Conjunto de Dados de Pílulas Médicas
O conjunto de dados de detecção medical-pills é um conjunto de dados de prova de conceito (POC), cuidadosamente selecionado para demonstrar o potencial da IA em aplicações farmacêuticas. Ele contém imagens rotuladas especificamente projetadas para treinar modelos de visão computacional para identificar medical-pills.
Assista: Como treinar o Modelo Ultralytics YOLO11 no Dataset de Detecção de Pílulas Médicas em Google Colab
Este conjunto de dados serve como um recurso fundamental para automatizar tarefas essenciais, como controle de qualidade, automação de embalagens e triagem eficiente em fluxos de trabalho farmacêuticos. Ao integrar este conjunto de dados em projetos, pesquisadores e desenvolvedores podem explorar soluções inovadoras que melhoram a precisão, otimizam as operações e, em última análise, contribuem para melhores resultados de saúde.
Estrutura do Conjunto de Dados
O conjunto de dados medical-pills é dividido em dois subconjuntos:
- Conjunto de treinamento: Consistindo em 92 imagens, cada uma anotada com a classe
pill. - Conjunto de Validação: Composto por 23 imagens com anotações correspondentes.
Aplicações
Usar visão computacional para detecção de pílulas médicas permite a automação na indústria farmacêutica, suportando tarefas como:
- Seleção Farmacêutica: Automatizar a seleção de comprimidos com base no tamanho, forma ou cor para aumentar a eficiência da produção.
- Pesquisa e Desenvolvimento de IA: Servindo como um benchmark para desenvolver e testar algoritmos de visão computacional em casos de uso farmacêuticos.
- Sistemas Digitais de Inventário: Potencializando soluções de inventário inteligentes através da integração do reconhecimento automatizado de pílulas para monitoramento de estoque em tempo real e planejamento de reabastecimento.
- Controle de Qualidade: Garantir a consistência na produção de comprimidos, identificando defeitos, irregularidades ou contaminação.
- Detecção de Contrafação: Ajuda a identificar medicamentos potencialmente falsificados, analisando as características visuais em relação aos padrões conhecidos.
YAML do Conjunto de Dados
Um arquivo de configuração YAML é fornecido para definir a estrutura do conjunto de dados, incluindo caminhos e classes. Para o conjunto de dados medical-pills, o medical-pills.yaml arquivo pode ser acessado em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/medical-pills.yaml.
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
Utilização
Para treinar um modelo YOLO11n no conjunto de dados medical-pills por 100 epochs com um tamanho de imagem de 640, use os exemplos a seguir. Para argumentos detalhados, consulte a página de Treinamento do modelo.
Exemplo de Treinamento
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
Exemplo de Inferência
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"
Amostras de Imagens e Anotações
O conjunto de dados medical-pills apresenta imagens rotuladas que mostram a diversidade de pílulas. Abaixo está um exemplo de uma imagem rotulada do conjunto de dados:
- Imagem em Mosaico: Exibido está um lote de treinamento composto por imagens de dataset em mosaico. O processo de mosaico aumenta a diversidade do treinamento, consolidando várias imagens em uma, melhorando a generalização do modelo.
Integração com Outros Conjuntos de Dados
Para uma análise farmacêutica mais abrangente, considere combinar o conjunto de dados medical-pills com outros conjuntos de dados relacionados, como package-seg para identificação de embalagens ou conjuntos de dados de imagem médica como brain-tumor para desenvolver soluções de IA de saúde de ponta a ponta.
Citações e Agradecimentos
O conjunto de dados está disponível sob a Licença AGPL-3.0.
Se você usar o conjunto de dados Medical-pills em seu trabalho de pesquisa ou desenvolvimento, cite-o usando os detalhes mencionados:
@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
Qual é a estrutura do conjunto de dados medical-pills?
O conjunto de dados inclui 92 imagens para treinamento e 23 imagens para validação. Cada imagem é anotada com a classe pill, permitindo o treinamento e a avaliação eficazes de modelos para aplicações farmacêuticas.
Como posso treinar um modelo YOLO11 no conjunto de dados medical-pills?
Você pode treinar um modelo YOLO11 por 100 épocas com um tamanho de imagem de 640px usando os métodos Python ou CLI fornecidos. Consulte a seção Exemplo de Treinamento para obter instruções detalhadas e verifique a documentação do YOLO11 para obter mais informações sobre os recursos do modelo.
Quais são os benefícios de usar o conjunto de dados medical-pills em projetos de IA?
O dataset permite a automação na detecção de pílulas, contribuindo para a prevenção de falsificações, garantia de qualidade e otimização de processos farmacêuticos. Ele também serve como um recurso valioso para desenvolver soluções de IA que podem melhorar a segurança de medicamentos e a eficiência da cadeia de suprimentos.
Como realizar a inferência no conjunto de dados medical-pills?
A inferência pode ser feita usando métodos Python ou CLI com um modelo YOLO11 ajustado. Consulte a seção Exemplo de Inferência para obter trechos de código e a documentação do modo Predict para opções adicionais.
Onde posso encontrar o arquivo de configuração YAML para o conjunto de dados medical-pills?
O arquivo YAML está disponível em medical-pills.yaml, contendo caminhos de conjuntos de dados, classes e detalhes de configuração adicionais essenciais para treinar modelos neste conjunto de dados.
