Bộ dữ liệu thuốc y tế

Bộ dữ liệu phát hiện thuốc y tế là bộ dữ liệu chứng minh khái niệm (POC), được tuyển chọn cẩn thận để chứng minh tiềm năng của AI trong các ứng dụng dược phẩm. Bộ dữ liệu này chứa các hình ảnh được gắn nhãn được thiết kế riêng để đào tạo các mô hình thị giác máy tính nhằm xác định thuốc y tế.

Đồng hồ: Cách luyện tập Ultralytics YOLO11 Mô hình trên Bộ dữ liệu phát hiện thuốc y tế trong Google Hợp tác

Bộ dữ liệu này đóng vai trò là nguồn tài nguyên nền tảng để tự động hóa các tác vụ thiết yếu như kiểm soát chất lượng, tự động hóa đóng gói và phân loại hiệu quả trong quy trình làm việc của ngành dược phẩm. Bằng cách tích hợp bộ dữ liệu này vào các dự án, các nhà nghiên cứu và nhà phát triển có thể khám phá các giải pháp sáng tạo giúp tăng cường độ chính xác , hợp lý hóa hoạt động và cuối cùng góp phần cải thiện kết quả chăm sóc sức khỏe.

Cấu trúc tập dữ liệu

Bộ dữ liệu thuốc y tế được chia thành hai tập hợp con:

• Bộ đào tạo: Gồm 92 hình ảnh, mỗi hình ảnh được chú thích bằng lớp pill.
• Bộ xác thực : Bao gồm 23 hình ảnh có chú thích tương ứng.

Ứng dụng

Sử dụng công nghệ thị giác máy tính để phát hiện thuốc viên giúp tự động hóa trong ngành dược phẩm, hỗ trợ các nhiệm vụ như:

• Phân loại dược phẩm : Tự động phân loại thuốc theo kích thước, hình dạng hoặc màu sắc để nâng cao hiệu quả sản xuất.
• Nghiên cứu và phát triển AI : Làm chuẩn mực cho việc phát triển và thử nghiệm các thuật toán thị giác máy tính trong các trường hợp sử dụng dược phẩm.
• Hệ thống kiểm kê kỹ thuật số : Cung cấp các giải pháp kiểm kê thông minh bằng cách tích hợp tính năng nhận dạng thuốc tự động để theo dõi kho theo thời gian thực và lập kế hoạch bổ sung.
• 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 thuốc giả : Giúp xác định thuốc có khả năng bị làm giả bằng cách phân tích các đặc điểm trực quan so với các tiêu chuẩn đã biết.

Bộ dữ liệu YAML

Tệp cấu hình YAML được cung cấp để xác định cấu trúc của tập dữ liệu, bao gồm các đường dẫn và lớp. Đối với tập dữ liệu medical-pills, medical-pills.yaml tập tin có thể được truy cập 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: ../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

Cách sử dụng

Để đào tạo mô hình YOLO11n trên tập dữ liệu medical-pills trong 100 kỷ nguyên 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 Đào tạo của mô hình.

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

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"

Hình ảnh mẫu và chú thích

Bộ dữ liệu thuốc y tế có các hình ảnh được gắn nhãn thể hiện sự đa dạng của thuốc. Dưới đây là ví dụ về hình ảnh được gắn nhãn từ bộ dữ liệu:

• Ảnh ghép : Hiển thị một lô đào tạo bao gồm các hình ảnh tập dữ liệu ghép. Ghép tăng cường tính đa dạng đào tạo bằng cách hợp nhất nhiều hình ảnh thành một, cải thiện khả năng khái quát hóa mô hình.

Tích hợp với các tập dữ liệu khác

Để có phân tích dược phẩm toàn diện hơn, hãy cân nhắc kết hợp tập dữ liệu thuốc viên với các tập dữ liệu liên quan khác như package-seg để nhận dạng bao bì hoặc tập dữ liệu hình ảnh y tế như brain-tumor để phát triển các giải pháp AI chăm sóc sức khỏe toàn diện.

Trích dẫn và Lời cảm ơn

Bộ dữ liệu được cung cấp theo Giấy phép AGPL-3.0 .

Nếu bạn sử dụng tập dữ liệu Medical-pills trong công trình nghiên cứu hoặc phát triển của mình, vui lòng trích dẫn theo các thông tin chi tiết đã nêu:

@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}
}

CÂU HỎI THƯỜNG GẶP

Cấu trúc của tập dữ liệu thuốc y tế là gì?

Bộ dữ liệu bao gồm 92 hình ảnh để đào tạo và 23 hình ảnh để xác thực. Mỗi hình ảnh được chú thích bằng lớp pill, cho phép đào tạo và đánh giá hiệu quả các mô hình ứng dụng dược phẩm.

Làm thế nào tôi có thể đào tạo một YOLO11 mô hình trên tập dữ liệu thuốc y tế?

Bạn có thể đào tạo một YOLO11 mô hình cho 100 kỷ nguyên với kích thước hình ảnh là 640px bằng cách sử dụng Python hoặc CLI phương pháp được cung cấp. Tham khảo phần Ví dụ đào tạo để biết hướng dẫn chi tiết và kiểm tra tài liệu YOLO11 để biết thêm thông tin về khả năng của mô hình.

Lợi ích của việc sử dụng tập dữ liệu thuốc y tế trong các dự án AI là gì?

Bộ dữ liệu cho phép tự động hóa việc phát hiện thuốc, góp phần ngăn ngừa hàng giả, đảm bảo chất lượng và tối ưu hóa quy trình dược phẩm. Nó cũng đóng vai trò là nguồn tài nguyên có giá trị để phát triển các giải pháp AI có thể cải thiện tính an toàn của thuốc và hiệu quả của chuỗi cung ứng.

Tôi có thể thực hiện suy luận trên tập dữ liệu thuốc y tế như thế nào?

Suy luận có thể được thực hiện bằng cách sử dụng Python hoặc CLI phương pháp với một tinh chỉnh YOLO11 mô hình. Tham khảo phần Ví dụ suy luận để biết các đoạn mã và tài liệu chế độ Dự đoán để biết thêm các tùy chọn.

Tôi có thể tìm tệp cấu hình YAML cho tập dữ liệu medical-pills ở đâu?

Tệp YAML có sẵn tại medical-pills.yaml , chứa đường dẫn tập dữ liệu, lớp và các chi tiết cấu hình bổ sung cần thiết cho việc đào tạo các mô hình trên tập dữ liệu này.

📅 Được tạo cách đây 3 tháng ✏️ Đã cập nhật cách đây 8 ngày

Bình luận