Começar

Conjunto de dados de comprimidos médicos

Open Medical Pills Dataset In Colab

O conjunto de dados Medical Pills da Ultralytics é um conjunto de dados de prova de conceito (POC) de detecção de objetos, com 115 imagens rotuladas numa única classe, pill — 92 para treinamento e 23 para validação. Foi criado para demonstrar modelos de visão computacional para aplicações farmacêuticas, como controlo de qualidade, automação de embalagens e triagem.



Assista: Como treinar um modelo Ultralytics YOLO no conjunto de dados de detecção de comprimidos médicos no Google Colab

Estrutura do conjunto de dados#

O conjunto de dados Medical Pills contém 115 imagens anotadas em uma única classe, pill, divididas em dois subconjuntos definidos pela configuração medical-pills.yaml:

DivisãoImagensDescrição
Treinar92Imagens rotuladas para treinamento do modelo
Validação23Imagens reservadas para avaliação e benchmarking

Explore Medical Pills na Ultralytics Platform para navegar pelas imagens com sobreposições das anotações, visualizar a distribuição das classes e os mapas de calor das caixas delimitadoras na aba Gráficos e clonar o conjunto para treinar seu próprio modelo na nuvem.

Aplicações#

O uso da visão computacional para a detecção de comprimidos permite automatizar tarefas na indústria farmacêutica, incluindo:

  • Classificação farmacêutica: automatize a classificação de comprimidos com base no tamanho, formato ou cor para aumentar a eficiência da produção.
  • Pesquisa e desenvolvimento de IA: sirva como benchmark para desenvolver e testar algoritmos de visão computacional em aplicações farmacêuticas.
  • Sistemas de inventário digital: viabilize soluções inteligentes de inventário integrando o reconhecimento automatizado de comprimidos para monitorar os níveis de estoque em tempo real e planejar o reabastecimento.
  • Controle de qualidade: garanta a consistência na produção de comprimidos identificando defeitos, irregularidades ou contaminação.
  • Detecção de falsificações: ajude a identificar medicamentos potencialmente falsificados analisando características visuais em comparação com padrões conhecidos.

YAML do conjunto de dados#

O arquivo medical-pills.yaml define a configuração do conjunto de dados — os caminhos do conjunto de dados, os nomes das classes e outros metadados. Ele é mantido no repositório da Ultralytics 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

Uso#

Para treinar um modelo YOLO26n no conjunto de dados Medical Pills por 100 épocas, com tamanho de imagem 640, usa os exemplos a seguir. Para ver os argumentos detalhados, consulta a página de treinamento do modelo.

Exemplo de treino
from ultralytics import YOLO

# Carregar um modelo
model = YOLO("yolo26n.pt")  # carregue um modelo pré-treinado (recomendado para treinamento)

# Treinar o modelo
results = model.train(data="medical-pills.yaml", epochs=100, imgsz=640)
Exemplo de inferência
from ultralytics import YOLO

# Carregar um modelo
model = YOLO("path/to/best.pt")  # carregue um modelo ajustado

# Inferência usando o modelo
results = model.predict("https://ultralytics.com/assets/medical-pills-sample.jpg")

Imagens de exemplo e anotações#

O conjunto de dados Medical Pills apresenta imagens rotuladas que mostram a diversidade dos comprimidos. Abaixo está um exemplo de lote de treinamento em mosaico do conjunto de dados:

Lote de treinamento em mosaico do conjunto de dados Medical Pills, com comprimidos rotulados

  • Imagem mosaificada: É apresentado um lote de treino composto por imagens mosaificadas do conjunto de dados. A mosaificação aumenta a diversidade do treino ao combinar várias imagens numa só, melhorando a generalização do modelo.

Integração com outros conjuntos de dados#

Para uma análise farmacêutica mais abrangente, considera combinar o conjunto de dados Medical Pills com outros conjuntos relacionados, como Package Segmentation, para identificação de embalagens, ou conjuntos de dados de imagens médicas, como Brain Tumor, para desenvolver soluções de IA para cuidados de saúde de ponta a ponta.

Citações e agradecimentos#

O conjunto de dados está disponível sob a Licença AGPL-3.0.

Se utilizares o conjunto de dados Medical Pills no teu trabalho de investigação ou desenvolvimento, cita-o usando os detalhes indicados:

Citação
@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}
}

Perguntas frequentes#

  • O conjunto de dados Medical Pills contém 115 imagens no total — 92 para treino e 23 para validação — sem divisão separada para teste. Cada imagem tem uma única classe anotada, pill. É fornecido como um download automático de 8.19 MB definido na configuração medical-pills.yaml.

  • Podes treinar um modelo YOLO26 durante 100 épocas, com um tamanho de imagem de 640px, usando os métodos Python ou CLI fornecidos. Consulta a secção Exemplo de treino para obteres instruções detalhadas e vê a documentação do YOLO26 para saberes mais sobre as capacidades do modelo.

  • O conjunto de dados demonstra a detecção automatizada de comprimidos para prevenir falsificações, garantir a qualidade e otimizar processos farmacêuticos. O seu tamanho reduzido torna-o um ponto de partida rápido para prototipar aplicações que melhoram a segurança dos medicamentos e a eficiência da cadeia de abastecimento.

  • Podes fazer inferência usando métodos Python ou CLI com um modelo YOLO26 ajustado. Consulta a secção Exemplo de inferência para ver excertos de código e a documentação do modo Predict para conheceres opções adicionais.

  • O ficheiro YAML está disponível em medical-pills.yaml e contém os caminhos do conjunto de dados, as classes e outros detalhes de configuração essenciais para treinar modelos com este conjunto de dados.

Comentários1

Faz uma pergunta, partilha os teus resultados ou ajuda alguém.