医用药片数据集

Q: What is the structure of the medical-pills dataset?

数据集包括 92 幅训练图像和 23 幅验证图像。每张图像都标注了类药物，从而可以有效地训练和评估制药应用模型。

Q: Where can I find the YAML configuration file for the medical-pills dataset?

YAML 文件见 medical-pills.yml，其中包含数据集路径、类以及在该数据集上训练模型所必需的其他配置细节。

药片检测数据集是一个概念验证（POC）数据集，经过精心设计，旨在展示人工智能在制药应用中的潜力。该数据集包含标签图像，专门用于训练识别药片的计算机视觉模型。

观看： 如何在Ultralytics YOLO11 中的医疗药片检测数据集上训练模型？ Google Colab

该数据集是制药工作流程中质量控制、包装自动化和高效分拣等基本任务自动化的基础资源。通过将该数据集整合到项目中，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、简化操作并最终改善医疗效果。

数据集结构

医用药片数据集分为两个子集：

训练集:由 92 幅图像组成，每幅图像都标注了类别 pill.
验证集：包括 23 幅图像和相应的注释。

应用

利用计算机视觉进行医用药片检测可实现制药业的自动化，为以下任务提供支持：

药品分拣：根据大小、形状或颜色自动分拣药丸，提高生产效率。
人工智能研发：作为开发和测试制药用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功能，实现实时库存监控和补货计划，为智能库存解决方案提供动力。
质量控制：通过识别缺陷、异常或污染，确保药丸生产的一致性。
假药检测：通过对照已知标准分析视觉特征，帮助识别潜在的假药。

数据集 YAML

我们提供了一个 YAML 配置文件来定义数据集的结构，包括路径和类。对于医用药片数据集，YAML 配置文件中的 medical-pills.yaml 文件可在 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: ../datasets/medical-pills # dataset root dir
train: train/images # train images (relative to 'path') 92 images
val: valid/images # val images (relative to 'path') 23 images
test: # test images (relative to 'path')

# Classes
names:
  0: pill

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/medical-pills.zip

使用方法

要在图像大小为 640 的医用药片数据集上训练 YOLO11n 模型 100次，请使用以下示例。有关详细参数，请参阅模型的训练页面。

列车示例

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

推理示例

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"

图片和注释示例

医用药片数据集以标注图像为特色，展示了药片的多样性。下面是该数据集中的标签图像示例：

医用药片数据集样本图像

镶嵌图像：显示的是由镶嵌数据集图像组成的训练批次。马赛克图像通过将多幅图像合并为一幅图像来增强训练的多样性，从而提高模型的泛化能力。

与其他数据集整合

为了进行更全面的药物分析，可以考虑将医用药丸数据集与其他相关数据集（如用于包装识别的包装密封数据集或用于脑肿瘤的医学影像数据集）结合起来，开发端到端的医疗人工智能解决方案。

引文和致谢

该数据集根据AGPL-3.0 许可提供。

如果您在研究或开发工作中使用 Medical-pills 数据集，请使用上述详细信息进行引用：

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}
}

常见问题