Ultralytics YOLO11を使った錠剤検出の詳細解説

人工知能はほぼすべての業界で活用されていますが、ヘルスケア、特に医薬品業界への影響は非常に大きいものです。今年の医薬品業界におけるAI市場の規模は19億4,000万ドルで、2034年までに164億9,000万ドルに成長すると予測されています。

この市場を牽引する主要な技術の一つが、コンピュータービジョンです。従来の画像処理とは異なり、コンピュータービジョンはAIの一分野であり、機械が視覚データをリアルタイムで理解・分析できるようにします。

図1。製薬市場におけるAIの概要。

わずかなミスでも深刻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は安全性と精度を高めるための新たな信頼性の高い方法を提供します。

たとえば、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コンピュータービジョンモデルで、錠剤の識別や医薬品包装の欠陥検出などに活用できます。

この記事では、Ultralytics YOLO11をトレーニングして錠剤を検出し、ビジョンAIを実際に使う方法を説明します。また、実環境での応用例も紹介します。

錠剤検出AIモデルの構築#

Ultralytics YOLO11をトレーニングして錠剤を検出する方法を詳しく見る前に、まず一歩引いて、モデルのトレーニングとは何か、データセットがどのような役割を果たすのかを理解しましょう。

モデルのトレーニングでは、多くの例を提示してパターンを認識できるようにします。この場合、データセットとは、錠剤の位置を示すラベルが付いた画像の集合です。このプロセスを通じてモデルは例から学習し、新しい画像内の錠剤を識別できるようになります。

Ultralytics Pythonパッケージは、YOLO形式に統一された幅広いデータセットをサポートしており、このプロセスをさらに簡単にします。人気のデータセットを簡単に利用でき、錠剤検出などのアプリケーションにも対応しています。

たとえば、Medical Pills Datasetは、物体検出によって品質管理、仕分け、偽造品検出などのタスクを通じて製薬業務を改善できることを示すために作成された、専用の概念実証用データセットです。

開発環境の選択#

Ultralytics Pythonパッケージを使ったトレーニングを始め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ぶことです。代表的な選択肢を3つご紹介します。

• コマンドラインインターフェース（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、コンピューターを操作できる、シンプルなテキストベースのツールです。
• Jupyter Notebook： セルと呼ばれる小さな単位でコードを記述・実行できる、より対話的な環境です。作業を進めながら簡単にテストやデバッグを行えます。
• Google Colab： Jupyter Notebookのように使えるクラウドベースの環境ですが、GPUを無料で利用できるため、ローカル環境のセットアップを気にする必要がありません。

Ultralytics公式ドキュメントではほかのセットアップ方法も紹介していますが、上記の3つは設定と使用が簡単なため、すぐに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スクリプトを使ってUltralytics YOLO11をセットアップし、トレーニングする方法を説明します。どの環境でも手順はほぼ同じです。

このチュートリアルは、以前紹介したUltralytics YOLO11を使った野生動物の検出とよく似ています。このコーディングチュートリアルの各手順について詳しく知りたい場合は、そちらをご覧ください。

YOLOによるリアルタイム錠剤検出に向けたデータセットの確認#

Medical Pills Datasetにはトレーニング画像が92枚、検証画像が23枚含まれており、モデルの構築とテストの両方に適した分割になっています。トレーニング画像はモデルの学習に使い、検証画像はモデルが未知の新しいデータに対してどれだけ適切に機能するかの評価に使います。

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いています。バウンディングボックスのアノテーションによって各錠剤の位置が明確に示されているため、複数の物体クラスを扱う複雑さを伴わず、錠剤検出のような特定のタスクに最適です。

図2。Medical Pills Datasetの一部。

YOLO11のトレーニングをサポートするため、Ultralyticsは、ファイルパス、クラス名、モデルのトレーニングに必要なメタデータなどの主要なパラメーターを定義するYAML設定ファイルを提供しています。事前トレーニング済みモデルをファインチューニングする場合でも、ゼロから始める場合でも、このファイルによってプロセスが大幅に簡素化され、すぐに開始できます。

錠剤データセットでUltralytics YOLOモデルをトレーニングする#

まず、モデルのトレーニングとテストを行う環境をセットアップします。好みに応じて、Google Colab、Jupyter Notebook、またはシンプルなPythonファイルを使用できます。選んだ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、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します。Google ColabやJupyterなどのノートブック環境を使用する場合は、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、次はMedical Pillsデータセットをダウンロードし、YOLO11をトレーニングします。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ため、簡単に利用できます。

モデルのトレーニングプロセスを理解する#

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、「yolo11n.pt」ファイルから事前トレーニング済みのYOLO11nモデルを読み込みます。Nanoモデルで軽量なため、このモデルの使用をおすすめします。

最後に、以下のようにモデルにデータセット設定ファイル（medical-pills.yaml）を指定し、トレーニングエポック数（データセット全体を1回処理する回数）を100に設定して、トレーニングを開始します。

from ultralytics import YOLO

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

複数のエポックにわたってトレーニングすると、モデルは各イテレーションで学習し、性能を向上させます。ログとチェックポイントは「runs/detect/train/」サブフォルダーに保存され、進行状況の監視やモデルの性能の確認に利用できます。

トレーニングが完了すると、カスタムトレーニング済みのYOLO11モデルは錠剤を正確に識別できるようになります。最終的なモデルの重みは、「best.pt」という名前で「runs/detect/train/weights/」サブフォルダーに保存されています。

モデルのトレーニング後にUltralytics YOLO11を評価する#

モデルが錠剤検出をどれだけ学習できたかを評価するには、次のように検証を実行します。

metrics = model.val()

このプロセスでは、一般的な物体検出の指標が出力され、モデルの性能を把握できます。主な指標を詳しく見ていきましょう。

• 適合率： モデルが検出した錠剤のうち、正しく検出されたものの割合を測定します。
• 再現率： 実際の錠剤のうち、モデルが正常に識別したものの割合を示します。
• 平均適合率（mAP）： さまざまな検出しきい値における適合率と再現率を組み合わせ、全体的な性能スコアを算出するメトリクスです。

これらのメトリクスを組み合わせることで、未知の新しいデータ内の錠剤をモデルがどれだけ正確に検出するかを包括的に把握できます。

モデルの性能が期待どおりでない場合は、エポック数を増やしてトレーニングするか、学習率や画像サイズなどのほかのトレーニングパラメーターをファインチューニングして、性能をさらに向上させることができます。学習率は、モデルの最適化時に行うステップの大きさを調整します。

カスタムトレーニング済みUltralytics YOLO11モデルで推論を実行する#

Ultralytics YOLO11モデルのトレーニングと評価が完了したら、次は未知の新しい画像での性能をテストします。これにより、異なる照明、配置、包装形態の錠剤を検出するなど、実世界の状況をシミュレーションできます。

モデルをテストするため、無料のストック画像サイト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のように、カスタムトレーニングしたUltralytics YOLO11モデルで予測を実行しました。

このサンプル画像や、ほかの関連画像を使って、実世界のシナリオにおけるモデルの性能を評価できます。

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

保存オプションを指定すると出力画像が保存され、信頼度の設定によって、確信度が少なくとも30パーセントの予測だけが結果に含まれるようになります。

予測を実行すると、保存した画像の場所を示すメッセージが出力されます。たとえば、「Results saved to runs/detect/predict」のように表示されます。

出力画像はここに示すものと似たものになり、検出された錠剤がバウンディングボックスで強調表示されます。表示される信頼度スコアは、各検出の確信度を示します。

図3。Ultralytics YOLO11による錠剤検出。

製薬分野におけるUltralytics YOLO11の実世界での活用例#

Medical-Pills Datasetを使ったUltralytics YOLO11のトレーニング方法と、錠剤検出のために画像で推論を実行する方法を見てきました。ここからは、製薬業界におけるYOLO11の実世界での活用例を見ていきましょう。

Ultralytics YOLO11による医薬品の錠剤仕分け#

Ultralytics YOLO11を使った錠剤の自動検出は、医薬品の仕分けに活用できます。手作業での仕分けは時間がかかり、反復的で、医薬品の安全性や規制遵守を損なうエラーが発生しやすい傾向があります。

ファインチューニングしたUltralytics YOLO11モデルを使うと、サイズ、形状、色などの視覚的な特徴に基づいて錠剤を正確に検出・仕分けできます。この自動化によって作業が迅速化し、製品が厳格な品質基準を満たすよう支援できるため、製薬業務に役立つツールとなります。

図4. YOLO11を使った錠剤の検出。

Ultralytics YOLO11による在庫の監視#

適切な医薬品を適切なタイミングで在庫に揃えることは、単なる物流上の課題ではなく、患者ケアやコストにも影響します。重要な錠剤が不足すると治療が遅れる可能性があり、過剰在庫は医薬品の期限切れや在庫の無駄につながることがあります。製薬業界には多種多様な錠剤や包装形態があるため、自動在庫管理システムによって、より正確な記録を実現できます。

スマートな在庫管理システムでは、Ultralytics YOLO11のようなコンピュータービジョンモデルを使い、在庫レベルをリアルタイムで監視できます。モデルは画像や動画を使って棚や包装エリアをスキャンし、錠剤を検出して数えます。商品が追加、取り出し、移動されるなどして在庫状況が変わると、システムが自動的に数量を更新します。

Ultralytics YOLO11を活用した製薬分野の品質管理#

医薬品の製造では、すべての錠剤の安全性と有効性を確保するために品質管理が不可欠です。ひび、形状の不均一、わずかな色の違いなどの小さな欠陥でも、投与量の誤りや製品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錠剤を自動検出するのに役立ちます。モデルは視覚的な特徴を学習し、バウンディングボックスを使って欠け、印字の薄れ、変色などの問題をリアルタイムで検出します。不良錠剤を早期に取り除くことで、廃棄を減らし、品質が保証された医薬品だけを患者に届けることができます。

さらに、Ultralytics YOLO11を使って検査中の錠剤を検出・計数できるため、品質を監視しながら正確に追跡できます。

図5。Ultralytics YOLO11を使ってカプセルを検出・計数できます。

錠剤検出にビジョンAIを使うメリットとデメリット#

製薬業界におけるビジョンAIの活用方法を確認したところで、この業界でコンピュータービジョンを使う主なメリットを簡単に見ていきましょう。

• 予知保全： Ultralytics YOLO11は、錠剤や包装の不整合を検出することで、機械の摩耗の初期兆候を特定できます。適切なタイミングでの修理計画を支援し、予期しない生産停止を防ぎます。
• モデル利用の拡張性： さまざまな錠剤や包装に対応するため、モデルを多様なデータセットでファインチューニングできます。業務の拡大に合わせて、検査を拡張し、コスト効率を高められます。
• 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ことで、リアルタイムの品質チェックが可能になります。地方の薬局、自動化された設備、遠隔薬局の運用管理に最適です。

製薬業界にビジョンAIを導入するメリットは数多くありますが、こうした技術を使う際に留意すべき点もあります。

• 業務への統合： AIシステムを既存のワークフローに統合するには、調整やトレーニング、既存インフラとの互換性確認が必要になる場合があります。
• 規制遵守: 患者の安全と製品品質の一貫性を確保するため、自動化システムは厳格な規制基準を遵守する必要があります。
• エラー管理： 高度なモデルでも、誤検出や見逃しが発生する可能性があります。こうしたエラーに対処し、修正するためのプロセスを整備することが重要です。

AIを活用した製薬ワークフローの今後#

今後、AIは臨床試験をより迅速かつ効率的にし、コストを抑えるうえで、さらに大きな役割を果たすと考えられます。より優れた試験プロトコルの設計、適切な患者グループの選定、データのリアルタイム監視に役立ちます。

これにより、研究者は問題が起きた後ではなく、発生時に対応できるようになる可能性があります。また、AIは手作業の書類業務を減らし、定型的な確認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、製薬ワークフローへのAIの導入によって遅延が減り、新しい治療法をより早く利用できるようになる可能性があります。

重要なポイント#

Medical Pills Datasetを使ったUltralytics YOLO11のトレーニングは、モデルが製薬分野のタスクにどれほど迅速かつ効果的に適応できるかを示しています。小規模なデータセットでも錠剤を正確に検出できるため、仕分け、品質管理、在庫追跡などに役立ちます。

データセットが拡大し、モデルが向上するにつれて、製薬分野におけるビジョンAIの可能性は物流にとどまりません。この技術は、錠剤の一貫した識別と追跡を支援したり、研究者が新しい薬剤の組み合わせを安全に試験するのを支援したりすることで、臨床試験にも活用できる可能性があります。

GitHubリポジトリで詳細を確認し、成長を続けるコミュニティにぜひご参加ください。農業におけるAIから医療におけるコンピュータービジョンまで、さまざまな分野のイノベーションをご紹介します。ライセンスオプションを確認して、今すぐビジョンAIプロジェクトを始めましょう。