Trong hướng dẫn mã hóa này, hãy tìm hiểu cách phát hiện thuốc bằng cách sử dụng YOLO11 với Bộ dữ liệu Thuốc y tế. Ngoài ra, hãy khám phá các ứng dụng và lợi ích tiềm năng của nó.
Trí tuệ nhân tạo đang được sử dụng trong hầu hết mọi ngành công nghiệp, nhưng ảnh hưởng của nó đối với chăm sóc sức khỏe, đặc biệt là trong ngành dược phẩm, là đặc biệt đáng kể. Năm nay, AI trong thị trường dược phẩm được định giá là 1,94 tỷ đô la và dự kiến sẽ tăng lên 16,49 tỷ đô la vào năm 2034.
Động lực công nghệ chính của thị trường này là thị giác máy tính . Không giống như xử lý hình ảnh truyền thống, thị giác máy tính là một lĩnh vực phụ của AI cho phép máy móc hiểu và phân tích dữ liệu hình ảnh theo thời gian thực.
Trong ngành dược phẩm, nơi mà ngay cả lỗi nhỏ nhất cũng có thể gây ra hậu quả nghiêm trọng, Vision AI mang đến những cách mới và đáng tin cậy để cải thiện tính an toàn và độ chính xác.
Ví dụ, Ultralytics YOLO11 là một mô hình thị giác máy tính được thiết kế cho các tác vụ thời gian thực như phát hiện đối tượng và phân đoạn trường hợp, và có thể được sử dụng cho các ứng dụng như nhận dạng thuốc hoặc phát hiện lỗi trong bao bì y tế.
Trong bài viết này, chúng tôi sẽ hướng dẫn cách thực hành với Vision AI bằng cách đào tạo YOLO11 để phát hiện thuốc. Chúng ta cũng sẽ khám phá các ứng dụng thực tế của nó. Hãy bắt đầu nào!
Trước khi chúng ta đi sâu vào cách YOLO11 có thể được đào tạo để phát hiện thuốc, chúng ta hãy lùi lại một bước và hiểu ý nghĩa của việc đào tạo mô hình và vai trò của tập dữ liệu.
Đào tạo một mô hình bao gồm việc dạy nó nhận dạng các mẫu bằng cách cho nó xem nhiều ví dụ. Trong trường hợp này, một tập dữ liệu là một tập hợp các hình ảnh trong đó mỗi hình ảnh được dán nhãn để chỉ ra vị trí của các viên thuốc. Quá trình này giúp mô hình học hỏi từ các ví dụ này để sau này nó có thể nhận dạng các viên thuốc trong các hình ảnh mới.
Gói Python Ultralytics giúp quá trình này trở nên dễ dàng hơn bằng cách hỗ trợ nhiều loại tập dữ liệu theo cách hợp lý hóa YOLO định dạng tệp. Chúng cung cấp quyền truy cập dễ dàng vào các tập dữ liệu phổ biến và hỗ trợ các ứng dụng như phát hiện thuốc.
Ví dụ, Bộ dữ liệu thuốc y tế là bộ sưu tập bằng chứng khái niệm chuyên dụng được thiết kế để chứng minh cách phát hiện đối tượng có thể cải thiện quy trình làm việc của ngành dược phẩm thông qua các nhiệm vụ như kiểm soát chất lượng, phân loại và phát hiện thuốc giả.
Một yếu tố khác cần xem xét trước khi bạn có thể bắt đầu đào tạo với Ultralytics Python gói là lựa chọn môi trường phát triển phù hợp. Sau đây là ba tùy chọn phổ biến:
Có những tùy chọn thiết lập khác mà bạn có thể khám phá trong tài liệu chính thức Ultralytics , nhưng ba tùy chọn được đề cập ở trên đều dễ thiết lập và sử dụng, khiến chúng trở thành lựa chọn tuyệt vời để bắt đầu nhanh chóng.
Trong hướng dẫn này, chúng tôi sẽ tập trung vào cách thiết lập và đào tạo YOLO11 sử dụng Google Colab, Jupyter Notebooks hoặc cơ bản Python kịch bản, vì quy trình này khá giống nhau trong mỗi môi trường này.
Ngoài ra, hướng dẫn này khá giống với hướng dẫn mà chúng tôi đã đề cập trước đây về việc phát hiện động vật hoang dã bằng cách sử dụng YOLO11 . Nếu bạn muốn biết thêm chi tiết về bất kỳ bước nào trong hướng dẫn viết mã này, bạn có thể xem qua.
Bộ dữ liệu Medical Pills bao gồm 92 hình ảnh đào tạo và 23 hình ảnh xác thực, cung cấp sự phân chia vững chắc cho cả việc xây dựng và thử nghiệm mô hình của bạn. Hình ảnh đào tạo được sử dụng để dạy mô hình, trong khi hình ảnh xác thực giúp đánh giá mức độ hiệu quả của mô hình trên dữ liệu mới, chưa từng thấy.
Mỗi hình ảnh trong tập dữ liệu được gắn nhãn cho một lớp duy nhất, thuốc. Chú thích hộp giới hạn đánh dấu rõ ràng vị trí của từng viên thuốc, giúp tập dữ liệu trở nên lý tưởng cho các tác vụ tập trung như phát hiện thuốc mà không cần phải xử lý nhiều lớp đối tượng phức tạp.
Để hỗ trợ đào tạo với YOLO11 , Ultralytics cung cấp tệp cấu hình YAML xác định các tham số chính như đường dẫn tệp, tên lớp và siêu dữ liệu cần thiết để đào tạo mô hình. Cho dù bạn đang tinh chỉnh mô hình được đào tạo trước hay bắt đầu từ đầu, tệp này giúp quy trình đơn giản hơn nhiều và giúp bạn bắt đầu nhanh chóng.
Để bắt đầu, chúng ta sẽ thiết lập một môi trường để đào tạo và thử nghiệm mô hình. Bạn có thể chọn sử dụng Google Colab, Jupyter Notebooks hoặc một Python tập tin dựa trên sở thích của bạn. Chỉ cần tạo một sổ tay mới hoặc Python tập tin trong môi trường bạn chọn.
Sau đó, chúng ta có thể thiết lập môi trường của mình và cài đặt Ultralytics Python gói bằng lệnh được hiển thị bên dưới. Nếu bạn đang sử dụng môi trường dựa trên máy tính xách tay ( Google Colab hoặc Jupyter), hãy chạy lệnh sau với dấu chấm than (!) ở đầu.
VI
EN
ZH
KO
JA
RU
DE
FR
ES
PT
IT
AR
TR
pip install ultralytics
Sau khi cài đặt, bước tiếp theo là tải xuống và đào tạo YOLO11 sử dụng bộ dữ liệu Medical Pills. Vì bộ dữ liệu được hỗ trợ bởi Ultralytics Python gói, quá trình này rất đơn giản.
Đầu tiên, chúng ta có thể nhập YOLO lớp từ Ultralytics gói. Sau đó, chúng ta có thể tải một gói được đào tạo trước YOLO11 mô hình từ tệp “yolo11n.pt”, được khuyến khích vì đây là mô hình nano và nhẹ.
Cuối cùng, chúng ta có thể bắt đầu quá trình đào tạo bằng cách trỏ mô hình tới cấu hình tập dữ liệu của mình (medical-pills.yaml) và đặt số kỷ nguyên đào tạo (một lần duyệt hoàn chỉnh toàn bộ tập dữ liệu) thành 100, như hiển thị bên dưới.
from ultralytics import YOLO
model = YOLO("yolo11n.pt")
results = model.train(data="medical-pills.yaml", epochs=100)
Đào tạo nhiều kỷ nguyên cho phép mô hình học và cải thiện hiệu suất của nó với mỗi lần chạy. Bạn sẽ có thể tìm thấy nhật ký và điểm kiểm tra được lưu trong thư mục con “runs/train/”, mà bạn có thể sử dụng để theo dõi tiến trình và xem xét hiệu suất của mô hình.
Sau khi đào tạo hoàn tất, đào tạo tùy chỉnh YOLO11 mô hình phải có khả năng xác định chính xác thuốc. Bạn có thể tìm trọng số mô hình được đào tạo cuối cùng trong thư mục con “runs/detect/train/weights/” dưới tên “best.pt”.
Để đánh giá mức độ học hỏi của mô hình trong việc phát hiện thuốc, chúng ta có thể chạy xác thực như sau:
metrics = model.val()
Quá trình này trả về các số liệu phát hiện đối tượng chung, cung cấp thông tin chi tiết về hiệu suất của mô hình . Sau đây là cái nhìn sâu hơn về một số số liệu này:
Các số liệu này kết hợp lại với nhau cung cấp cái nhìn toàn diện về mức độ chính xác của mô hình phát hiện thuốc trong dữ liệu mới, chưa từng thấy.
Nếu mô hình của bạn không hoạt động tốt như mong đợi, bạn có thể thử đào tạo mô hình trong nhiều kỷ nguyên hơn hoặc tinh chỉnh các tham số đào tạo khác, chẳng hạn như tốc độ học, điều khiển kích thước các bước thực hiện trong quá trình tối ưu hóa mô hình hoặc kích thước hình ảnh, để cải thiện hiệu suất hơn nữa.
Một khi YOLO11 mô hình được đào tạo và đánh giá, bước tiếp theo là kiểm tra hiệu suất của nó trên các hình ảnh mới, chưa từng thấy. Điều này giúp mô phỏng các điều kiện trong thế giới thực, chẳng hạn như phát hiện thuốc trong các điều kiện ánh sáng, sắp xếp hoặc phong cách đóng gói khác nhau.
Để kiểm tra mô hình, chúng tôi đã tải xuống một hình ảnh mẫu từ Pexels , một trang web hình ảnh miễn phí, và phân tích hình ảnh hoặc chạy dự đoán bằng cách sử dụng công cụ được đào tạo tùy chỉnh YOLO11 mô hình như được hiển thị trong đoạn mã bên dưới.
Bạn có thể sử dụng hình ảnh mẫu này hoặc bất kỳ hình ảnh có liên quan nào khác để đánh giá mức độ hoạt động của mô hình trong các tình huống thực tế.
results = model.predict("path/to/image.jpg", save=True, conf=0.3)
Tùy chọn lưu sẽ yêu cầu mô hình lưu trữ hình ảnh đầu ra và cài đặt độ tin cậy đảm bảo rằng chỉ những dự đoán có độ chắc chắn ít nhất 30 phần trăm mới được đưa vào kết quả.
Khi bạn chạy dự đoán, đầu ra sẽ hiển thị thông báo cho bạn biết hình ảnh đã lưu nằm ở đâu - ví dụ: "Kết quả đã lưu vào chạy/phát hiện/đào tạo".
Hình ảnh đầu ra của bạn sẽ tương tự như hình ảnh hiển thị ở đây, với các viên thuốc được phát hiện và đánh dấu bằng hộp giới hạn. Điểm tin cậy được hiển thị cho biết mức độ chắc chắn cho mỗi lần phát hiện.
Bây giờ chúng ta đã khám phá cách đào tạo YOLO11 sử dụng Bộ dữ liệu thuốc y tế và chạy suy luận trên hình ảnh để phát hiện thuốc, chúng ta hãy xem xét YOLO11 ứng dụng thực tế của nó trong ngành dược phẩm.
Phát hiện thuốc tự động với YOLO11 có thể áp dụng cho việc phân loại dược phẩm. Việc phân loại thủ công thường chậm, lặp đi lặp lại và dễ xảy ra lỗi, có thể ảnh hưởng đến tính an toàn và tuân thủ của thuốc.
Bằng cách sử dụng một tinh chỉnh YOLO11 mô hình, chúng ta có thể phát hiện và phân loại thuốc chính xác dựa trên các thuộc tính trực quan như kích thước, hình dạng và màu sắc. Tự động hóa này tăng tốc quá trình và giúp đảm bảo rằng các sản phẩm đáp ứng các tiêu chuẩn chất lượng nghiêm ngặt, khiến nó trở thành một công cụ có giá trị trong hoạt động dược phẩm.
Việc dự trữ đúng loại thuốc đúng thời điểm không chỉ là một nhiệm vụ hậu cần - nó có thể ảnh hưởng đến việc chăm sóc bệnh nhân và chi phí. Việc thiếu một viên thuốc quan trọng có thể làm chậm quá trình điều trị, trong khi việc dự trữ quá nhiều có thể dẫn đến thuốc hết hạn và lãng phí hàng tồn kho. Với nhiều loại thuốc và bao bì khác nhau trong ngành dược phẩm, hệ thống kiểm kê tự động có thể cho phép ghi chép chính xác hơn.
Hệ thống kiểm kê thông minh có thể sử dụng các mô hình thị giác máy tính như Ultralytics YOLO11 để theo dõi mức tồn kho theo thời gian thực. Mô hình có thể quét các kệ và khu vực đóng gói bằng hình ảnh hoặc video để phát hiện và đếm thuốc. Khi mức tồn kho thay đổi, cho dù các mặt hàng được thêm vào, loại bỏ hay di chuyển, hệ thống có thể tự động cập nhật số lượng.
Trong sản xuất dược phẩm , kiểm soát chất lượng là rất quan trọng để đảm bảo rằng mọi viên thuốc đều an toàn và hiệu quả. Ngay cả những khiếm khuyết nhỏ, chẳng hạn như vết nứt, hình dạng không đều hoặc thay đổi màu sắc nhẹ, cũng có thể dẫn đến lỗi liều lượng hoặc thu hồi sản phẩm.
YOLO11 có thể giúp phát hiện tự động những viên thuốc không đạt tiêu chuẩn chất lượng. Mô hình có thể học các đặc điểm trực quan và sử dụng các hộp giới hạn để đánh dấu các vấn đề như vết nứt, dấu in mờ hoặc đổi màu theo thời gian thực. Điều này cho phép loại bỏ sớm những viên thuốc lỗi, giảm lãng phí và đảm bảo rằng chỉ có thuốc đảm bảo chất lượng mới đến được với bệnh nhân.
Trên hết, YOLO11 có thể được sử dụng để phát hiện và đếm số lượng thuốc khi chúng được kiểm tra, để theo dõi chính xác trong khi giám sát chất lượng.
Bây giờ chúng ta đã khám phá cách Vision AI có thể được áp dụng trong ngành dược phẩm. Hãy cùng xem nhanh một số lợi ích chính của việc sử dụng thị giác máy tính trong lĩnh vực này:
Mặc dù có nhiều lợi ích khi triển khai Vision AI trong ngành dược phẩm, nhưng cũng có một số lưu ý cần ghi nhớ khi sử dụng các công nghệ này:
Trong tương lai, AI có thể sẽ đóng vai trò lớn hơn trong việc thực hiện các thử nghiệm lâm sàng nhanh hơn, thông minh hơn và tiết kiệm chi phí hơn. Nó có thể giúp thiết kế các giao thức thử nghiệm tốt hơn, chọn đúng nhóm bệnh nhân và theo dõi dữ liệu theo thời gian thực.
Điều này có thể cho phép các nhà nghiên cứu phản hồi các vấn đề khi chúng phát sinh, thay vì sau đó. AI cũng có thể đẩy nhanh quá trình phê duyệt bằng cách giảm giấy tờ thủ công và tự động hóa các lần kiểm tra thường xuyên. Nhìn chung, việc tích hợp AI vào quy trình làm việc của ngành dược có thể dẫn đến ít sự chậm trễ hơn và tiếp cận nhanh hơn với các phương pháp điều trị mới.
Đào tạo Ultralytics YOLO11 trên Bộ dữ liệu thuốc y tế cho thấy mô hình có thể thích ứng nhanh và hiệu quả với các tác vụ dược phẩm như thế nào. Ngay cả với một bộ dữ liệu nhỏ, nó vẫn có thể phát hiện chính xác các viên thuốc, giúp ích cho những việc như phân loại, kiểm soát chất lượng và theo dõi hàng tồn kho.
Khi các tập dữ liệu phát triển và các mô hình được cải thiện, tiềm năng của Vision AI trong ngành dược phẩm không chỉ dừng lại ở hậu cần. Công nghệ này cũng có thể hỗ trợ các thử nghiệm lâm sàng bằng cách giúp xác định và theo dõi thuốc một cách nhất quán, và bằng cách hỗ trợ các nhà nghiên cứu thử nghiệm các kết hợp thuốc mới một cách an toàn.
Khám phá kho lưu trữ GitHub của chúng tôi để tìm hiểu thêm và trở thành một phần trong cộng đồng đang phát triển của chúng tôi. Khám phá những đổi mới tiên tiến trong nhiều lĩnh vực, từ AI trong nông nghiệp đến thị giác máy tính trong chăm sóc sức khỏe . Xem các tùy chọn cấp phép của chúng tôi và khởi chạy các dự án Vision AI của bạn ngay hôm nay.
Bắt đầu hành trình của bạn với tương lai của machine learning