医疗药丸数据集
medical-pills 检测数据集是一个概念验证 (POC) 数据集,经过精心策划,旨在展示 AI 在医药应用中的潜力。它包含专门标记的图像,用于训练 计算机视觉 模型,以识别药丸。
观看: 如何在以下环境中训练 Ultralytics YOLO11 模型以检测药丸: Google Colab
该数据集是自动化基本任务(如质量控制、包装自动化以及药物工作流程中的高效分拣)的基础资源。通过将此数据集集成到项目中,研究人员和开发人员可以探索创新的解决方案,从而提高准确性、简化操作,并最终为改善医疗保健结果做出贡献。
数据集结构
medical-pills 数据集分为两个子集:
- 训练集:包含 92 张图像,每张图像都标有类别。
pill
. - 验证集: 包含 23 张带有相应注释的图像。
应用
使用计算机视觉进行药丸检测可以实现制药行业的自动化,支持以下任务:
- 药物分拣:自动执行基于尺寸、形状或颜色对药丸进行分拣,以提高生产效率。
- AI 研究与开发: 作为在制药用例中开发和测试计算机视觉算法的基准。
- 数字库存系统: 通过集成自动药丸识别技术,为智能库存解决方案提供支持,以实现实时库存监控和补货计划。
- 质量控制:通过识别缺陷、不规则或污染物来确保药丸生产的一致性。
- 假冒品检测: 通过分析视觉特征与已知标准进行对比,帮助识别潜在的假冒药物。
数据集 YAML
提供了一个 YAML 配置文件来定义数据集的结构,包括路径和类别。对于 medical-pills 数据集, medical-pills.yaml
文件可以在以下位置访问: 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: 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
用法
要在 medical-pills 数据集上训练 YOLO11n 模型 100 个 epochs,图像大小为 640,请使用以下示例。 有关详细参数,请参阅模型的训练页面。
训练示例
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
推理示例
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"
Sample Images 和注释
medical-pills 数据集包含展示药丸多样性的标记图像。以下是数据集中标记图像的示例:
- Mosaic 图像: 显示的是包含 Mosaic 数据集图像的训练批次。Mosaic 通过将多个图像合并为一个来增强训练多样性,从而提高模型泛化能力。
与其他数据集集成
为了进行更全面的药物分析,请考虑将 medical-pills 数据集与其他相关数据集(如用于包装识别的 package-seg 或医学成像数据集(如 brain-tumor)结合使用,以开发端到端的医疗保健 AI 解决方案。
引用和致谢
该数据集根据 AGPL-3.0 许可证提供。
如果您在研究或开发工作中使用 Medical-pills 数据集,请使用以下详细信息进行引用:
@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}
}
常见问题
medical-pills 数据集的结构是什么?
该数据集包括 92 张用于训练的图像和 23 张用于验证的图像。每张图像都标有类 pill
,从而能够有效地训练和评估用于制药应用的模型。
如何使用 YOLO11 模型在 medical-pills 数据集上进行训练?
您可以使用提供的 Python 或 CLI 方法训练 YOLO11 模型 100 个 epoch,图像大小为 640px。有关详细说明,请参阅训练示例部分,并查看YOLO11 文档以获取有关模型功能的更多信息。
在人工智能项目中,使用 medical-pills 数据集有哪些好处?
该数据集实现了药丸检测的自动化,有助于防止伪造、保证质量和优化制药流程。它还可以作为开发 AI 解决方案的宝贵资源,从而提高药物安全性和供应链效率。
如何在 medical-pills 数据集上执行推理?
可以使用 python 或 CLI 方法,通过微调的 YOLO11 模型进行推理。有关代码片段和其他选项,请参阅推理示例部分和预测模式文档。
在哪里可以找到 medical-pills 数据集的 YAML 配置文件?
YAML 文件位于 medical-pills.yaml,其中包含数据集路径、类以及在此数据集上训练模型所必需的其他配置详细信息。