Jeu de données Medical Pills#

Le jeu de données Medical Pills d'Ultralytics est un jeu de données de détection d'objets de type preuve de concept (POC) comprenant 115 images étiquetées pour une seule classe, pill — 92 pour l'entraînement et 23 pour la validation. Il est conçu pour démontrer des modèles de vision par ordinateur pour des applications pharmaceutiques telles que le contrôle qualité, l'automatisation du conditionnement et le tri.

Structure du jeu de données#

Le jeu de données Medical Pills contient 115 images annotées avec une seule classe, pill, divisées en deux sous-ensembles définis par la configuration medical-pills.yaml :

Explore Medical Pills on Ultralytics Platform pour parcourir les images avec leurs superpositions d'annotations, consulter la distribution des classes et les cartes thermiques de boîtes englobantes dans l'onglet Charts, et le cloner pour entraîner ton propre modèle dans le cloud.

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 comme :

• Tri pharmaceutique : Automatisation du 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 : Sert de référence pour développer et tester des algorithmes de vision par ordinateur dans des cas d'utilisation pharmaceutiques.
• Systèmes d'inventaire numériques : Alimente des solutions d'inventaire intelligentes en intégrant la reconnaissance automatisée des pilules pour le suivi des stocks en temps réel et la planification du réapprovisionnement.
• Contrôle qualité : Garantit la cohérence de la production des pilules en identifiant les défauts, les irrégularités ou la contamination.
• Détection de contrefaçons : Aide à identifier les médicaments potentiellement contrefaits en analysant les caractéristiques visuelles par rapport aux normes connues.

YAML du jeu de données#

Le fichier medical-pills.yaml définit la configuration du jeu de données — les chemins du jeu de données, les noms des classes et d'autres métadonnées. Il est maintenu dans le dépôt Ultralytics à l'adresse 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

Utilisation#

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, réfère-toi à la page Training 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 annotations#

Le jeu de données Medical Pills propose des images étiquetées illustrant la diversité des pilules. Voici un exemple d'image étiquetée issue du jeu de données :

• Image en mosaïque : Est affiché ici un lot d'entraînement composé d'images du jeu de données en mosaïque. La mosaïque améliore la diversité de l'entraînement en regroupant plusieurs images en une seule, renforçant ainsi 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 associés comme package-seg pour l'identification des emballages 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#

Combien d'images et de classes y a-t-il dans le jeu de données Medical Pills ?#

Le jeu de données Medical Pills contient un total de 115 images — 92 pour l'entraînement et 23 pour la validation — sans division de test séparée. Chaque image est annotée avec une seule classe, pill. Il est fourni sous forme de téléchargement automatique de 8,19 Mo défini dans la configuration medical-pills.yaml.

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. Réfère-toi à la section Training Example pour des instructions détaillées et consulte la documentation YOLO26 pour plus d'informations sur les capacités du modèle.

Quels sont les avantages d'utiliser le jeu de données Medical Pills dans des 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 capables d'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 réalisée en utilisant des méthodes Python ou CLI avec un modèle YOLO26 finement réglé. Réfère-toi à la section Inference Example pour des extraits de code et à 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 et contient les chemins du jeu de données, les classes et des détails de configuration supplémentaires essentiels pour entraîner des modèles sur ce jeu de données.