Ultralytics YOLO11を使用した錠剤検出の深掘り

人工知能はほぼすべての産業で利用されていますが、医療、特に製薬分野におけるその影響は非常に大きいです。今年、AI in the pharmaceutical市場の規模は19億4千万ドルと評価されており、2034年までに164億9千万ドルに成長すると予想されています。

この市場の主要な技術的推進力となっているのがcomputer visionです。従来の画像処理とは異なり、computer visionは、機械が視覚データをリアルタイムで理解し分析することを可能にするAIのサブフィールドです。

Fig 1. 製薬市場におけるAIの概要。

ごくわずかなミスが重大な結果を招く可能性がある製薬業界において、ビジョンAIは安全性と精度を向上させるための新しく信頼できる手段を提供します。

例えば、Ultralytics YOLO11は、物体検出やインスタンスセグメンテーションなどのリアルタイムタスク向けに設計されたcomputer visionモデルであり、ピルの識別や医療パッケージの欠陥検出などのアプリケーションに使用できます。

この記事では、Ultralytics YOLO11をトレーニングしてピルを検出させることで、ビジョンAIを実際に体験する方法を順に解説します。また、その実世界での応用例についても探っていきます。それでは始めましょう！

錠剤検出AIモデルの構築#

Ultralytics YOLO11をトレーニングしてピルを検出させる方法に入る前に、一度立ち止まって、モデルをトレーニングするとはどういうことか、そしてデータセットが果たす役割について理解しましょう。

モデルのトレーニングには、多くの例を見せることでパターンを認識するように教えるプロセスが含まれます。この場合、データセットとは画像の集まりであり、各画像には錠剤の場所を示すラベルが付けられています。このプロセスにより、モデルはこれらの例から学習し、後で新しい画像の中から錠剤を識別できるようになります。

Ultralytics Python packageは、合理化されたYOLOファイル形式で幅広いデータセットをサポートすることにより、このプロセスをさらに容易にします。これらはpopular datasetsへの手軽なアクセスを提供し、ピル検出などのアプリケーションをサポートします。

例えば、Medical Pills Datasetは、品質管理、仕分け、偽造品の検出などのタスクを通じて、object detectionが製薬のワークフローをどのように改善できるかを示すために設計された、専用の概念実証コレクションです。

開発環境の選択#

Ultralytics Python packageを使用してトレーニングを開始する前に検討すべきもう一つの要素は、適切な開発環境を選択することです。以下に一般的な3つのオプションを紹介します。

• Command-line interface (CLI): CLIまたはターミナルは、コマンドを入力してコードを実行し、コンピュータと対話するためのシンプルなテキストベースのツールです。
• Jupyter Notebooks: これは、コードを小さな塊（セル）に分けて記述・実行できる、よりインタラクティブな環境であり、試行錯誤やデバッグを容易にします。
• Google Colab: Jupyter Notebooksのように機能するクラウドベースのオプションですが、無料のGPUアクセスという利点があるため、ローカルで環境を構築する必要がありません。

official Ultralytics documentationで他のセットアップオプションを確認することもできますが、前述の3つは簡単にセットアップして使用できるため、すばやく始めるのに最適です。

このガイドでは、Google Colab、Jupyter Notebook、または基本的なPythonスクリプトを使用してUltralytics YOLO11をセットアップおよびトレーニングする方法に焦点を当てます。これらの各環境でのプロセスは非常に似ているためです。

また、このチュートリアルは、以前に扱ったUltralytics YOLO11を使用した野生生物の検出に関するチュートリアルと非常によく似ています。このコーディングチュートリアルのいずれかのステップの詳細に興味がある場合は、そちらもご確認ください。

YOLOを用いたリアルタイム錠剤検出のためのデータセットの探索#

Medical Pills Datasetには92枚のトレーニング画像と23枚の検証画像が含まれており、モデルの構築とテストの両方に最適な分割を提供します。トレーニング画像はモデルの学習に使用され、検証画像はモデルが新しい未知のデータに対してどの程度機能するかを評価するのに役立ちます。

データセット内の各画像には、錠剤という単一クラスのラベルが付けられています。BBoxアノテーションが各錠剤の位置を明確にマークしているため、複数のオブジェクトクラスを扱う複雑さを排除した、錠剤検出のような集中型のタスクに最適です。

Fig 2. Medical Pills Datasetの概要。

YOLO11でのトレーニングをサポートするために、Ultralyticsは、モデルのトレーニングに必要なファイルパス、クラス名、メタデータなどの主要なパラメータを定義するYAML configuration fileを提供します。事前トレーニング済みモデルを微調整する場合でも、最初から始める場合でも、このファイルを使用するとプロセスがはるかにシンプルになり、すばやく始めることができます。

錠剤データセットでのUltralytics YOLOモデルのトレーニング#

まず、モデルのtrainingとテストのための環境をセットアップします。Google Colab、Jupyter Notebooks、またはシンプルなPythonファイルの中から、お好みのものをお選びいただけます。選択した環境で新しいノートブックまたはPythonファイルを作成してください。

次に、環境をセットアップし、以下のコマンドを使用してUltralytics Python packageをインストールします。ノートブックベースの環境（Google ColabやJupyter）を使用している場合は、先頭に感嘆符（!）を付けて次のコマンドを実行してください。

pip install ultralytics

インストールが完了したら、次のステップとしてMedical Pills Datasetを使用してYOLO11をダウンロードし、トレーニングします。データセットはUltralytics Python packageでサポートされているため、手順は簡単です。

モデルトレーニングプロセスの理解#

まず、UltralyticsパッケージからYOLOクラスをインポートします。次に、ナノモデルであり軽量であることから推奨されるファイル「yolo11n.pt」から、事前学習済みのYOLO11モデルを読み込みます。

最後に、モデルをデータセット設定（medical-pills.yaml）に向け、以下に示すようにトレーニングエポック数（データセット全体を1回完全に通過すること）を100に設定することで、トレーニングプロセスを開始できます。

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
results = model.train(data="medical-pills.yaml", epochs=100)

複数のエポックでトレーニングを行うことで、モデルはパスごとに学習し、パフォーマンスを向上させることができます。ログとチェックポイントは「runs/train/」サブフォルダに保存され、進捗の監視やモデルのパフォーマンスのレビューに使用できます。

トレーニングが完了すると、カスタムトレーニングされたYOLO11モデルは錠剤を正確に識別できるようになります。最終的なトレーニング済みモデルの重みは、「runs/detect/train/weights/」サブフォルダ内の「best.pt」という名前で確認できます。

モデルのトレーニング後に Ultralytics YOLO11 を評価する#

モデルがどの程度錠剤を検出できるようになったかを評価するために、次のようにして検証を実行します。

metrics = model.val()

このプロセスにより、一般的な物体検出のメトリクスが返され、model's performanceに関するインサイトが得られます。これらのメトリクスの一部を詳しく見てみましょう。

• Precision（適合率）: モデルが検出した錠剤のうち、正しいものの割合を測定します。
• Recall（再現率）: 実際の錠剤のうち、モデルが正常に識別できた割合を示します。
• Mean average precision (mAP): このメトリクスは、さまざまな検出閾値における適合率と再現率を組み合わせて、総合的なパフォーマンススコアを算出します。

これらのメトリクスを合わせることで、モデルが新しい未知のデータ内の錠剤をどの程度正確に検出できるかについての包括的な見解が得られます。

モデルが期待どおりにパフォーマンスを発揮しない場合は、より多くのエポックでトレーニングを行うか、モデル最適化時のステップサイズを制御する学習率や、画像サイズなどの他のtraining parametersを微調整して、パフォーマンスをさらに向上させることができます。

カスタムトレーニングした Ultralytics YOLO11 モデルを使用した推論の実行#

Ultralytics YOLO11モデルのトレーニングと評価が完了したら、次のステップは、新しい未見の画像に対してどの程度うまく機能するかをテストすることです。これにより、さまざまな照明、配置、パッケージングスタイルでのピルの検出など、現実の条件をシミュレートするのに役立ちます。

モデルをテストするために、無料のストック画像ウェブサイトであるPexelsからサンプル画像をダウンロードし、以下のコードスニペットに示すように、カスタムトレーニングされたUltralytics YOLO11モデルを使用して画像を分析するか、予測を実行しました。

このサンプル画像やその他の関連画像を使用して、現実世界のシナリオでモデルがどの程度機能するかを評価できます。

results = model.predict("path/to/image.jpg", save=True, conf=0.3)

保存オプションはモデルに出力画像を保存するように指示し、信頼度の設定は30%以上の確実性を持つ予測のみが結果に含まれるようにします。

予測を実行すると、保存された画像の場所を示すメッセージが表示されます。例: "Results saved to runs/detect/train."

出力画像はここに表示されているものと似ており、検出された錠剤がBBoxで強調表示されます。表示された信頼度スコアは、各検出に対する確信のレベルを示します。

図 3. Ultralytics YOLO11 を使用したピル検出。

製薬業界における Ultralytics YOLO11 の現実世界の応用例#

Medical-Pills Datasetを使用してUltralytics YOLO11をトレーニングする方法と、ピル検出のために画像で推論を実行する方法を確認しましたので、次は製薬業界におけるYOLO11の現実世界のアプリケーションを見てみましょう。

Ultralytics YOLO11 を使用した医薬品ピルの選別#

Ultralytics YOLO11による自動ピル検出は、製薬の選別に応用できます。手動による選別は多くの場合、遅く、反復的であり、医薬品の安全性とコンプライアンスを損なう可能性のあるエラーが発生しやすくなります。

微調整されたUltralytics YOLO11モデルを使用することで、サイズ、形状、色などの視覚的属性に基づいてピルを正確に検出し、選別することができます。この自動化によりプロセスがスピードアップし、製品が厳格な品質基準を満たしていることを確認するのに役立ち、製薬業務において価値あるツールとなります。

Fig 4. YOLO11によるピルの検出。

Ultralytics YOLO11を活用した在庫のモニタリング#

適切な薬を時間通りに在庫しておくことは、単なる物流上のタスクを超え、患者のケアやコストに影響を与える可能性があります。重要な薬が不足すると治療が遅れる可能性があり、過剰在庫は期限切れの薬や無駄な在庫につながる可能性があります。製薬業界には無数の錠剤の種類やパッケージのバリエーションが存在するため、自動化された在庫システムにより、より正確な記録が可能になります。

スマートなinventory systemsは、Ultralytics YOLO11のようなcomputer visionモデルを使用して、リアルタイムで在庫レベルを監視できます。このモデルは、画像やビデオを使用して棚やパッケージングエリアをスキャンし、ピルを検知してカウントすることができます。アイテムの追加、削除、移動など、在庫レベルの変化に応じて、システムは自動的にカウントを更新できます。

Ultralytics YOLO11主導による医薬品の品質管理#

pharmaceutical productionにおいて、すべてのピルが安全で効果的であることを確認するためには、品質管理が不可欠です。ひび割れ、不均一な形状、わずかな色の違いなどの軽微な欠陥であっても、投与量の誤りや製品の回収につながる可能性があります。

Ultralytics YOLO11は、品質基準を満たさないピルを自動的に検出することで役立ちます。このモデルは視覚的特徴を学習し、bboxを使用して、欠け、印字の薄れ、変色などの問題をリアルタイムでフラグ付けします。これにより、不良品を早期に排除し、無駄を削減し、品質保証された医薬品のみが患者に届くことを保証します。

さらに、Ultralytics YOLO11を使用して、検査時にピルを検出しカウントすることで、品質をモニタリングしながら正確な追跡を行うことができます。

図 5. Ultralytics YOLO11はカプセルを検出しカウントするために使用できます。

錠剤検出におけるビジョンAI活用の長所と短所#

製薬業界におけるビジョンAIの応用について学んだところで、この分野におけるコンピュータビジョン活用の主なメリットを簡単に見てみましょう。

• 予測保全： Ultralytics YOLO11は、ピルやパッケージの不一致を特定することで、機械の摩耗の初期兆候を検出するために使用できます。これにより、タイムリーな修理のスケジュール設定が容易になり、予期しない生産停止を防ぎます。
• スケーラブルなモデル利用: モデルはさまざまな錠剤やパッケージに合わせてデータセットを微調整できます。業務が拡大するにつれて、検査をスケーラブルかつ費用対効果の高いものにできます。
• リモート監視: クラウドシステムやエッジデバイスと統合するとリアルタイムの品質チェックが可能になり、地方の調剤所、自動化ユニット、リモート遠隔調剤セットアップの管理に最適です。

製薬業界にビジョンAIを導入するメリットは多くありますが、このような技術を使用する際には注意すべき点もいくつかあります。

• 業務統合: AIシステムを既存のワークフローに統合するには、調整、トレーニング、および現在のインフラとの互換性チェックが必要になる場合があります。
• Regulatory compliance: 自動システムは、患者の安全性と一貫した製品品質を確保するために、厳格な規制基準を遵守する必要があります。
• エラー管理: 高度なモデルであっても、偽陽性や偽陰性が発生する可能性があります。これらのエラーを処理し修正するためのプロセスを準備しておくことが重要です。

AI製薬ワークフローの今後の展望#

将来的に、AIはclinical trialsをより迅速に、よりスマートに、そしてより費用対効果の高いものにする上で、さらに大きな役割を果たすと考えられます。より優れた治験プロトコルの設計、適切な患者グループの選定、そしてリアルタイムでのデータの監視を支援することができます。

これにより、研究者は事後対応ではなく、問題が発生した時点で対応できるようになるかもしれません。また、AIは手作業の書類業務を減らし、日常的なチェックを自動化することで承認プロセスをスピードアップできます。全体として、製薬ワークフローにおけるAIの統合は、遅延を減らし、新しい治療薬へのアクセスを迅速化することにつながります。

重要なポイント#

Medical Pills DatasetでUltralytics YOLO11をトレーニングすることで、モデルがいかに迅速かつ効果的に製薬タスクに適応できるかがわかります。小さなデータセットであっても、錠剤を正確に検出できるため、選別、品質管理、在庫追跡などに有用です。

データセットが拡大し、モデルが改善されるにつれて、製薬分野におけるビジョンAIの可能性は物流の枠を超えて広がります。この技術は、一貫した錠剤の識別と追跡をサポートし、研究者が新しい薬の組み合わせを安全にテストするのを支援することで、臨床試験をサポートする可能性もあります。

私たちのGitHub repositoryを探索して詳細を学び、拡大し続けるcommunityに参加してください。AI in agricultureからcomputer vision in healthcareまで、さまざまな分野における最先端のイノベーションを発見してください。licensing optionsを確認し、今すぐビジョンAIプロジェクトを立ち上げましょう。