Jeu de données de pilules médicales
Le jeu de données Medical Pills d’Ultralytics est un jeu de données de détection d’objets de validation de concept (POC), comprenant 115 images annotées pour une seule classe, pill — 92 pour l’entraînement et 23 pour la validation. Il est conçu pour illustrer des modèles de vision par ordinateur appliqués aux applications pharmaceutiques, comme le contrôle qualité, l’automatisation de l’emballage et le tri.
Regarder : Comment entraîner un modèle Ultralytics YOLO sur le jeu de données de détection de comprimés médicaux dans Google Colab
Structure du jeu de données#
Le jeu de données Medical Pills comprend 115 images annotées avec une seule classe, pill, réparties en deux sous-ensembles définis par la configuration medical-pills.yaml :
| Partition | Images | Description |
|---|---|---|
| Entraînement | 92 | Images annotées pour l’entraînement du modèle |
| Validation | 23 | Images mises à l’écart pour l’évaluation et la comparaison des performances |
Explore Medical Pills sur Ultralytics Platform pour parcourir les images et leurs superpositions d’annotations, consulter la distribution des classes et les cartes thermiques des boîtes englobantes dans l’onglet Charts, et cloner le jeu de données pour entraîner ton propre modèle dans le cloud.
Applications#
L’utilisation de la vision par ordinateur pour la détection des comprimés médicaux permet d’automatiser des tâches dans l’industrie pharmaceutique, notamment :
- Tri pharmaceutique : automatise le tri des pilules selon leur taille, leur forme ou leur couleur afin d’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’usage pharmaceutiques.
- Systèmes de gestion numérique des stocks : permet de mettre en place des solutions intelligentes de gestion des stocks en intégrant la reconnaissance automatisée des pilules pour suivre les stocks en temps réel et planifier leur réapprovisionnement.
- Contrôle qualité : garantit la régularité de la production des pilules en détectant les défauts, les irrégularités ou les contaminations.
- Détection des contrefaçons : aide à repérer les médicaments potentiellement contrefaits en comparant leurs caractéristiques visuelles à des références connues.
Fichier YAML du jeu de données#
Le fichier medical-pills.yaml définit la configuration du jeu de données — les chemins d’accès, les noms de classe et d’autres métadonnées. Il est géré 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.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 consulter les arguments détaillés, reporte-toi à la page Entraînement du modèle.
from ultralytics import YOLO
# Charger un modèle
model = YOLO("yolo26n.pt") # charger un modèle préentraîné (recommandé pour l’entraînement)
# Entraîner le modèle
results = model.train(data="medical-pills.yaml", epochs=100, imgsz=640)from ultralytics import YOLO
# Charger un modèle
model = YOLO("path/to/best.pt") # charger un modèle ajusté
# Inférence avec le modèle
results = model.predict("https://ultralytics.com/assets/medical-pills-sample.jpg")Exemples d’images et annotations#
Le jeu de données Medical Pills contient des images étiquetées qui illustrent la diversité des pilules. Voici un exemple de lot d’entraînement en mosaïque tiré du jeu de données :

- Image mosaïquée : l’image affichée montre un lot d’entraînement composé d’images du jeu de données mosaïquées. Le mosaïquage accroît la diversité des données d’entraînement en regroupant plusieurs images en une seule, ce qui améliore la capacité de généralisation du modèle.
Intégration à d’autres jeux de données#
Pour une analyse pharmaceutique plus complète, tu peux combiner le jeu de données Medical Pills avec d’autres jeux de données connexes, comme Package Segmentation 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 le cadre de tes recherches ou de tes travaux de développement, cite-le à l’aide des informations indiquées :
@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#
Le jeu de données Medical Pills contient 115 images au total — 92 pour l’entraînement et 23 pour la validation — sans ensemble de test distinct. Chaque image est annotée avec une seule classe,
pill. Il est fourni sous forme de téléchargement automatique de 8,19 Mo défini dans la configurationmedical-pills.yaml.Tu peux entraîner un modèle YOLO26 pendant 100 époques avec une taille d’image de 640 px à l’aide des méthodes Python ou CLI fournies. Consulte la section Exemple d’entraînement pour obtenir des instructions détaillées et la documentation YOLO26 pour en savoir plus sur les capacités du modèle.
Ce jeu de données illustre la détection automatisée de comprimés pour prévenir la contrefaçon, assurer le contrôle qualité et optimiser les processus pharmaceutiques. Sa petite taille en fait un point de départ rapide pour prototyper des applications qui améliorent la sécurité des médicaments et l’efficacité de la chaîne d’approvisionnement.
L’inférence peut être réalisée à l’aide des 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 Predict pour découvrir d’autres options.
Le fichier YAML est disponible à l’adresse medical-pills.yaml ; il contient les chemins d’accès au jeu de données, les classes et d’autres détails de configuration essentiels à l’entraînement de modèles sur ce jeu de données.
Commentaires1
Pose une question, partage tes résultats ou aide quelqu’un d’autre.
RizwanMunawar
Medical pills detection using Ultralytics YOLO11!



