Link to this sectionTập dữ liệu Medical Pills#
Bộ dữ liệu Medical Pills của Ultralytics là một bộ dữ liệu object detection dạng chứng minh khái niệm (POC) gồm 115 hình ảnh được gán nhãn cho một lớp duy nhất, pill — 92 cho huấn luyện và 23 cho kiểm thử. Bộ dữ liệu này được xây dựng để minh họa các model computer vision cho các ứng dụng dược phẩm như kiểm soát chất lượng, tự động hóa đóng gói và phân loại.
Watch: How to train an Ultralytics YOLO Model on the Medical Pills Detection Dataset in Google Colab
Link to this sectionCấu trúc tập dữ liệu#
Bộ dữ liệu Medical Pills chứa 115 hình ảnh được chú thích với một lớp duy nhất, pill, được chia thành hai tập hợp con được xác định bởi cấu hình medical-pills.yaml:
| Split | Hình ảnh | Mô tả |
|---|---|---|
| Huấn luyện (Train) | 92 | Hình ảnh được gán nhãn cho việc huấn luyện model |
| Validation | 23 | Hình ảnh tách biệt để đánh giá và đo lường hiệu suất |
Khám phá Medical Pills trên Ultralytics Platform để duyệt các hình ảnh cùng các lớp phủ chú thích của chúng, xem phân phối lớp và bản đồ nhiệt bounding-box trong tab Charts, đồng thời sao chép (clone) bộ dữ liệu để huấn luyện model của riêng bạn trên đám mây.
Link to this sectionỨng dụng#
Việc sử dụng computer vision để phát hiện thuốc viên (medical pills) cho phép tự động hóa trong ngành dược phẩm, hỗ trợ các tác vụ như:
- Phân loại dược phẩm: Tự động hóa việc phân loại thuốc dựa trên kích thước, hình dạng hoặc màu sắc để nâng cao hiệu quả sản xuất.
- Nghiên cứu và Phát triển AI: Đóng vai trò là tiêu chuẩn để phát triển và kiểm thử các thuật toán computer vision trong các trường hợp sử dụng dược phẩm.
- Hệ thống hàng tồn kho kỹ thuật số: Cung cấp năng lượng cho các giải pháp hàng tồn kho thông minh bằng cách tích hợp nhận dạng thuốc tự động để giám sát kho theo thời gian thực và lập kế hoạch bổ sung hàng.
- Kiểm soát chất lượng: Đảm bảo tính nhất quán trong sản xuất thuốc bằng cách xác định các khiếm khuyết, bất thường hoặc nhiễm bẩn.
- Phát hiện hàng giả: Hỗ trợ xác định các loại thuốc có khả năng là hàng giả bằng cách phân tích các đặc điểm trực quan so với các tiêu chuẩn đã biết.
Link to this sectionYAML tập dữ liệu#
Tệp medical-pills.yaml xác định cấu hình bộ dữ liệu — các đường dẫn bộ dữ liệu, tên lớp và các metadata khác. Tệp này được duy trì trong kho lưu trữ của Ultralytics tại 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.zipLink to this sectionCách sử dụng#
Để huấn luyện model YOLO26n trên bộ dữ liệu Medical Pills trong 100 epochs với kích thước hình ảnh là 640, hãy sử dụng các ví dụ sau. Để biết các đối số chi tiết, hãy tham khảo trang Training của model.
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 sectionHình ảnh mẫu và chú thích#
Bộ dữ liệu Medical Pills có các hình ảnh được gán nhãn thể hiện sự đa dạng của các loại thuốc viên. Dưới đây là ví dụ về một hình ảnh được gán nhãn từ bộ dữ liệu:
- Hình ảnh ghép (Mosaiced Image): Được hiển thị là một batch huấn luyện bao gồm các hình ảnh tập dữ liệu đã được ghép lại. Mosaicing tăng cường sự đa dạng trong huấn luyện bằng cách hợp nhất nhiều hình ảnh thành một, giúp cải thiện khả năng khái quát hóa của model.
Link to this sectionTích hợp với các tập dữ liệu khác#
Để phân tích dược phẩm toàn diện hơn, hãy cân nhắc kết hợp bộ dữ liệu Medical Pills với các bộ dữ liệu liên quan khác như package-seg để nhận dạng bao bì hoặc các bộ dữ liệu hình ảnh y tế như brain-tumor để phát triển các giải pháp AI chăm sóc sức khỏe end-to-end.
Link to this sectionTrích dẫn và Ghi nhận#
Tập dữ liệu này có sẵn theo Giấy phép AGPL-3.0.
Nếu bạn sử dụng bộ dữ liệu Medical Pills trong công việc nghiên cứu hoặc phát triển của mình, vui lòng trích dẫn nó bằng các chi tiết đã đề cập:
@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 sectionCâu hỏi thường gặp#
Link to this sectionCó bao nhiêu hình ảnh và lớp trong bộ dữ liệu Medical Pills?#
Bộ dữ liệu Medical Pills chứa tổng cộng 115 hình ảnh — 92 cho huấn luyện và 23 cho kiểm thử — mà không có tập test riêng biệt. Mỗi hình ảnh được chú thích với một lớp duy nhất, pill. Nó được cung cấp dưới dạng tải xuống tự động 8.19 MB được xác định trong cấu hình medical-pills.yaml.
Link to this sectionLàm thế nào để tôi huấn luyện model YOLO26 trên bộ dữ liệu Medical Pills?#
Bạn có thể huấn luyện model YOLO26 trong 100 epoch với kích thước ảnh 640px bằng cách sử dụng các phương thức Python hoặc CLI được cung cấp. Tham khảo phần Ví dụ về Huấn luyện để biết hướng dẫn chi tiết và kiểm tra tài liệu YOLO26 để biết thêm thông tin về các khả năng của model.
Link to this sectionLợi ích của việc sử dụng bộ dữ liệu Medical Pills trong các dự án AI là gì?#
Tập dữ liệu cho phép tự động hóa trong việc phát hiện thuốc, góp phần vào việc phòng chống hàng giả, đảm bảo chất lượng và tối ưu hóa quy trình dược phẩm. Nó cũng là một nguồn tài nguyên quý giá để phát triển các giải pháp AI có thể cải thiện sự an toàn của thuốc và hiệu quả chuỗi cung ứng.
Link to this sectionLàm thế nào để tôi thực hiện inference trên bộ dữ liệu Medical Pills?#
Suy luận có thể được thực hiện bằng cách sử dụng các phương thức Python hoặc CLI với model YOLO26 đã được tinh chỉnh (fine-tuned). Tham khảo phần Ví dụ về Suy luận để biết các đoạn mã và tài liệu Predict mode để biết các tùy chọn bổ sung.
Link to this sectionTôi có thể tìm tệp cấu hình YAML cho bộ dữ liệu Medical Pills ở đâu?#
Tệp YAML có sẵn tại medical-pills.yaml, chứa các đường dẫn tập dữ liệu, class và các chi tiết cấu hình bổ sung cần thiết để huấn luyện các model trên tập dữ liệu này.