Link to this sectionНабор данных Medical Pills#

Набор данных для обнаружения medical-pills — это концептуальный (POC) набор, тщательно отобранный для демонстрации потенциала ИИ в фармацевтических приложениях. Он содержит размеченные изображения, специально разработанные для обучения computer vision моделей для идентификации медицинских таблеток.

Этот набор данных служит фундаментальным ресурсом для автоматизации важных задач, таких как контроль качества, автоматизация упаковки и эффективная сортировка в фармацевтических рабочих процессах. Интегрируя этот набор данных в свои проекты, исследователи и разработчики могут изучать инновационные решения, которые повышают точность, оптимизируют операции и, в конечном итоге, способствуют улучшению результатов в сфере здравоохранения.

Link to this sectionСтруктура набора данных#

Набор данных medical-pills разделен на две подвыборки:

• Обучающая выборка: состоит из 92 изображений, каждое из которых размечено классом pill.
• Валидационная выборка: включает 23 изображения с соответствующими аннотациями.

Link to this sectionПрименение#

Использование компьютерного зрения для обнаружения medical-pills позволяет автоматизировать процессы в фармацевтической отрасли, поддерживая такие задачи, как:

• Фармацевтическая сортировка: автоматизация сортировки таблеток по размеру, форме или цвету для повышения эффективности производства.
• Исследования и разработки в области ИИ: использование в качестве эталона для разработки и тестирования алгоритмов компьютерного зрения в фармацевтических сценариях.
• Цифровые системы инвентаризации: создание интеллектуальных решений для управления запасами путем интеграции автоматизированного распознавания таблеток для мониторинга остатков в реальном времени и планирования пополнения.
• Контроль качества: обеспечение стабильности при производстве таблеток путем выявления дефектов, отклонений или загрязнений.
• Обнаружение контрафакта: помощь в идентификации потенциально поддельных лекарств путем сравнения визуальных характеристик с известными стандартами.

Link to this sectionYAML набора данных#

Для определения структуры набора данных, включая пути и классы, предоставляется конфигурационный файл YAML. Файл medical-pills.yaml для данного набора данных доступен по ссылке 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 sectionИспользование#

Чтобы обучить модель YOLO26n на наборе данных medical-pills в течение 100 эпох с размером изображения 640, используй следующие примеры. Подробное описание аргументов представлено на странице обучения модели.

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 sectionПримеры изображений и аннотации#

Набор данных medical-pills содержит размеченные изображения, демонстрирующие разнообразие таблеток. Ниже приведен пример размеченного изображения из этого набора:

• Мозаичное изображение: показан обучающий батч, состоящий из мозаичных изображений набора данных. Мозаика улучшает разнообразие при обучении за счет объединения нескольких изображений в одно, что способствует лучшей генерализации модели.

Link to this sectionИнтеграция с другими наборами данных#

Для более комплексного фармацевтического анализа рассмотри возможность объединения набора данных medical-pills с другими связанными наборами, такими как package-seg для идентификации упаковки, или наборами для медицинской визуализации, например brain-tumor, чтобы разрабатывать комплексные ИИ-решения для здравоохранения.

Link to this sectionЦитирование и благодарности#

Набор данных доступен на условиях лицензии AGPL-3.0.

Если ты используешь набор данных Medical-pills в своих исследованиях или разработках, пожалуйста, укажи его, используя приведенные детали:

@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 sectionКакова структура набора данных medical-pills?#

Набор данных включает 92 изображения для обучения и 23 изображения для валидации. Каждое изображение размечено классом pill, что позволяет эффективно обучать и оценивать модели для фармацевтических задач.

Link to this sectionКак я могу обучить модель YOLO26 на наборе данных medical-pills?#

Ты можешь обучить модель YOLO26 в течение 100 эпох с размером изображения 640 пикселей, используя методы Python или CLI. Обратись к разделу Пример обучения за подробными инструкциями и ознакомься с документацией YOLO26 для получения дополнительной информации о возможностях модели.

Link to this sectionКаковы преимущества использования набора данных medical-pills в ИИ-проектах?#

Набор данных обеспечивает автоматизацию обнаружения таблеток, способствуя предотвращению контрафакта, обеспечению качества и оптимизации фармацевтических процессов. Он также служит ценным ресурсом для разработки ИИ-решений, которые могут повысить безопасность приема лекарств и эффективность цепочек поставок.

Link to this sectionКак выполнить инференс на наборе данных medical-pills?#

Инференс можно выполнить с помощью методов Python или CLI с использованием дообученной модели YOLO26. Обратись к разделу Пример инференса для получения примеров кода и к документации режима Predict для ознакомления с дополнительными опциями.

Link to this sectionГде я могу найти YAML-файл конфигурации для набора данных medical-pills?#

Файл YAML доступен по ссылке medical-pills.yaml и содержит пути к набору данных, классы и дополнительные детали конфигурации, необходимые для обучения моделей на этом наборе.