Tıbbi Haplar Veri Kümesi

Tıbbi haplar algılama veri seti, ilaç uygulamalarında yapay zekanın potansiyelini göstermek için özenle hazırlanmış bir kavram kanıtı (POC) veri setidir. Tıbbi hapları tanımlamak için bilgisayarlı görü modellerini eğitmek üzere özel olarak tasarlanmış etiketli görüntüler içerir.

İzle: Ultralytics YOLO11 Modelini Tıbbi Hap Algılama Veri Kümesinde Nasıl Eğitilir? Google Colab

Bu veri seti, ilaç iş akışlarında kalite kontrolü, paketleme otomasyonu ve verimli sıralama gibi temel görevleri otomatikleştirmek için temel bir kaynak görevi görür. Bu veri setini projelere entegre ederek, araştırmacılar ve geliştiriciler doğruluğu artıran, operasyonları kolaylaştıran ve sonuç olarak iyileştirilmiş sağlık hizmeti sonuçlarına katkıda bulunan yenilikçi çözümleri keşfedebilirler.

Veri Seti Yapısı

Tıbbi haplar veri seti iki alt kümeye ayrılmıştır:

Eğitim seti: Her biri sınıf ile etiketlenmiş 92 görüntüden oluşur pill.
Doğrulama kümesi: Karşılık gelen açıklamalarla birlikte 23 resimden oluşur.

Uygulamalar

Tıbbi hapların tespiti için bilgisayar görüşünü kullanmak, ilaç endüstrisinde otomasyonu mümkün kılar ve şu gibi görevleri destekler:

İlaç Ayıklama: Üretim verimliliğini artırmak için hapların boyutuna, şekline veya rengine göre ayrıştırılmasını otomatikleştirme.
Yapay Zeka Araştırma ve Geliştirme: İlaç kullanım durumlarında bilgisayarlı görü algoritmalarını geliştirmek ve test etmek için bir ölçüt görevi görmek.
Dijital Envanter Sistemleri: Gerçek zamanlı stok takibi ve ikmal planlaması için otomatik ilaç tanımayı entegre ederek akıllı envanter çözümlerine güç verir.
Kalite Kontrolü: Kusurları, düzensizlikleri veya kontaminasyonu belirleyerek hap üretiminde tutarlılık sağlanması.
Sahtecilik Tespiti: Bilinen standartlara karşı görsel özellikleri analiz ederek potansiyel olarak sahte ilaçların belirlenmesine yardımcı olur.

Veri Seti YAML

Veri kümesinin yollar ve sınıflar dahil olmak üzere yapısını tanımlamak için bir YAML yapılandırma dosyası sağlanır. medical-pills veri kümesi için, medical-pills.yaml dosyasına şu adresten erişilebilir: 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

Kullanım

Medical-pills veri kümesinde bir YOLO11n modelini 640 görüntü boyutuyla 100 epoch için eğitmek için aşağıdaki örnekleri kullanın. Ayrıntılı argümanlar için modelin Eğitim sayfasına bakın.

Eğitim Örneği

PythonCLI

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

Çıkarım Örneği

PythonCLI

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"

Örnek Görüntüler ve Açıklamalar

Tıbbi haplar veri seti, hapların çeşitliliğini sergileyen etiketli görüntüler içerir. Aşağıda, veri setinden etiketlenmiş bir görüntü örneği bulunmaktadır:

Medical-pills veri kümesi örnek görüntüsü

Mozaiklenmiş Görüntü: Görüntülenen, mozaiklenmiş veri kümesi görüntülerinden oluşan bir eğitim grubudur. Mozaikleme, birden çok görüntüyü tek bir görüntüde birleştirerek eğitim çeşitliliğini artırır ve modelin genellemesini iyileştirir.

Diğer Veri Kümeleriyle Entegrasyon

Daha kapsamlı bir farmasötik analiz için, tıbbi-haplar veri kümesini, ambalaj tanımlama için paket-seg veya uçtan uca sağlık hizmetleri yapay zeka çözümleri geliştirmek için beyin-tümörü gibi tıbbi görüntüleme veri kümeleri gibi diğer ilgili veri kümeleriyle birleştirmeyi düşünebilirsiniz.

Alıntılar ve Teşekkürler

Veri kümesi, AGPL-3.0 Lisansı altında mevcuttur.

Araştırma veya geliştirme çalışmalarınızda Medical-pills veri kümesini kullanırsanız, lütfen belirtilen ayrıntıları kullanarak atıfta bulunun:

BibTeX

@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}
}

SSS

Medical-pills veri kümesinin yapısı nedir?

Veri kümesi, eğitim için 92 ve doğrulama için 23 görüntü içermektedir. Her görüntü, sınıfıyla etiketlenmiştir pill, ilaç uygulamaları için modellerin etkili bir şekilde eğitilmesini ve değerlendirilmesini sağlar.

medical-pills veri setinde bir YOLO11 modelini nasıl eğitebilirim?

Sağlanan Python veya CLI yöntemlerini kullanarak 640px'lik bir görüntü boyutuyla 100 epoch için bir YOLO11 modeli eğitebilirsiniz. Ayrıntılı talimatlar için Eğitim Örneği bölümüne bakın ve model yetenekleri hakkında daha fazla bilgi için YOLO11 belgelerine bakın.

Yapay zeka projelerinde medical-pills veri kümesini kullanmanın faydaları nelerdir?

Veri kümesi, ilaç tespitinde otomasyonu sağlayarak sahteciliğin önlenmesine, kalite güvencesine ve ilaç üretim süreçlerinin optimizasyonuna katkıda bulunur. Aynı zamanda, ilaç güvenliğini ve tedarik zinciri verimliliğini artırabilecek yapay zeka çözümleri geliştirmek için değerli bir kaynak görevi görür.

Medical-pills veri kümesi üzerinde çıkarım nasıl yaparım?

Çıkarım, ince ayarlı bir YOLO11 modeliyle python veya CLI yöntemleri kullanılarak yapılabilir. Kod parçacıkları için Çıkarım Örneği bölümüne ve ek seçenekler için Tahmin modu belgelerine bakın.