Link to this sectionJeu 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.

This dataset serves as a foundational resource for automating essential tasks such as quality control, packaging automation, and efficient sorting in pharmaceutical workflows. By integrating this dataset into projects, researchers and developers can explore innovative solutions that enhance accuracy, streamline operations, and ultimately contribute to improved healthcare outcomes.

Link to this sectionStructure 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.

Link to this sectionApplications#

L'utilisation de la vision par ordinateur pour la détection de pilules médicales permet l'automatisation dans l'industrie pharmaceutique, en soutenant 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.

Link to this sectionYAML 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 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

Link to this sectionUtilisation#

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, reporte-toi à la page 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")

Link to this sectionExemples d'images et annotations#

Le jeu de données medical-pills propose des images étiquetées illustrant la diversité des pilules. Tu trouveras ci-dessous 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.

Link to this sectionIntégration 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.

Link to this sectionCitations 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}
}

Link to this sectionFAQ#

Link to this sectionQuelle est la structure du jeu de données medical-pills ?#

Le jeu de données inclut 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.

Link to this sectionComment 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. Reporte-toi à la section Exemple d'entraînement pour des instructions détaillées et consulte la documentation de YOLO26 pour plus d'informations sur les capacités du modèle.

Link to this sectionQuels 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 capables d'améliorer la sécurité des médicaments et l'efficacité de la chaîne d'approvisionnement.

Link to this sectionComment 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. Reporte-toi à la section Exemple d'inférence pour des extraits de code et à la documentation du mode Prédire pour des options supplémentaires.

Link to this sectionOù 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.