في هذا البرنامج التعليمي للبرمجة، تعلم كيفية اكتشاف الحبوب باستخدام YOLO11 مع مجموعة بيانات الحبوب الطبية. واستكشف أيضًا تطبيقاته وفوائده المحتملة.
يتم استخدام الذكاء الاصطناعي في كل صناعة تقريبًا، ولكن تأثيره على الرعاية الصحية، وخاصة في مجال الأدوية، كبير بشكل خاص. في هذا العام، بلغت قيمة الذكاء الاصطناعي في سوق الأدوية 1.94 مليار دولار، ومن المتوقع أن تنمو إلى 16.49 مليار دولار بحلول عام 2034.
الرؤية الحاسوبية هي المحرك التكنولوجي الرئيسي لهذا السوق. وخلافاً لمعالجة الصور التقليدية، فإن الرؤية الحاسوبية هي مجال فرعي للذكاء الاصطناعي يمكّن الآلات من فهم البيانات المرئية وتحليلها في الوقت الحقيقي.
في صناعة المستحضرات الصيدلانية، حيث يمكن أن يكون لأصغر خطأ عواقب وخيمة، يوفر الذكاء الاصطناعي المرئي طرقًا جديدة وموثوقة لتحسين السلامة والدقة.
على سبيل المثال Ultralytics YOLO11 هو نموذج للرؤية الحاسوبية مصمم لمهام في الوقت الحقيقي مثل اكتشاف الأجسام وتجزئة النماذج، ويمكن استخدامه لتطبيقات مثل تحديد الحبوب أو اكتشاف العيوب في العبوات الطبية.
في هذه المقالة، سنتعرف في هذه المقالة على كيفية استخدام الذكاء الاصطناعي البصري من خلال تدريب YOLO11 على اكتشاف الحبوب. سنستكشف أيضًا تطبيقاته في العالم الحقيقي. لنبدأ!
قبل أن نغوص في كيفية تدريب YOLO11 على اكتشاف الحبوب، دعونا نأخذ خطوة إلى الوراء ونفهم ما يعنيه تدريب نموذج ودور مجموعة البيانات.
يتضمن تدريب النموذج تعليمه التعرف على الأنماط من خلال عرض العديد من الأمثلة عليه. في هذه الحالة، مجموعة البيانات هي مجموعة من الصور حيث يتم تصنيف كل صورة للإشارة إلى مكان وجود الحبوب. تساعد هذه العملية النموذج على التعلم من هذه الأمثلة حتى يتمكن لاحقاً من التعرف على الحبوب في الصور الجديدة.
تجعل حزمةUltralytics Python هذه العملية أكثر سهولة من خلال دعم مجموعة كبيرة من مجموعات البيانات بتنسيق ملف YOLO المبسط. فهي توفر وصولًا خاليًا من المتاعب إلى مجموعات البيانات الشائعة وتوفر دعمًا لتطبيقات مثل الكشف عن حبوب منع الحمل.
على سبيل المثال، مجموعة بيانات الحبوب الطبية هي مجموعة بيانات مخصصة لإثبات المفهوم مصممة لعرض كيف يمكن للكشف عن الكائنات أن يحسن سير العمل الصيدلاني من خلال مهام مثل مراقبة الجودة والفرز والكشف عن التزييف.
هناك عامل آخر يجب مراعاته قبل أن تبدأ التدريب باستخدام حزمة Ultralytics Python وهو اختيار بيئة التطوير المناسبة. فيما يلي ثلاثة خيارات شائعة:
هناك خيارات إعداد أخرى يمكنك استكشافها في وثائق Ultralytics الرسمية، ولكن الخيارات الثلاثة المذكورة أعلاه سهلة الإعداد والاستخدام، مما يجعلها خيارات رائعة للبدء بسرعة.
سنركّز في هذا الدليل على كيفية إعداد وتدريب YOLO11 باستخدام Google Colab أو Jupyter Notebooks أو برنامج نصي أساسي Python حيث أن العملية متشابهة تمامًا في كل من هذه البيئات.
أيضًا، هذا الدرس التعليمي مشابه تمامًا للدرس الذي تناولناه سابقًا حول اكتشاف الحياة البرية باستخدام YOLO11. إذا كنت مهتمًا بالحصول على مزيد من التفاصيل حول أي من الخطوات في هذا البرنامج التعليمي للبرمجة، يمكنك الاطلاع عليه.
تشتمل مجموعة بيانات الحبوب الطبية على 92 صورة تدريب و23 صورة تحقق من الصحة، مما يوفر تقسيمًا قويًا لبناء واختبار النموذج الخاص بك. تُستخدم صور التدريب لتعليم النموذج، بينما تساعد صور التحقق من الصحة في تقييم مدى جودة أداء النموذج على البيانات الجديدة غير المرئية.
يتم تصنيف كل صورة في مجموعة البيانات لفئة واحدة، وهي الأقراص. تحدد التعليقات التوضيحية في المربع المحيط موقع كل حبة بوضوح، مما يجعل مجموعة البيانات مثالية للمهام المركزة مثل اكتشاف الأقراص دون تعقيد التعامل مع فئات متعددة من الكائنات.
لدعم التدريب باستخدام YOLO11 توفر Ultralytics ملف تكوين YAML الذي يحدد المعلمات الرئيسية مثل مسارات الملفات وأسماء الفئات والبيانات الوصفية اللازمة لتدريب النموذج. سواء كنت تقوم بضبط نموذج مدرب مسبقًا أو تبدأ من الصفر، فإن هذا الملف يجعل العملية أبسط بكثير ويساعدك على البدء بسرعة.
للبدء، سنقوم بإعداد بيئة لتدريب واختبار النموذج. يمكنك اختيار استخدام Google Colab أو Jupyter Notebooks أو ملف Python بسيط بناءً على تفضيلاتك. ما عليك سوى إنشاء دفتر ملاحظات جديد أو ملف Python في البيئة التي تختارها.
بعد ذلك، يمكننا إعداد بيئتنا وتثبيت حزمة Ultralytics Python باستخدام الأمر الموضح أدناه. إذا كنت تستخدم بيئة مستندة إلى دفتر ملاحظاتGoogle Colab أو Jupyter)، فقم بتشغيل الأمر التالي مع وضع علامة تعجب (!) في البداية.
AR
EN
ZH
KO
JA
RU
DE
FR
ES
PT
IT
TR
VI
pip install ultralytics
بمجرد التثبيت، فإن الخطوة التالية هي تنزيل وتدريب YOLO11 باستخدام مجموعة بيانات الحبوب الطبية. نظرًا لأن مجموعة البيانات مدعومة بحزمة Ultralytics Python فإن العملية بسيطة.
أولاً، يمكننا استيراد فئة YOLO من حزمة Ultralytics . بعد ذلك، يمكننا تحميل نموذج YOLO11 المدرَّب مسبقًا من الملف "yolo11n.pt"، وهو نموذج موصى به لأنه نموذج نانو وخفيف الوزن.
أخيرًا، يمكننا بدء عملية التدريب عن طريق توجيه النموذج إلى تكوين مجموعة البيانات الخاصة بنا (medical-pills.yaml) وتعيين عدد حلقات التدريب (تمريرة واحدة كاملة عبر مجموعة البيانات بأكملها) إلى 100، كما هو موضح أدناه.
from ultralytics import YOLO
model = YOLO("yolo11n.pt")
results = model.train(data="medical-pills.yaml", epochs=100)
يسمح التدريب لعدة حقب زمنية للنموذج بالتعلم وتحسين أدائه مع كل تمريرة. ستتمكن من العثور على السجلات ونقاط التحقق المحفوظة في المجلد الفرعي "run/train/" والتي يمكنك استخدامها لمراقبة التقدم ومراجعة أداء النموذج.
بعد اكتمال التدريب، يجب أن يكون نموذج YOLO11 المُدرّب حسب الطلب قادرًا على تحديد الحبوب بدقة. يمكنك البحث عن أوزان النموذج النهائي المُدرَّب في المجلد الفرعي "run/detect/tetect/train/weights/" تحت اسم "best.pt".
لتقييم مدى نجاح النموذج في اكتشاف الحبوب، يمكننا إجراء التحقق من الصحة على النحو التالي:
metrics = model.val()
تُرجع هذه العملية مقاييس الكشف عن الكائنات الشائعة، والتي توفر نظرة ثاقبة على أداء النموذج. فيما يلي نظرة فاحصة على بعض هذه المقاييس:
توفر هذه المقاييس معًا رؤية شاملة لمدى دقة النموذج في اكتشاف الحبوب في البيانات الجديدة غير المرئية.
إذا لم يكن أداء النموذج الخاص بك جيدًا كما هو متوقع، يمكنك محاولة تدريبه لمزيد من الحلقات أو ضبط معلمات التدريب الأخرى، مثل معدل التعلم، الذي يتحكم في حجم الخطوات المتخذة أثناء تحسين النموذج، أو حجم الصورة، لتحسين أدائه بشكل أكبر.
بمجرد أن يتم تدريب نموذج YOLO11 وتقييمه، فإن الخطوة التالية هي اختبار مدى جودة أدائه على صور جديدة غير مرئية. يساعد ذلك على محاكاة ظروف العالم الحقيقي، مثل اكتشاف الحبوب في إضاءة أو ترتيبات أو أنماط تغليف مختلفة.
لاختبار النموذج، قمنا بتنزيل عينة من صورة من Pexels، وهو موقع إلكتروني مجاني للصور المخزونة، وقمنا بتحليل الصورة أو أجرينا تنبؤًا باستخدام نموذج YOLO11 المُدرَّب خصيصًا كما هو موضح في مقتطف الكود أدناه.
يمكنك استخدام هذه الصورة النموذجية أو أي صورة أخرى ذات صلة لتقييم مدى جودة أداء النموذج في سيناريوهات العالم الحقيقي.
results = model.predict("path/to/image.jpg", save=True, conf=0.3)
يخبر خيار الحفظ النموذج بتخزين صورة المخرجات، ويتأكد إعداد الثقة من أن التنبؤات التي لا تقل نسبة اليقين فيها عن 30 بالمئة فقط هي التي يتم تضمينها في النتائج.
عند تشغيل التنبؤ، سيعرض الإخراج رسالة تخبرك بمكان وجود الصورة المحفوظة - على سبيل المثال، "النتائج المحفوظة في التشغيل/الكشف/التدريب".
ستكون صورة الإخراج الخاصة بك مشابهة للصورة الموضحة هنا، مع اكتشاف الحبوب وتمييزها باستخدام المربعات المحدودة. تشير درجات الثقة المعروضة إلى مستوى اليقين لكل اكتشاف.
والآن، بعد أن استكشفنا كيفية تدريب YOLO11 باستخدام مجموعة بيانات الحبوب الطبية وتشغيل الاستدلالات على الصور للكشف عن الحبوب، دعونا نلقي نظرة على تطبيقات YOLO11في العالم الحقيقي في صناعة الأدوية.
يمكن تطبيق الكشف الآلي عن الأقراص باستخدام YOLO11 على فرز الأدوية. فغالبًا ما يكون الفرز اليدوي بطيئًا ومتكررًا وعرضة للأخطاء التي يمكن أن تضر بسلامة الأدوية والامتثال لها.
باستخدام نموذج YOLO11 المضبوط بدقة، يمكننا اكتشاف الأقراص وفرزها بدقة بناءً على السمات المرئية مثل الحجم والشكل واللون. تعمل هذه الأتمتة على تسريع العملية وتساعد على ضمان استيفاء المنتجات لمعايير الجودة الصارمة، مما يجعلها أداة قيمة في العمليات الصيدلانية.
إن تخزين الدواء المناسب في الوقت المناسب هو أكثر من مجرد مهمة لوجستية - يمكن أن يؤثر على رعاية المرضى والتكاليف. قد يؤدي نفاد حبوب الدواء الحرجة إلى تأخير العلاج، بينما قد يؤدي الإفراط في التخزين إلى أدوية منتهية الصلاحية وإهدار المخزون. مع وجود أنواع عديدة من الحبوب واختلافات التعبئة والتغليف في صناعة الأدوية، يمكن أن تتيح أنظمة الجرد الآلي سجلات أكثر دقة.
يمكن لأنظمة المخزون الذكية استخدام نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 لمراقبة مستويات المخزون في الوقت الفعلي. يمكن للنموذج مسح الأرفف ومناطق التعبئة والتغليف باستخدام الصور أو الفيديو للكشف عن الحبوب وعدّها. ومع تغير مستويات المخزون، سواء تمت إضافة أو إزالة أو نقل الأصناف، يمكن للنظام تحديث العد تلقائيًا.
في إنتاج الأدوية، تعتبر مراقبة الجودة أمرًا بالغ الأهمية للتأكد من أن كل حبة دواء آمنة وفعالة. حتى العيوب الطفيفة، مثل التشقق أو الشكل غير المتساوي أو التباين الطفيف في اللون، يمكن أن تؤدي إلى أخطاء في الجرعة أو سحب المنتج.
يمكن أن يساعدك YOLO11 من خلال الاكتشاف التلقائي للأقراص التي لا تفي بمعايير الجودة. يمكن للنموذج أن يتعلم السمات المرئية ويستخدم المربعات المحدودة للإبلاغ عن المشكلات مثل الرقائق أو البقع الباهتة أو تغير اللون في الوقت الفعلي. يسمح ذلك بالإزالة المبكرة للأقراص المعيبة، مما يقلل من الهدر ويضمن وصول الأدوية المضمونة الجودة فقط إلى المرضى.
علاوة على ذلك، يمكن استخدام YOLO11 للكشف عن الأقراص وعدّها أثناء فحصها، من أجل التتبع الدقيق أثناء مراقبة الجودة.
والآن بعد أن استكشفنا كيف يمكن تطبيق الذكاء الاصطناعي للرؤية في قطاع الصناعات الدوائية. دعونا نلقي نظرة سريعة على بعض الفوائد الرئيسية لاستخدام الرؤية الحاسوبية في هذا القطاع:
على الرغم من وجود العديد من الفوائد لتطبيق الذكاء الاصطناعي المرئي في صناعة الأدوية، إلا أن هناك أيضًا بعض الاعتبارات التي يجب وضعها في الاعتبار عند استخدام هذه التقنيات:
في المستقبل، من المرجح أن يلعب الذكاء الاصطناعي دوراً أكبر في جعل التجارب السريرية أسرع وأكثر ذكاءً وفعالية من حيث التكلفة. يمكن أن يساعد في تصميم بروتوكولات تجارب أفضل، واختيار مجموعات المرضى المناسبة، ومراقبة البيانات في الوقت الفعلي.
قد يمكّن ذلك الباحثين من الاستجابة للمشكلات عند ظهورها، بدلاً من الاستجابة لها بعد حدوثها. كما يمكن للذكاء الاصطناعي أيضًا تسريع عملية الموافقة من خلال تقليل الأعمال الورقية اليدوية وأتمتة الفحوصات الروتينية. بشكل عام، يمكن أن يؤدي دمج الذكاء الاصطناعي في تدفقات العمل الصيدلاني إلى تقليل التأخير وتسريع الوصول إلى علاجات جديدة.
يُظهر تدريب Ultralytics YOLO11 على مجموعة بيانات الحبوب الطبية مدى سرعة وفعالية النموذج في التكيف مع المهام الصيدلانية. حتى مع مجموعة البيانات الصغيرة، يمكنه اكتشاف الحبوب بدقة، مما يجعله مفيدًا لأشياء مثل الفرز ومراقبة الجودة وتتبع المخزون.
مع نمو مجموعات البيانات وتحسّن النماذج، فإن إمكانات الذكاء الاصطناعي البصري في مجال الأدوية تتجاوز مجرد الخدمات اللوجستية. يمكن أن تدعم هذه التكنولوجيا أيضاً التجارب السريرية من خلال المساعدة في تحديد وتتبع الأقراص بشكل متسق، ومساعدة الباحثين في اختبار تركيبات الأدوية الجديدة بأمان.
استكشف مستودع GitHub الخاص بنا لمعرفة المزيد وكن جزءاً من مجتمعنا المتنامي. اكتشف الابتكارات المتطورة في مختلف القطاعات، من الذكاء الاصطناعي في الزراعة إلى الرؤية الحاسوبية في مجال الرعاية الصحية. اطلع على خيارات الترخيص لدينا وأطلق مشاريعك في مجال الذكاء الاصطناعي البصري اليوم.
