このコーディング・チュートリアルでは、Medical-Pills Datasetを使ってYOLO11 錠剤を検出する方法を学びます。また、その潜在的なアプリケーションと利点を探ります。
人工知能はほぼすべての産業で活用されているが、特に医薬品を中心としたヘルスケアへの影響は大きい。今年の医薬品市場におけるAIの 評価額は19億4000万ドルで、2034年には164億9000万ドルに成長すると予想されている。
この市場の主要な技術的推進力はコンピュータ・ビジョンである。従来の画像処理とは異なり、コンピュータ・ビジョンは、機械が視覚データをリアルタイムで理解・分析できるようにするAIのサブ分野である。
わずかなミスが重大な結果をもたらしかねない製薬業界において、Vision AIは安全性と精度を向上させる信頼性の高い新たな方法を提供する。
例えば Ultralytics YOLO11は、物体検出やインスタンス分割のようなリアルタイムタスク用に設計されたコンピュータビジョンモデルで、錠剤の識別や医療用パッケージの欠陥検出などの用途に使用できる。
この記事では、錠剤を検出するためにYOLO11 トレーニングすることで、Vision AIを実際に使ってみる方法を説明する。また、YOLO11の実際のアプリケーションについてもご紹介します。さっそく始めよう！
YOLO11 錠剤を検出するためにどのように訓練されるかを知る前に、一歩下がって、モデルを訓練することの意味とデータセットの役割を理解しよう。
モデルの訓練には、多くの例を示すことによって、パターンを認識するようにモデルを教えることが含まれる。この場合、データセットは画像のコレクションであり、各画像には錠剤の位置を示すラベルが付けられている。このプロセスは、モデルがこれらの例から学習し、後で新しい画像から錠剤を識別できるようにするのに役立ちます。
Ultralytics Python パッケージは、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で、このプロセスをさらに簡単にします。一般的なデータセットへの手間のかからないアクセスを提供し、錠剤検出のようなアプリケーションをサポートする。
例えば、Medical Pills Datasetは、品質管理、選別、偽造品検出などのタスクを通じて、オブジェクト検出が製薬ワークフローをどのように改善できるかを紹介するために設計された、専用の概念実証コレクションです。
Ultralytics Python パッケージのトレーニングを開始する前に考慮すべきもう1つの要素は、適切な開発環境を選択することです。ここでは3つの一般的なオプションを紹介します：
他にも Ultralytics 公式ドキュメントで調べることができるセットアップオプションはあるが、上記の3つはセットアップも使い方も簡単で、すぐに始めるには最適な選択だ。
このガイドでは、Google Colab、Jupyter Notebooks、または基本的なPython スクリプトを使ったYOLO11 セットアップとトレーニング方法に焦点を当てる。
また、このチュートリアルは、以前取り上げたYOLO11使った野生動物の検出のチュートリアルとよく似ています。このコーディング・チュートリアルのステップの詳細に興味がある方は、こちらをご覧ください。
Medical Pills Datasetには、92のトレーニング画像と23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適しています。トレーニング画像はモデルの学習に使用され、検証画像は新しい未知のデータに対するモデルのパフォーマンスを評価するのに役立ちます。
データセットの各画像は錠剤という単一のクラスに対してラベル付けされている。バウンディングボックスの注釈はそれぞれの錠剤の位置を明確に示し、データセットは複数のオブジェクトクラスを扱う複雑さを伴わず、錠剤検出のような集中タスクに理想的である。
YOLO11学習をサポートするために、Ultralytics 、ファイルパス、クラス名、モデル学習に必要なメタデータなどの主要パラメータを定義するYAML設定ファイルを提供します。事前にトレーニングされたモデルを微調整する場合でも、ゼロ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非常にシンプルになり、すぐに開始できます。
はじめに、モデルのトレーニングとテストのための環境をセットアップする。Google Colab、Jupyter Notebooks、シンプルなPython ファイルなど、好みに応じて選択できる。選択した環境で新しいノートブックかPython ファイルを作成するだけだ。
次に、以下のコマンドを使って環境をセットアップし、Ultralytics Python パッケージをインストールする。ノートブックベースの環境Google ColabやJupyter）を使っている場合は、感嘆符（！）を先頭につけて以下のコマンドを実行する。
JA
EN
ZH
KO
RU
DE
FR
ES
PT
IT
AR
TR
VI
pip install ultralytics
インストールが完了したら、次はMedical Pillsデータセットを使ってYOLO11 ダウンロードし、学習させます。このデータセットはUltralytics Python パッケージでサポートされているので、プロセスは簡単です。
まず、Ultralytics パッケージからYOLO クラスをインポートする。次に、"yolo11n.pt "というファイルから、事前にトレーニングされたYOLO11 モデルを読み込みます。
最後に、モデルをデータセット・コンフィギュレーション（medical-pills.yaml）にポインティングし、トレーニング・エポック数（データセット全体を1回通過させる）を100に設定することで、トレーニング・プロセスを開始することができる。
from ultralytics import YOLO
model = YOLO("yolo11n.pt")
results = model.train(data="medical-pills.yaml", epochs=100)
複数エポックのトレーニングにより、モデルは学習し、パスするたびにパフォーマンスを向上させることができます。runs/train/"サブフォルダーに保存されたログとチェックポイントを見つけることができます。
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 モデルは正確に錠剤を識別できるようになるはずです。最終的な学習済みモデルの重みは、"runs/detect/train/weights/"サブフォルダーの "best.pt "という名前で探すことができる。
モデルがどの程度錠剤を検出することを学習したかを評価するために、次のような検証を行うことができる：
metrics = model.val()
このプロセスは、モデルのパフォーマンスに関する洞察を提供する、一般的なオブジェクト検出メトリクスを返します。これらのメトリクスのいくつかを詳しく見てみましょう：
これらの指標を組み合わせることで、モデルが新しい未知のデータからどの程度正確にピルを検出できるかを総合的に見ることができる。
モデルのパフォーマンスが期待したほどでない場合は、より多くのエポック数をトレーニングしたり、モデルの最適化中に実行されるステップのサイズを制御する学習率や画像サイズなど、他のトレーニング・パラメータを微調整して、さらにパフォーマンスを向上させることができます。
YOLO11 モデルの学習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の性能を発揮するかをテストすることである。これは、照明、配置、包装スタイルが異なる錠剤の検出など、実世界の条件をシミュレートするのに役立つ。
モデルをテストするために、Pexels（無料ストック画像サイト）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、画像を分析したり、カスタム学習されたYOLO11 モデルを使用して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、実際のシナリオでモデルがどの程度機能するかを評価することができます。
results = model.predict("path/to/image.jpg", save=True, conf=0.3)
保存オプションは出力画像を保存するようモデルに指示し、確信度設定は少なくとも30パーセントの確信度を持つ予測だけが結果に含まれるようにする。
予測を実行すると、保存された画像がどこにあるかを示すメッセージが出力されます。例えば、"Results saved to runs/detect/train "と表示されます。
ピルが検出され、バウンディング・ボックスで強調表示された出力画像は、この図と同じようになります。表示される信頼度スコアは、各検出の確実性のレベルを示します。
さて、Medical-Pills Datasetを使ってYOLO11 訓練し、錠剤検出のために画像上で推論を実行する方法を探ったので、製薬業界におけるYOLO11実際のアプリケーションを見てみよう。
YOLO11 自動錠剤検出は、医薬品の仕分けに応用できます。手作業による仕分けは、しばしば時間がかかり、繰り返し行われ、医薬品の安全性とコンプライアンスを損なうミスが起こりがちです。
微調整された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錠剤を正確に検出し、選別することができます。この自動化はプロセスをスピードアップし、製品が厳格な品質基準を満たすことを保証するのに役立ち、製薬業務における貴重なツールとなっています。
適切な薬剤を時間通りに在庫することは、単なる物流業務にとどまらず、患者のケアやコストに影響を及ぼしかねません。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を生む可能性があります。製薬業界では、数多くの種類の錠剤や包装のバリエーションがあるため、自動在庫システムはより正確な記録を可能にします。
スマート在庫システムは、Ultralytics YOLO11 ようなコンピュータビジョンモデルを使用して、リアルタイムで在庫レベルを監視することができます。このモデルは、画像やビデオを使って棚や包装エリアをスキャンし、錠剤を検出してカウントすることができる。品目の追加、削除、移動など、在庫レベルが変化すると、システムは自動的にカウントを更新します。
医薬品製造において、品質管理はすべての錠剤が安全で効果的であることを確認するために極めて重要である。ひび割れ、形状の不揃い、わずかな色の違いといった小さな欠陥でさえ、投薬ミスや製品回収につながる可能性があります。
YOLO11 、品質基準を満たさない錠剤を自動的に検出することで支援することができる。このモデルは、視覚的特徴を学習し、バウンディング・ボックスを使用して、欠け、色あせた刻印、変色などの問題にリアルタイムでフラグを立てることができる。これにより、欠陥のある錠剤を早期に取り除くことができ、無駄を省き、品質が保証された薬だけが患者に届くことを保証する。
その上、YOLO11 使えば、検査中に錠剤を検出して数えることができ、品質を監視しながら正確に追跡できる。
ここまで、ビジョンAIが製薬業界でどのように応用できるかを見てきました。この分野でコンピュータ・ビジョンを使用する主な利点を簡単に見てみましょう：
製薬業界にVision AIを導入するメリットは多いが、このような技術を使用する際に留意すべき点もある：
将来、AIは臨床試験をより速く、より賢く、より費用対効果の高いものにするために大きな役割を果たすだろう。AIは、より良い臨床試験プロトコルの設計、適切な患者群の選択、リアルタイムでのデータモニタリングを支援することができる。
これにより、研究者は問題が発生した際に、事後対応ではなく、その都度対応できるようになるかもしれない。AIはまた、手作業の書類作成を減らし、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することもできる。全体として、製薬のワークフローにAIを統合することで、遅延を減らし、新しい治療法へのアクセスを早めることができる。
Ultralytics YOLO11 医療用錠剤データセットでトレーニングすると、この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も正確に錠剤を検出できるため、仕分け、品質管理、在庫追跡などに役立ちます。
データセットが増え、モデルが改善されるにつれ、製薬業界におけるビジョンAIの可能性は物流だけにとどまらない。この技術は、一貫した錠剤の識別と追跡を支援し、研究者が新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こともできる。
GitHub リポジトリを探索して詳細を学び、成長するコミュニティの一員になりましょう。農業AIから ヘルスケアにおけるコンピュータビジョンまで、様々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。ライセンスオプションをチェックして、Vision AI プロジェクトを今すぐ立ち上げましょう。
