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業界で活用されていますが、ヘルスケア分野、特に製薬業界への影響は非常に大きなものです。今年、AI in the pharmaceutical市場は19億4,000万ドルと評価されており、2034年までに164億9,000万ドルまで成長すると予測されています。

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、コンピュータビジョンはAIの一分野であり、マシン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します。

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といったリアルタイムタスク向けに設計されたコンピュータビジョンモデルであり、錠剤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。

本記事では、YOLO11をトレーニングして錠剤を検出できるようにすることで、ビジョンAIの実践方法を学びます。また、その実際の応用事例についても探ります。それでは始めましょう！

Link to this section錠剤検出AIモデルの構築#

YOLO11で錠剤を検出する方法に入る前に、少し立ち止まって、モデルをトレーニングすることの意味とデータセットの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で、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、錠剤検出のような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、選別、偽造品検出といったタスクを通じてobject detectionがいかに製薬ワークフローを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。

Link to this section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で紹介されている他のセットアップオプションもありますが、上記の3つは設定と使用が簡単であり、素早く開始するための最適な選択肢です。

本ガイドでは、Google Colab、Jupyter Notebooks、または基本的なPythonスクリプトを使用してYOLO11をセットアップしトレーニングする方法に焦点を当てます。これらの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、以前に取り上げた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場合は、そちらもご確認ください。

Link to this sectionYOLO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によるトレーニングをサポートするため、Ultralyticsはモデル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したYAML configuration fileを提供しています。事前学習済みモデルを微調整する場合でも、ゼロから開始する場合でも、このファイルを使用することでプロセスが大幅に簡素化され、迅速に開始できます。

Link to this section錠剤データセットでのUltralytics YOLOモデルのトレーニング#

まず、trainingとモデルのテストのための環境をセットアップします。好みに応じて、Google Colab、Jupyter Notebooks、またはシンプルなPythonファイルを使用できます。選択した環境で新しいノートブックまたはPythonファイルを作成するだけです。

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。

Link to this section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。

Link to this sectionモデルトレーニング後のYOLO11の評価#

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、一般的な物体検出メトリクスが返され、model's performanceへの洞察が得られます。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。

モデルのパフォーマンスが期待通りでない場合は、エポック数を増やしてトレーニングを試みるか、モデル最適化中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。

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

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知の画像でどの程度機能するかをテストすることです。これは、照明、配置、パッケージスタイルの違いなど、錠剤検出の実際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に示すようにカスタムトレーニングされたYOLO11モデルを使用して画像を解析、または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。

Fig 3. YOLO11を使用した錠剤検出。

Link to this section製薬業界におけるYOLO11活用の実際#

Medical-Pills Datasetを使用してYOLO11をトレーニングし、錠剤検出のために画像上で推論を実行する方法を学んだところで、製薬業界におけるYOLO11の実際の応用例を見てみましょう。

Link to this sectionYOLO11による製薬用錠剤の選別#

YOLO11を用いたAutomated pill detectionは、製薬の選別プロセスに応用できます。手作業による選別は時間がかかり、反復的で、エラーが発生しやすく、それが薬の安全性とコンプライアンスを損なう可能性があります。

微調整されたYOLO11モデルを使用することで、サイズ、形状、色などの視覚的特性に基づいて錠剤を正確に検出し、選別できます。この自動化によりプロセスが高速化され、製品が厳格な品質基準を満たすことが保証されるため、製薬業務における貴重なツールとなります。

Fig 4. YOLO11を使用して錠剤を検出。

Link to this sectionYOLO11による在庫管理#

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のようなコンピュータビジョンモデルを使用して、在庫レベルをリアルタイムで監視できます。モデルは、画像やビデオを使用して棚やパッケージエリアをスキャンし、錠剤を検出・カウントします。アイテムの追加、削除、移動など、在庫レベルが変化すると、システムが自動的にカウントを更新できます。

Link to this sectionYOLO11による製薬の品質管理#

pharmaceutical productionにおいて、すべての錠剤が安全かつ有効であることを確認するために品質管理は不可欠です。ひび割れ、不均一な形状、わずかな色の変化といった小さな欠陥であっても、投薬ミスや製品リコールにつながる可能性があります。

YOLO11は、品質基準を満たさない錠剤を自動的に検出することで貢献します。モデルは視覚的特徴を学習し、BBoxを使用してチップ、色あせた刻印、変色などの問題をリアルタイムでフラグ立てします。これにより、欠陥のある錠剤を早期に除去できるため、無駄が減り、品質が保証された薬だけが患者に届くようになります。

さらに、YOLO11を使用して、検査中に錠剤を検出・カウントすることで、品質を監視しながら正確な追跡を行うことができます。

Fig 5. YOLO11を使用してカプセルを検出・カウントできます。

Link to this section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。

• 予兆保全: YOLO11を使用して、錠剤やパッケージの不一致を特定し、機械摩耗の早期兆候を検出できます。これにより、適時修理を計画し、予定外の生産停止を防ぐことができます。
• 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: 自動化されたシステムは、患者の安全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しなければなりません。
• 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。

Link to this sectionAI製薬ワークフローの今後の展望#

将来的には、AIはclinical trialsをより高速、スマート、かつ費用対効果の高いものにするために、より大きな役割を果たすと考えられます。より良い試験プロトコルの設計、適切な患者グループの選択、そしてリアルタイムでのデータ監視に役立ちます。

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。

Link to this section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。

詳細についてはGitHub repositoryを探索し、拡大する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ましょう。当社のlicensing optionsをチェックして、今すぐビジョンAIプロジェクトを立ち上げてください。