Датасет медицинских таблеток#

115

Medical Pills

ultralytics

publicDetect

Photos of pharmaceutical pills, a proof-of-concept set for pill detection in pharmaceutical automation. Built to demonstrate computer vision for quality control, packaging, sorting, and inventory tracking. Created by Ultralytics (Jocher and Rizwan, 2024); docs.ultralytics.com/datasets/detect/medical-pills.

31 class16.1 MBOct 23, 2026

pill

Набор данных Ultralytics Medical Pills — это концептуальный набор данных (POC) для обнаружения объектов: 115 размеченных изображений одного класса — pill (92 для обучения и 23 для валидации). Он демонстрирует возможности моделей компьютерного зрения для фармацевтических приложений, например контроля качества, автоматизации упаковки и сортировки.

Смотри: Как обучить модель Ultralytics YOLO на датасете для обнаружения медицинских таблеток в Google Colab

Структура набора данных#

Датасет Medical Pills содержит 115 изображений, размеченных одним классом pill и разделённых на две подвыборки, указанные в конфигурации medical-pills.yaml:

Изучи Medical Pills на Ultralytics Platform: просматривай изображения с наложенными аннотациями, изучай распределение классов и тепловые карты ограничивающих рамок во вкладке Charts, а также клонируй датасет, чтобы обучать собственную модель в облаке.

Применение#

Использование компьютерного зрения для обнаружения медицинских таблеток позволяет автоматизировать задачи в фармацевтической отрасли, в том числе:

• Сортировка фармацевтической продукции: автоматизация сортировки таблеток по размеру, форме или цвету для повышения эффективности производства.
• Исследования и разработки в области ИИ: использование в качестве бенчмарка для разработки и тестирования алгоритмов компьютерного зрения в фармацевтике.
• Цифровые системы учёта запасов: создание интеллектуальных решений для учёта запасов с помощью автоматического распознавания таблеток, мониторинга наличия в реальном времени и планирования пополнения.
• Контроль качества: обеспечение стабильности производства таблеток за счёт выявления дефектов, отклонений и загрязнений.
• Обнаружение подделок: выявление потенциально поддельных лекарств путём сопоставления визуальных характеристик с известными стандартами.

Файл YAML набора данных#

Файл medical-pills.yaml содержит конфигурацию датасета — пути к данным, названия классов и другие метаданные. Он поддерживается в репозитории Ultralytics по адресу 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

Использование#

Чтобы обучить модель YOLO26n на наборе Medical Pills в течение 100 эпох с размером изображения 640, используй следующие примеры. Подробнее о параметрах см. на странице обучения модели.

from ultralytics import YOLO

# Загрузить модель
model = YOLO("yolo26n.pt")  # загрузить предварительно обученную модель (рекомендуется для обучения)

# Обучить модель
results = model.train(data="medical-pills.yaml", epochs=100, imgsz=640)

from ultralytics import YOLO

# Загрузить модель
model = YOLO("path/to/best.pt")  # загрузить дообученную модель

# Инференс с использованием модели
results = model.predict("https://ultralytics.com/assets/medical-pills-sample.jpg")

Примеры изображений и аннотаций#

Датасет Medical Pills включает размеченные изображения, демонстрирующие разнообразие таблеток. Ниже приведён пример обучающего батча, сформированного с помощью мозаичного преобразования:

• Изображение с мозаичной компоновкой: показан обучающий батч, составленный из мозаично объединённых изображений датасета. Такая компоновка повышает разнообразие обучающих данных, объединяя несколько изображений в одно, и улучшает способность модели к обобщению.

Интеграция с другими датасетами#

Для более комплексного фармацевтического анализа попробуй объединить набор Medical Pills с другими тематическими наборами, например Package Segmentation для распознавания упаковки или набором медицинских изображений Brain Tumor, чтобы разрабатывать комплексные ИИ-решения для здравоохранения.

Цитирование и благодарности#

Датасет доступен по лицензии AGPL-3.0.

Если ты используешь датасет Medical Pills в исследованиях или разработке, цитируй его, указывая приведённые сведения:

@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}
}

Часто задаваемые вопросы#