Neste tutorial de codificação, aprende a detetar comprimidos utilizando o YOLO11 com o conjunto de dados Medical-Pills. Além disso, explora as suas potenciais aplicações e benefícios.
A inteligência artificial está a ser utilizada em quase todas as indústrias, mas a sua influência nos cuidados de saúde, especialmente nos produtos farmacêuticos, é particularmente substancial. Este ano, a IA no mercado farmacêutico está avaliada em 1,94 mil milhões de dólares e prevê-se que cresça para 16,49 mil milhões de dólares até 2034.
Um dos principais factores tecnológicos deste mercado é a visão por computador. Ao contrário do processamento de imagem tradicional, a visão por computador é um subcampo da IA que permite às máquinas compreender e analisar dados visuais em tempo real.
Na indústria farmacêutica, onde até o mais pequeno erro pode ter consequências graves, a Vision AI oferece formas novas e fiáveis de melhorar a segurança e a precisão.
Por exemplo, Ultralytics YOLO11 é um modelo de visão por computador concebido para tarefas em tempo real, como a deteção de objectos e a segmentação de instâncias, e pode ser utilizado para aplicações como a identificação de comprimidos ou a deteção de defeitos em embalagens médicas.
Neste artigo, vamos explicar-te como pôr mãos à obra com a IA de visão, treinando YOLO11 para detetar comprimidos. Também vamos explorar as suas aplicações no mundo real. Começa a trabalhar!
Antes de nos debruçarmos sobre a forma como YOLO11 pode ser treinado para detetar comprimidos, vamos dar um passo atrás e compreender o que significa treinar um modelo e o papel de um conjunto de dados.
Treinar um modelo envolve ensiná-lo a reconhecer padrões mostrando-lhe muitos exemplos. Neste caso, um conjunto de dados é uma coleção de imagens em que cada imagem é etiquetada para indicar onde os comprimidos estão localizados. Este processo ajuda o modelo a aprender com estes exemplos para que mais tarde possa identificar os comprimidos em novas imagens.
O pacoteUltralytics Python torna este processo ainda mais fácil ao suportar uma vasta gama de conjuntos de dados num formato de ficheiro YOLO simplificado. Oferece acesso sem complicações a conjuntos de dados populares e fornece suporte para aplicações como a deteção de comprimidos.
Por exemplo, o Conjunto de Dados de Comprimidos Médicos é uma coleção dedicada de prova de conceito concebida para mostrar como a deteção de objectos pode melhorar os fluxos de trabalho farmacêuticos através de tarefas como o controlo de qualidade, a triagem e a deteção de contrafacções.
Outro fator a considerar antes de começares a treinar com o pacote Ultralytics Python é a escolha do ambiente de desenvolvimento correto. Aqui tens três opções populares:
Existem outras opções de configuração que podes explorar na documentação oficial Ultralytics , mas as três mencionadas acima são fáceis de configurar e utilizar, o que as torna excelentes opções para começar rapidamente.
Neste guia, vamos concentrar-nos em como configurar e treinar YOLO11 utilizando Google Colab, os Jupyter Notebooks ou um script Python básico, uma vez que o processo é bastante semelhante em cada um destes ambientes.
Além disso, este tutorial é bastante semelhante ao que abordámos anteriormente sobre a deteção de vida selvagem utilizando YOLO11. Se estiveres interessado em mais detalhes sobre qualquer um dos passos deste tutorial de codificação, podes consultá-lo.
O conjunto de dados de pílulas médicas inclui 92 imagens de treino e 23 imagens de validação, fornecendo uma divisão sólida para construir e testar o teu modelo. As imagens de treinamento são usadas para ensinar o modelo, enquanto as imagens de validação ajudam a avaliar o desempenho do modelo em dados novos e não vistos.
Cada imagem no conjunto de dados é rotulada para uma única classe, comprimidos. As anotações da caixa delimitadora marcam claramente a localização de cada comprimido, tornando o conjunto de dados ideal para tarefas específicas como a deteção de comprimidos sem a complexidade de lidar com várias classes de objectos.
Para apoiar o treino com o YOLO11, Ultralytics fornece um ficheiro de configuração YAML que define parâmetros-chave como caminhos de ficheiros, nomes de classes e metadados necessários para o treino de modelos. Quer estejas a afinar um modelo pré-treinado ou a começar do zero, este ficheiro torna o processo muito mais simples e ajuda-te a começar rapidamente.
Para começar, vamos configurar um ambiente para treinar e testar o modelo. Podes optar por utilizar Google Colab, os Jupyter Notebooks ou um simples ficheiro Python , de acordo com a tua preferência. Basta criar um novo bloco de notas ou ficheiro Python no ambiente que escolheres.
Em seguida, podemos configurar o nosso ambiente e instalar o pacote Ultralytics Python usando o comando mostrado abaixo. Se estiveres a utilizar um ambiente baseado num notebookGoogle Colab ou Jupyter), executa o seguinte comando com um ponto de exclamação (!) no início.
PT
EN
ZH
KO
JA
RU
DE
FR
ES
IT
AR
TR
VI
pip install ultralytics
Uma vez instalado, o próximo passo é descarregar e treinar YOLO11 utilizando o conjunto de dados Medical Pills. Como o conjunto de dados é suportado pelo pacote Ultralytics Python , o processo é simples.
Primeiro, importa a classe YOLO do pacote Ultralytics . Depois, podemos carregar um modelo YOLO11 pré-treinado a partir do ficheiro "yolo11n.pt", que é recomendado por ser um modelo nano e leve.
Finalmente, podemos iniciar o processo de treinamento apontando o modelo para a configuração do nosso conjunto de dados (medical-pills.yaml) e definindo o número de épocas de treinamento (uma passagem completa por todo o conjunto de dados) para 100, como mostrado abaixo.
from ultralytics import YOLO
model = YOLO("yolo11n.pt")
results = model.train(data="medical-pills.yaml", epochs=100)
O treino para várias épocas permite que o modelo aprenda e melhore o seu desempenho em cada passagem. Poderás encontrar registos e pontos de verificação guardados na subpasta "runs/train/", que podes utilizar para monitorizar o progresso e rever o desempenho do modelo.
Após a conclusão do treino, o modelo YOLO11 treinado à medida deve ser capaz de identificar os comprimidos com precisão. Podes procurar os pesos finais do modelo treinado na subpasta "runs/detect/train/weights/" com o nome "best.pt".
Para avaliar até que ponto o modelo aprendeu a detetar os comprimidos, podemos efetuar a validação da seguinte forma:
metrics = model.val()
Este processo devolve métricas comuns de deteção de objectos, que fornecem informações sobre o desempenho do modelo. Vê mais detalhadamente algumas destas métricas:
Em conjunto, estas métricas oferecem uma visão abrangente da precisão com que o modelo detecta comprimidos em dados novos e não vistos.
Se o teu modelo não tiver o desempenho esperado, podes tentar treiná-lo durante mais épocas ou afinar outros parâmetros de treino, como a taxa de aprendizagem, que controla o tamanho dos passos dados durante a otimização do modelo, ou o tamanho da imagem, para melhorar ainda mais o seu desempenho.
Uma vez que o modelo YOLO11 é treinado e avaliado, o próximo passo é testar o seu desempenho em imagens novas e não vistas. Isto ajuda a simular condições do mundo real, como a deteção de comprimidos com diferentes luzes, disposições ou estilos de embalagem.
Para testar o modelo, descarregámos uma imagem de amostra do Pexels, um site de imagens de stock gratuito, e analisámos a imagem ou executámos uma previsão utilizando o modelo YOLO11 treinado de forma personalizada, como se mostra no excerto de código abaixo.
Podes utilizar esta imagem de amostra ou qualquer outra imagem relevante para avaliar o desempenho do modelo em cenários do mundo real.
results = model.predict("path/to/image.jpg", save=True, conf=0.3)
A opção guardar diz ao modelo para armazenar a imagem de saída e a definição de confiança garante que apenas as previsões com pelo menos 30% de certeza são incluídas nos resultados.
Quando executas a previsão, a saída apresenta uma mensagem que te diz onde está localizada a imagem guardada - por exemplo, "Resultados guardados em runs/detect/train".
A tua imagem de saída será semelhante à mostrada aqui, com os comprimidos detectados e realçados utilizando caixas delimitadoras. As pontuações de confiança apresentadas indicam o nível de certeza de cada deteção.
Agora que já explorámos a forma de treinar YOLO11 utilizando o conjunto de dados Medical-Pills e de executar inferências em imagens para deteção de comprimidos, vamos ver as aplicações reais do YOLO11na indústria farmacêutica.
A deteção automatizada de comprimidos com o YOLO11 pode ser aplicada à triagem de produtos farmacêuticos. A triagem manual é muitas vezes lenta, repetitiva e propensa a erros que podem comprometer a segurança e a conformidade dos medicamentos.
Utilizando um modelo YOLO11 ajustado, podemos detetar e classificar com precisão os comprimidos com base em atributos visuais como o tamanho, a forma e a cor. Esta automatização acelera o processo e ajuda a garantir que os produtos cumprem os rigorosos padrões de qualidade, tornando-a uma ferramenta valiosa nas operações farmacêuticas.
Armazenar os medicamentos certos a tempo é mais do que uma mera tarefa logística - pode afetar os cuidados e os custos dos doentes. A falta de um comprimido crítico pode atrasar o tratamento, enquanto o excesso de stock pode resultar em medicamentos fora de prazo e desperdício de inventário. Com inúmeros tipos de comprimidos e variações de embalagens na indústria farmacêutica, os sistemas de inventário automatizados podem permitir registos mais precisos.
Os sistemas de inventário inteligentes podem utilizar modelos de visão por computador como o Ultralytics YOLO11 para monitorizar os níveis de stock em tempo real. O modelo pode analisar prateleiras e áreas de embalagem utilizando imagens ou vídeo para detetar e contar comprimidos. À medida que os níveis de stock mudam, quer os itens sejam adicionados, removidos ou movidos, o sistema pode atualizar a contagem automaticamente.
Na produção farmacêutica, o controlo de qualidade é crucial para garantir que cada comprimido é seguro e eficaz. Mesmo pequenos defeitos, como uma fissura, uma forma irregular ou uma ligeira variação de cor, podem levar a erros de dosagem ou a recolhas de produtos.
YOLO11 pode ajudar, detectando automaticamente os comprimidos que não cumprem os padrões de qualidade. O modelo pode aprender caraterísticas visuais e usa caixas delimitadoras para sinalizar problemas como lascas, impressões desbotadas ou descoloração em tempo real. Isto permite a remoção precoce de comprimidos defeituosos, reduzindo o desperdício e garantindo que apenas os medicamentos de qualidade garantida chegam aos pacientes.
Além disso, YOLO11 pode ser utilizado para detetar e contar os comprimidos à medida que são inspeccionados, para um acompanhamento preciso enquanto monitoriza a qualidade.
Agora que já exploramos como a IA de visão pode ser aplicada na indústria farmacêutica. Vamos dar uma rápida olhada em alguns dos principais benefícios da utilização da visão computacional neste setor:
Embora existam muitos benefícios na implementação da Vision AI na indústria farmacêutica, há também algumas considerações a ter em conta quando se utilizam estas tecnologias:
No futuro, a IA irá provavelmente desempenhar um papel mais importante para tornar os ensaios clínicos mais rápidos, mais inteligentes e mais económicos. Pode ajudar a conceber melhores protocolos de ensaio, a escolher os grupos de doentes certos e a monitorizar os dados em tempo real.
Isto pode permitir que os investigadores respondam aos problemas à medida que vão surgindo, em vez de o fazerem a posteriori. A IA também pode acelerar o processo de aprovação, reduzindo a papelada manual e automatizando as verificações de rotina. De um modo geral, a integração da IA nos fluxos de trabalho farmacêuticos pode resultar em menos atrasos e num acesso mais rápido a novos tratamentos.
O treino do Ultralytics YOLO11 no conjunto de dados Medical Pills mostra a rapidez e eficácia com que o modelo se pode adaptar às tarefas farmacêuticas. Mesmo com um pequeno conjunto de dados, consegue detetar com precisão os comprimidos, o que o torna útil para tarefas como a triagem, o controlo de qualidade e o acompanhamento do inventário.
À medida que os conjuntos de dados crescem e os modelos melhoram, o potencial da Vision AI na indústria farmacêutica vai para além da logística. Esta tecnologia pode também apoiar os ensaios clínicos, ajudando na identificação e rastreio consistentes dos comprimidos e ajudando os investigadores a testar com segurança novas combinações de medicamentos.
Explora o nosso repositório GitHub para saberes mais e fazeres parte da nossa comunidade em crescimento. Descobre inovações de ponta em vários sectores, desde a IA na agricultura à visão computacional nos cuidados de saúde. Vê as nossas opções de licenciamento e lança hoje os teus projectos de IA de visão.
Começa a tua viagem com o futuro da aprendizagem automática