İçeriğe geç

Tıbbi Haplar Veri Kümesi

Colab'da Tıbbi Hap Veri Setini Açın

Tıbbi hap tespit veri seti, farmasötik uygulamalarda yapay zekanın potansiyelini göstermek için özenle seçilmiş bir kavram kanıtı (POC) veri setidir. Tıbbi hapları tanımlamak için bilgisayarla görme modellerini eğitmek üzere özel olarak tasarlanmış etiketli görüntüler içerir.



İzle: Ultralytics YOLO11 Modelini Tıbbi Hap Tespit Veri Kümesi üzerinde nasıl eğitebilirim? Google Colab

Bu veri seti, farmasötik iş akışlarında kalite kontrol, paketleme otomasyonu ve verimli ayıklama gibi temel görevleri otomatikleştirmek için temel bir kaynak görevi görür. Araştırmacılar ve geliştiriciler, bu veri setini projelere entegre ederek doğruluğu artıran, operasyonları kolaylaştıran ve nihayetinde sağlık hizmeti sonuçlarının iyileştirilmesine katkıda bulunan yenilikçi çözümleri keşfedebilirler.

Veri Kümesi Yapısı

Tıbbi hap veri kümesi iki alt kümeye ayrılmıştır:

  • Eğitim seti: Her biri sınıf ile açıklanmış 92 görüntüden oluşur pill.
  • Doğrulama seti: İlgili açıklamalarla birlikte 23 görüntüden oluşmaktadır.

Uygulamalar

Tıbbi hapların tespiti için bilgisayarla görmenin kullanılması, ilaç endüstrisinde otomasyona olanak tanıyarak aşağıdaki gibi görevleri destekler:

  • Farmasötik Ayıklama: Üretim verimliliğini artırmak için hapların boyut, şekil veya renge göre sıralanmasını otomatikleştirme.
  • Yapay Zeka Araştırma ve Geliştirme: Farmasötik kullanım durumlarında bilgisayarla görme algoritmalarının geliştirilmesi ve test edilmesi için bir ölçüt olarak hizmet vermektedir.
  • Dijital Envanter Sistemleri: Gerçek zamanlı stok izleme ve ikmal planlaması için otomatik hap tanımayı entegre ederek akıllı envanter çözümlerine güç verir.
  • Kalite Kontrol: Kusurları, düzensizlikleri veya kontaminasyonu tespit ederek hap üretiminde tutarlılığı sağlamak.
  • Sahte İlaç Tespiti: Bilinen standartlara karşı görsel özellikleri analiz ederek potansiyel olarak sahte ilaçların belirlenmesine yardımcı olur.

Veri Kümesi YAML

Yollar ve sınıflar da dahil olmak üzere veri kümesinin yapısını tanımlamak için bir YAML yapılandırma dosyası sağlanmıştır. Medical-pills veri kümesi için medical-pills.yaml dosyasına şu adresten erişilebilir 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: ../datasets/medical-pills # dataset root dir
train: train/images # train images (relative to 'path') 92 images
val: valid/images # val images (relative to 'path') 23 images
test: # test images (relative to 'path')

# Classes
names:
  0: pill

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/medical-pills.zip

Kullanım

Bir YOLO11n modelini 640 görüntü boyutuyla 100 epok için medical-pills veri kümesi üzerinde eğitmek için aşağıdaki örnekleri kullanın. Ayrıntılı argümanlar için modelin Eğitim sayfasına bakın.

Tren Örneği

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

Çıkarım Örneği

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"

Örnek Görüntüler ve Açıklamalar

Tıbbi haplar veri kümesi, hapların çeşitliliğini sergileyen etiketli görüntüler içerir. Aşağıda veri kümesinden etiketli bir görüntü örneği yer almaktadır:

Tıbbi hap veri kümesi örnek görüntüsü

  • Mozaiklenmiş Görüntü: Mozaiklenmiş veri kümesi görüntülerinden oluşan bir eğitim grubu görüntülenir. Mozaikleme, birden fazla görüntüyü tek bir görüntüde birleştirerek eğitim çeşitliliğini artırır ve model genellemesini iyileştirir.

Diğer Veri Setleri ile Entegrasyon

Daha kapsamlı farmasötik analizler için, sağlık alanında uçtan uca yapay zeka çözümleri geliştirmek üzere tıbbi hap veri setini ambalaj tanımlama için paket-seg veya beyin tümörü gibi tıbbi görüntüleme veri setleri gibi diğer ilgili veri setleriyle birleştirmeyi düşünün.

Atıflar ve Teşekkür

Veri seti AGPL-3.0 Lisansı altında mevcuttur.

Araştırma veya geliştirme çalışmalarınızda Medical-pills veri setini kullanırsanız, lütfen belirtilen ayrıntıları kullanarak atıfta bulunun:

@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}
}

SSS

Tıbbi hap veri setinin yapısı nedir?

Veri kümesi eğitim için 92 görüntü ve doğrulama için 23 görüntü içermektedir. Her görüntü sınıf ile açıklanmıştır pillFarmasötik uygulamalar için modellerin etkili bir şekilde eğitilmesini ve değerlendirilmesini sağlar.

Tıbbi haplar veri kümesi üzerinde bir YOLO11 modelini nasıl eğitebilirim?

Sağlanan Python veya CLI yöntemlerini kullanarak 640 piksellik bir görüntü boyutuyla 100 epok için bir YOLO11 modelini eğitebilirsiniz. Ayrıntılı talimatlar için Eğitim Örneği bölümüne bakın ve model özellikleri hakkında daha fazla bilgi için YOLO11 belgelerine göz atın.

Yapay zeka projelerinde tıbbi hap veri setini kullanmanın faydaları nelerdir?

Veri seti, ilaç tespitinde otomasyon sağlayarak sahteciliğin önlenmesine, kalite güvencesine ve farmasötik süreç optimizasyonuna katkıda bulunuyor. Ayrıca, ilaç güvenliğini ve tedarik zinciri verimliliğini artırabilecek yapay zeka çözümleri geliştirmek için değerli bir kaynak görevi görüyor.

Tıbbi ilaç veri kümesi üzerinde nasıl çıkarım yapabilirim?

Çıkarım, ince ayarlanmış bir YOLO11 modeli ile Python veya CLI yöntemleri kullanılarak yapılabilir. Kod parçacıkları için Çıkarım Örneği bölümüne ve ek seçenekler için Predict modu belgelerine bakın.

Medical-pills veri kümesi için YAML yapılandırma dosyasını nerede bulabilirim?

YAML dosyası, veri kümesi yollarını, sınıfları ve bu veri kümesi üzerinde modelleri eğitmek için gerekli ek yapılandırma ayrıntılarını içeren medical-pills.yaml adresinde mevcuttur.

📅 3 ay önce oluşturuldu ✏️ 9 gün önce güncellendi
glenn-jocher RizwanMunawar

Yorumlar