Link to this sectionTập dữ liệu Medical Pills#

The medical-pills detection dataset is a proof-of-concept (POC) dataset, carefully curated to demonstrate the potential of AI in pharmaceutical applications. It contains labeled images specifically designed to train computer vision models for identifying medical-pills.

Tập dữ liệu này đóng vai trò là tài nguyên nền tảng để tự động hóa các tasks thiết yếu như kiểm soát chất lượng, tự động hóa đóng gói và phân loại hiệu quả trong các quy trình dược phẩm. Bằng cách tích hợp tập dữ liệu này vào các dự án, các nhà nghiên cứu và lập trình viên có thể khám phá các solutions sáng tạo nhằm nâng cao accuracy, tinh giản hoạt động và cuối cùng là đóng góp vào việc cải thiện kết quả chăm sóc sức khỏe.

Link to this sectionCấu trúc tập dữ liệu#

Tập dữ liệu medical-pills được chia thành hai tập con:

• Tập huấn luyện (Training set): Bao gồm 92 hình ảnh, mỗi hình ảnh được chú thích với class pill.
• Tập kiểm chứng (Validation set): Bao gồm 23 hình ảnh với các chú thích tương ứng.

Link to this sectionỨng dụng#

Việc sử dụng computer vision để phát hiện 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#

Một tệp cấu hình YAML được cung cấp để xác định cấu trúc của tập dữ liệu, bao gồm các đường dẫn và class. Đối với tập dữ liệu medical-pills, tệp medical-pills.yaml 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: 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 sectionCách sử dụng#

Để huấn luyện model YOLO26n trên tập dữ liệu medical-pills trong 100 epochs với kích thước ảnh là 640, hãy sử dụng các ví dụ sau. Để biết các tham 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#

Tập dữ liệu medical-pills bao gồm các hình ảnh được dán nhãn thể hiện sự đa dạng của các loại thuốc. Dưới đây là ví dụ về một hình ảnh được dán nhãn từ tập 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 xem xét việc kết hợp tập dữ liệu medical-pills với các tập dữ liệu liên quan khác như package-seg để nhận dạng bao bì hoặc các tập 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 tập dữ liệu Medical-pills trong nghiên cứu hoặc công việc phát triển của mình, vui lòng trích dẫn nó bằng cách sử dụng các chi tiết được 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 sectionCấu trúc của tập dữ liệu medical-pills là gì?#

Tập dữ liệu bao gồm 92 hình ảnh để huấn luyện và 23 hình ảnh để kiểm chứng. Mỗi hình ảnh được chú thích với class pill, cho phép huấn luyện và đánh giá hiệu quả các model cho các ứng dụng dược phẩm.

Link to this sectionLàm cách nào tôi có thể huấn luyện model YOLO26 trên tập 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 tập 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 cách nào để tôi thực hiện suy luận (inference) trên tập 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 tập 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.