Ensemble de données sur les pilules médicales

L'ensemble de données sur la détection des pilules médicales est un ensemble de données de validation du concept (POC), soigneusement conçu pour démontrer le potentiel de l'IA dans les applications pharmaceutiques. Il contient des images étiquetées spécialement conçues pour entraîner des modèles de vision artificielle à l'identification de pilules médicales.

Regarder : Comment former le modèle Ultralytics YOLO11 sur l'ensemble de données de détection de pilules médicales en Google Colab

Cet ensemble de données constitue une ressource fondamentale pour l'automatisation de tâches essentielles telles que le contrôle de la qualité, l'automatisation de l'emballage et le triage efficace dans les flux de travail pharmaceutiques. En intégrant cet ensemble de données dans des projets, les chercheurs et les développeurs peuvent explorer des solutions innovantes qui améliorent la précision, rationalisent les opérations et, en fin de compte, contribuent à l'amélioration des résultats des soins de santé.

Structure de l'ensemble de données

L'ensemble de données sur les médicaments est divisé en deux sous-ensembles :

• Ensemble de formation: Constitué de 92 images, chacune annotée avec la classe pill.
• Jeu de validation: Comprend 23 images avec les annotations correspondantes.

Applications

L'utilisation de la vision par ordinateur pour la détection des pilules médicales permet l'automatisation dans l'industrie pharmaceutique, en prenant en charge des tâches telles que.. :

• Triage pharmaceutique: Automatisation du tri des pilules en fonction de leur taille, de leur forme ou de leur couleur afin d'améliorer l'efficacité de la production.
• Recherche et développement en matière d'IA: Servir de référence pour le développement et l'essai d'algorithmes de vision artificielle dans des cas d'utilisation pharmaceutique.
• Systèmes d'inventaire numériques: Solutions d'inventaire intelligentes intégrant la reconnaissance automatique des pilules pour le suivi des stocks en temps réel et la planification du réapprovisionnement.
• Contrôle de la qualité: Garantir la cohérence de la production de pilules en identifiant les défauts, les irrégularités ou la contamination.
• Détection des contrefaçons: Aider à identifier les médicaments potentiellement contrefaits en analysant les caractéristiques visuelles par rapport à des normes connues.

Jeu de données YAML

Un fichier de configuration YAML est fourni pour définir la structure de l'ensemble de données, y compris les chemins et les classes. Pour l'ensemble de données medical-pills, le fichier de configuration medical-pills.yaml est accessible à l'adresse suivante 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: ../datasets/medical-pills # dataset root dir
train: train/images # train images (relative to 'path') 92 images
val: valid/images # val images (relative to 'path') 23 images
test: # test images (relative to 'path')

# 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 YOLO11n sur l'ensemble de données medical-pills pour 100 époques avec une taille d'image de 640, utilisez les exemples suivants. Pour des arguments détaillés, reportez-vous à la page Formation du modèle.

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

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"

Exemples d'images et d'annotations

L'ensemble de données sur les pilules médicales présente des images étiquetées illustrant la diversité des pilules. Vous trouverez ci-dessous un exemple d'image étiquetée provenant de l'ensemble de données :

• Image mosaïque: Un lot d'entraînement comprenant des images de l'ensemble de données en mosaïque est affiché. La mosaïque améliore la diversité de la formation en consolidant plusieurs images en une seule, ce qui améliore la généralisation du modèle.

Intégration avec d'autres ensembles de données

Pour une analyse pharmaceutique plus complète, envisagez de combiner l'ensemble de données medical-pills avec d'autres ensembles de données connexes tels que package-seg pour l'identification de l'emballage ou des ensembles de données d'imagerie médicale tels que brain-tumor pour développer des solutions d'IA de bout en bout dans le domaine de la santé.

Citations et remerciements

Le jeu de données est disponible sous la licenceAGPL-3.0 .

Si vous utilisez l'ensemble de données Medical-pills dans vos travaux de recherche ou de développement, veuillez 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 de l'ensemble de données sur les pilules médicales ?

L'ensemble de données comprend 92 images pour la formation et 23 images pour la validation. Chaque image est annotée avec la classe pillL'objectif est de permettre une formation et une évaluation efficaces des modèles pour les applications pharmaceutiques.

Comment puis-je entraîner un modèle YOLO11 sur l'ensemble de données relatives aux pilules médicales ?

Vous pouvez entraîner un modèle YOLO11 pour 100 époques avec une taille d'image de 640px en utilisant les méthodes Python ou CLI fournies. Reportez-vous à la section Exemple d'entraînement pour des instructions détaillées et consultez la documentation deYOLO11 pour plus d'informations sur les capacités du modèle.

Quels sont les avantages de l'utilisation de l'ensemble de données sur les pilules médicales dans les projets d'IA ?

Cet ensemble de données permet d'automatiser la détection des pilules, contribuant ainsi à la prévention de la contrefaçon, à l'assurance qualité et à l'optimisation des processus pharmaceutiques. Il constitue également une ressource précieuse pour le développement de solutions d'IA susceptibles d'améliorer la sécurité des médicaments et l'efficacité de la chaîne d'approvisionnement.

Comment effectuer une inférence sur l'ensemble de données relatives aux pilules médicales ?

L'inférence peut être réalisée à l'aide de méthodes Python ou CLI avec un modèle YOLO11 affiné. Reportez-vous à la section Exemple d'inférence pour des extraits de code et à la documentation du mode Predict pour des options supplémentaires.

Où puis-je trouver le fichier de configuration YAML pour l'ensemble de données medical-pills ?

Le fichier YAML est disponible à l'adresse medical-pills.yaml. Il contient les chemins d'accès à l'ensemble de données, les classes et d'autres détails de configuration essentiels pour l'entraînement des modèles sur cet ensemble de données.

📅C réé il y a 3 mois ✏️ Mis à jour il y a 1 mois

Commentaires