé.
Structure du jeu de données
Le jeu de données medical-pills est divisé en deux sous-ensembles :
- Ensemble d'entraînement : Composé de 92 images, chacune annotée avec la classe
pill. - Ensemble de validation : Comprenant 23 images avec les annotations correspondantes.
Applications
L'utilisation de la vision par ordinateur pour la détection de pilules médicales permet l'automatisation dans l'industrie pharmaceutique, en prenant en charge des tâches telles que :
- Tri pharmaceutique : Automatiser le tri des pilules en fonction de leur taille, de leur forme ou de leur couleur pour améliorer l'efficacité de la production.
- Recherche et développement en IA : Servir de référence pour développer et tester des algorithmes de vision par ordinateur dans des cas d'usage pharmaceutiques.
- Systèmes d'inventaire numériques : Alimenter des solutions d'inventaire intelligentes en intégrant la reconnaissance automatique de pilules pour une surveillance des stocks et une planification du réapprovisionnement en temps réel.
- Contrôle qualité : Garantir la cohérence dans la production de pilules en identifiant les défauts, les irrégularités ou la contamination.
- Détection de contrefaçons : Aider à identifier les médicaments potentiellement contrefaits en analysant les caractéristiques visuelles par rapport à des normes connues.
YAML du jeu de données
Un fichier de configuration YAML est fourni pour définir la structure du jeu de données, y compris les chemins et les classes. Pour le jeu de données medical-pills, le fichier medical-pills.yaml est accessible à 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.zipUtilisation
Pour entraîner un modèle YOLO26n sur le jeu de données medical-pills pendant 100 époques avec une taille d'image de 640, utilise les exemples suivants. Pour des arguments détaillés, consulte la page d'Entraînement du modèle.
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")Exemples d'images et d'annotations
Le jeu de données medical-pills présente des images annotées illustrant la diversité des pilules. Voici un exemple d'une image annotée issue du jeu de données :
- Image en mosaïque : Est affiché un lot d'entraînement composé d'images du jeu de données en mosaïque. La mosaïque améliore la diversité de l'entraînement en consolidant plusieurs images en une seule, ce qui améliore la généralisation du modèle.
Intégration avec d'autres jeux de données
Pour une analyse pharmaceutique plus complète, envisage de combiner le jeu de données medical-pills avec d'autres jeux de données connexes comme package-seg pour l'identification du conditionnement ou des jeux de données d'imagerie médicale comme brain-tumor afin de développer des solutions d'IA de santé de bout en bout.
Citations et remerciements
Le jeu de données est disponible sous la Licence AGPL-3.0.
Si tu utilises le jeu de données Medical-pills dans tes travaux de recherche ou de développement, merci de le citer en utilisant les détails mentionnés :
@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
Quelle est la structure du jeu de données medical-pills ?
Le jeu de données comprend 92 images pour l'entraînement et 23 images pour la validation. Chaque image est annotée avec la classe pill, permettant un entraînement et une évaluation efficaces des modèles pour les applications pharmaceutiques.
Comment puis-je entraîner un modèle YOLO26 sur le jeu de données medical-pills ?
Tu peux entraîner un modèle YOLO26 pendant 100 époques avec une taille d'image de 640px en utilisant les méthodes Python ou CLI fournies. Consulte la section Exemple d'entraînement pour des instructions détaillées et vérifie la documentation YOLO26 pour plus d'informations sur les capacités du modèle.
Quels sont les avantages de l'utilisation du jeu de données medical-pills dans les projets d'IA ?
Le jeu de données permet l'automatisation de la détection de pilules, contribuant à la prévention des contrefaçons, à l'assurance qualité et à l'optimisation des processus pharmaceutiques. Il sert également de ressource précieuse pour développer des solutions d'IA pouvant améliorer la sécurité des médicaments et l'efficacité de la chaîne d'approvisionnement.
Comment effectuer une inférence sur le jeu de données medical-pills ?
L'inférence peut être effectuée en utilisant les méthodes Python ou CLI avec un modèle YOLO26 affiné. Consulte la section Exemple d'inférence pour des extraits de code et la documentation du mode Prédiction pour des options supplémentaires.
Où puis-je trouver le fichier de configuration YAML pour le jeu de données medical-pills ?
Le fichier YAML est disponible sur medical-pills.yaml, contenant les chemins du jeu de données, les classes et des détails de configuration supplémentaires essentiels pour entraîner des modèles sur ce jeu de données.