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detect 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使用されていますが、医療、特に製薬におけるその影響は特に大きいものです。今年の製薬におけるAI市場は19億4000万ドルの価値があり、2034年までに164億9000万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はコンピュータビジョンです。従来の画像処理とは異なり、コンピュータビジョンはAIのサブフィールドであり、機械が視覚データをリアルタイムで理解および分析できるようにします。
ごくわずかなエラーでも重大な結果につながる可能性のある製薬業界において、Vision AIは安全性と精度を向上させるための新しい信頼性の高い方法を提供します。
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detect 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detect 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。
モデルのトレーニングには、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教えることが含まれます。この場合、データセットは、各画像に錠剤の場所を示すラベルが付けられた画像のコレクションです。このプロセスは、モデルがこれらの例から学習し、後で新しい画像で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。
たとえば、Medical Pills Datasetは、物体検出が品質管理、選別、偽造検出などのタスクを通じて医薬品のワークフローをどのように改善できるかを示すように設計された、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 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対応できる堅牢な分割を提供します。トレーニング画像はモデルを学習させるために使用され、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うまく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、単一のクラス (錠剤) のラベルが付けられています。バウンディングボックスのアノテーションは、各錠剤の位置を明確に示しており、複数のオブジェクトクラスを処理する複雑さなしに、錠剤検出のような特定のタスクにデータセットを最適化します。
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。
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 モデルをロードする。
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-pillsyaml）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回通過する）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る。
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することで、モデルは各パスで学習し、パフォーマンスを向上させることができます。進行状況を監視し、モデルのパフォーマンスを確認するために使用できる「runs/train/」サブフォルダーに保存されている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detect 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、一般的な物体検出の指標を返し、モデルのパフォーマンスに関する洞察を提供します。これらの指標のいくつかについて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、未知のデータで錠剤をどれだけ正確に検出するかを包括的に把握できます。
モデルのパフォーマンスが期待どおりでない場合は、より多くのエポックでトレーニングするか、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、パフォーマンスをさらに向上させるための画像サイズなど、他のトレーニングパラメータを微調整してみてください。
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、またはその他の関連画像を使用して、モデルが実際のシナリオでどの程度うまく機能するかを評価できます。
results = model.predict("path/to/image.jpg", save=True, conf=0.3)saveオプションを使用すると、モデルは出力画像を保存し、confidence設定により、少なくとも30%の確実性を持つ予測のみが結果に含まれるようになります。
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。
出力画像は、ここに示されている画像と同様になり、錠剤が検出され、バウンディングボックスを使用して強調表示されます。表示される信頼性スコアは、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detect 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。
適切な薬を時間通りに在庫することは、単なるロジスティクス上のタスクではなく、患者のケアとコストに影響を与える可能性があります。重要な錠剤の在庫が不足すると、治療が遅れる可能性があり、過剰な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。製薬業界には多数の種類の錠剤とパッケージのバリエーションがあるため、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detect 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。
医薬品の製造において、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不可欠です。亀裂、不均一な形状、わずかな色の変化などのわずかな欠陥でも、投与量の間違いや製品のリコール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detect 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。
Vision 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。このセクターでコンピュータビジョンを使用する主な利点を見てみましょう。
製薬業界でVision AIを実装することには多くの利点がありますが、このようなテクノロジーを使用する際には留意すべき点もあります。
将来的には、AIが臨床試験をより迅速、スマート、かつ費用対効果の高いものにする上で、より大きな役割を果たす可能性があります。AIは、より優れた試験プロトコルの設計、適切な患者グループの選択、およびリアルタイムでのデータの監視に役立ちます。
これにより、研究者は事後ではなく、問題が発生したときに対応できるようになる可能性があります。また、AIは手作業による事務処理を削減し、ルーチンチェックを自動化することで、承認プロセスを迅速化できます。全体として、AIを医薬品ワークフローに統合することで、遅延が減り、新しい治療法へのアクセスが迅速化される可能性があります。
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detect できるため、仕分け、品質管理、在庫追跡などに役立ちます。
データセットが拡大し、モデルが改善されるにつれて、製薬業界におけるVision AIの可能性は、単なるロジスティクスを超えて広がります。このテクノロジーは、一貫性のある錠剤の識別と追跡を支援し、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により、臨床試験もサポートできます。
詳細については、GitHubリポジトリをご覧いただき、成長を続けるコミュニティにご参加ください。農業におけるAIからヘルスケアにおけるコンピュータビジョンまで、さまざまな分野の最先端のイノベーションをご覧ください。ライセンスオプションを確認して、今すぐVision AIプロジェクトを開始しましょう。
