基于YoloV8的药丸/片剂类型识别

药丸鉴定问题

想象一下这个场景：你手里有一颗药丸，但你不太确定它是什么。也许标签已经磨损，或者您在药柜中发现它松动了。正确识别药物对您的安全和健康至关重要。这就是计算机视觉的用武之地。

药丸识别的工作原理

图像捕获：要开始识别过程，您需要使用智能手机或专用设备为药丸拍摄清晰的照片。照明和角度会影响识别的准确性，因此捕获高质量的图像至关重要。

图像预处理：获得图像后，将使用计算机视觉算法对其进行预处理。这涉及降噪、对比度增强和图像大小调整等任务，以确保为分析提供最佳输入。

特征提取：下一步是从图像中提取特征。特征可能包括药丸的形状、颜色、标记和任何唯一标识符。

模式识别：然后，计算机视觉模型分析这些特征，并将它们与已知药物的庞大数据库进行比较。该数据库包含有关各种药丸的外观、标记和特征的信息。

分类：根据比较，系统会对药丸进行分类，并为您提供其名称、剂量和其他相关信息。

YOLO 工作流程

输入图像：YOLO 将图像作为其输入。此图像可以是从照片到医学扫描或视频帧的任何内容。

卷积神经网络（CNN）：输入图像通过深度卷积神经网络（CNN）进行处理。这个 CNN 在特征提取和理解图像内容方面起着至关重要的作用。

网格划分：YOLO 将处理后的图像划分为网格。此网格中的每个单元格都负责对其边界内存在的对象进行预测。这种基于网格的方法可实现高效的本地化对象检测。

边界框：在每个网格单元格中，YOLO 预测将对象紧密包围的边界框（矩形）。这些边界框指定检测到的对象的位置和大小。

类预测：同时，YOLO 会预测边界框内包含的每个对象的类。例如，在医学成像中，它可能会预测物体是骨折、关节还是正常组织。

置信度分数：YOLO 为每个预测的边界框分配置信度分数。这些分数表示模型对预测准确性的置信度。高置信度分数表示边界框包含有效对象的可能性很高。

Non-Maximum Suppression（非极大值抑制）：为了优化结果并消除重复或重叠的预测，YOLO 采用了一种称为非极大值抑制的技术。此步骤可确保仅保留最准确和最相关的预测

输出：YOLO 的最终输出包括边界框、其关联的对象类和置信度分数。这些结果提供了对输入图像中检测到的对象的全面了解。

Roboflow Pill 分类数据集：

https://universe.roboflow.com/drug1-dr14z/drug-swwtp

# replace with your own api key#visit the above roboflow dataset liunk and download dataset section and?#try download code for yolov8 copy paste that#dont copy pasrte this my api key shouldnt work for you..privacy
!pip install roboflow
from?roboflow?import?Roboflowrf = Roboflow(api_key="your api key here")project = rf.workspace("drug1-dr14z").project("drug-swwtp")dataset = project.version(1).download("yolov8")
!pip install ultralyticsfrom?ultralytics?import?YOLOmodel = YOLO('yolov8n.pt')model.train(data='/content//data.yaml',epochs=70)?#paste path properly in ur colab of data.yaml

在 Pycharm 或 Vscode 中使用本地自定义训练 best.pt

!pip install ultralyticsfrom?ultralytics?import?YOLOmodel=YOLO("best.pt")?#download fron runs/detect/train/weights/best.pt supoose trained in GColabresults=model(source="PillVideo.mp4",save=True,conf=0.4)