Ultralytics YOLO11を使用した錠剤検出の詳細解説

人工知能はほぼすべての業界で利用されていますが、医療、特に製薬分野への影響は非常に大きくなっています。今年の製薬分野におけるAI市場は19億4,000万ドルと評価されており、2034年までに164億9,000万ドルに成長すると予測されています。

この市場を支える主要な技術要因の1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。製薬分野におけるAI市場の概要。

わずかなミスでも深刻な結果につなが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新たな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あり、錠剤の識別や医薬品包装の欠陥検出などに利用できます。

この記事では、Ultralytics YOLO11をトレーニングして錠剤を検出することで、ビジョンAIを実際に扱う方法を順に説明します。実際の応用例についても見ていきます。それでは始めましょう。

錠剤検出AIモデルの構築#

Ultralytics YOLO11を錠剤検出用にトレーニングする方法を詳しく見る前に、まず一歩戻って、モデルのトレーニングとは何か、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では、多くの例を見せることでパターンを認識できるようにモデルを学習させます。この場合、データセットは、錠剤の位置を示すラベルが付けられた画像の集合です。このプロセスにより、モデルはこれらの例から学習し、後から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、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しているため、このプロセスをさらに簡単にします。使いやすい人気のデータセットへのアクセスを提供し、錠剤検出などの用途もサポートしています。

例えば、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ワークフローを改善できることを示すために設計された、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開始する前に検討すべきもう1つの要素は、適切な開発環境を選ぶことです。ここでは、人気のある3つの選択肢を紹介します。

• 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たり、コンピューターを操作したりできる、シンプルなテキストベースのツールです。
• Jupyter Notebooks: 小さな単位（セル）でコードを記述・実行できる、よりインタラクティブな環境です。作業しながら簡単にテストやデバッグを行えます。
• Google Colab: Jupyter Notebooksと同様に動作するクラウドベースの選択肢ですが、無料のGPUアクセスを利用できるため、ローカル環境のセットアップを心配する必要がありません。

その他にも、Ultralytics公式ドキュメントでさまざまなセットアップ方法を確認できますが、上記の3つはセットアップと使用が簡単で、すぐに始めるのに適しています。

このガイドでは、Google Colab、Jupyter Notebooks、または基本的なPythonスクリプトを使用してUltralytics 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。これらの環境では、プロセスがほぼ同じだからです。

また、このチュートリアルは、以前取り上げたUltralytics YOLO11による野生動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各手順について詳しく知りたい場合は、そちらもご覧ください。

YOLOによるリアルタイム錠剤検出用データセットの探索#

Medical Pills Datasetには、トレーニング画像92枚と検証画像23枚が含まれており、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用し、検証画像は新しく未知のデータに対するモデルの性能評価に使用します。

データセット内の各画像には、pillsという単一クラス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なしに、錠剤検出のような対象を絞ったタスクに適しています。

図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、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、ゼロから開始する場合でも、このファイルによってプロセスが大幅に簡単になり、すぐに始められます。

Medical Pills Dataset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 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ファイルを作成してください。

次に、以下に示す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。ノートブックベースの環境（Google ColabまたはJupyter）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、次の手順としてMedical Pills Datasetを使ってYOLO11をダウンロードし、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、プロセスは簡単です。

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、ファイル「yolo11n.pt」から事前トレーニング済みのYOLO11モデルを読み込みます。これはnanoモデルで軽量なため推奨されています。

最後に、以下に示すように、モデルにデータセット設定（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回完全に処理する単位）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)

複数のエポックでトレーニングすると、モデルは処理を重ねるごとに学習し、性能を向上させます。進捗の監視やモデルの性能確認に使用できるログとチェックポイントは、「runs/train/」サブフォルダーに保存されます。

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モデルで錠剤を正確に識別できるようになります。最終トレーニング済みモデルの重みは、「runs/detect/train/weights/」サブフォルダー内の「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#

モデルが錠剤検出をどの程度学習できたかを評価するため、次のように検証を実行します。

metrics = model.val()

このプロセスでは、一般的な物体検出メトリクスが返され、モデルの性能を把握できます。主なメトリクス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、正しいものの割合を測定します。
• 再現率: 実際に存在する錠剤のうち、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の両方を組み合わせ、全体的な性能スコアを示すメトリクスです。

これらのメトリクスを組み合わせることで、新しく未知のデータに含まれる錠剤をモデルがどの程度正確に検出でき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、より多くのエポックでトレーニングしたり、学習率（モデル最適化時のステップ幅を制御します）などのトレーニングパラメーターや画像サイズをファインチューニングしたりすることで、性能をさらに向上できる可能性があります。

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、次の手順として、新しく未知の画像に対する性能をテストします。これにより、異なる照明、配置、包装スタイルの錠剤を検出するなど、実際の環境をシミュレートできます。

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済みのUltralytics YOLO11モデルで画像を分析または予測しました。

このサンプル画像、またはその他の関連画像を使用して、実際のシナリオでモデルがどの程度適切に動作するかを評価できます。

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

saveオプションはモデルに出力画像を保存するよう指示し、confidence設定によって、確信度が少なくとも30パーセントある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出力されます。例えば、"Results saved to runs/detect/train."のように表示されます。

出力画像は、錠剤が検出されてバウンディングボックスで強調表示された、ここに示す画像と似たものになります。表示される確信度スコアは、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の実際の応用例#

Medical-Pills Datasetを使ったUltralytics YOLO11のトレーニングと、錠剤検出のための画像推論について見てきたところで、製薬業界におけるYOLO11の実際の応用例を見ていきましょう。

Ultralytics YOLO11による製薬錠剤の仕分け#

Ultralytics YOLO11による錠剤の自動検出は、製薬分野の仕分けに応用できます。手作業による仕分けは時間がかかり、反復的で、医薬品の安全性やコンプライアンスを損なう可能性のあるミスが発生しやすい作業です。

ファインチューニングしたUltralytics YOLO11モデルを使用すると、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・仕分けできます。この自動化によりプロセスが高速化し、製品が厳格な品質基準を満たすことを確保しやすくなるため、製薬業務における有用なツールになります。

図4。 YOLO11を活用した錠剤検出。

Ultralytics YOLO11を活用した在庫監視#

適切な医薬品を適切なタイミングで在庫として確保することは、単なる物流上の作業ではなく、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ります。製薬業界には多くの種類の錠剤と包装のバリエーションがあるため、自動在庫システムによってより正確な記録を維持できます。

スマートな在庫システムでは、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。モデルは画像や動画を使って棚や包装エリアをスキャンし、錠剤を検出・計数できます。商品が追加、取り出し、移動されるなどして在庫レベルが変化すると、システムは数量を自動的に更新できます。

Ultralytics YOLO11が支える製薬品質管理#

医薬品製造では、すべての錠剤が安全で有効であることを確認するために、品質管理が極めて重要です。ひび割れ、形状のばらつき、わずかな色の違いなどの小さな欠陥でも、用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的に検出することで役立ちます。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、薄れた刻印、変色などの問題をリアルタイムで検出します。これにより、不良錠剤を早期に除去でき、廃棄を削減し、品質が保証された医薬品だけを患者に届けられます。

さらに、Ultralytics YOLO11は検査中の錠剤を検出・計数するためにも使用でき、品質監視中の正確な追跡を可能にします。

図5。Ultralytics YOLO11はカプセルの検出と計数に使用できます。

錠剤検出にVision AIを使用するメリットとデメリット#

ビジョンAIを製薬業界に応用する方法を見てきたところで、この分野でコンピュータービジョンを使用する主なメリットを簡単に確認しましょう。

• 予知保全: Ultralytics YOLO11は、錠剤や包装の不整合を識別して、機械の摩耗の初期兆候を検出できます。適切なタイミングで修理を予定でき、予期しない生産停止を防止できます。
• モデル利用のスケーラビリティ: さまざまな錠剤や包装に対応する複数のデータセットでモデルをファインチューニングできます。業務の拡大に合わせて、検査をスケーラブルかつ費用対効果の高い形で実施できます。
• 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。地方のディスペンサー、自動ユニット、遠隔薬局の構成を管理するのに適しています。

製薬業界でビジョンAIを導入することには多くのメリットがありますが、このような技術を使用する際には、いくつかの考慮事項もあります。

• 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、現在のインフラストラクチャとの調整、トレーニング、互換性の確認が必要になる場合があります。
• 規制遵守: 自動システムは、患者の安全と一貫した製品品質を確保するため、厳格な規制基準に従う必要があります。
• エラー管理: 高度なモデルでも、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#

将来的には、AIが臨床試験をより迅速かつ効率的、費用対効果の高いものにするうえで、より大きな役割を果たすと考えられます。AIは、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、研究者は問題が発生した後ではなく、発生時に対応できるようになる可能性があります。AIは、手作業による書類作成を減らし、定型的なチェックを自動化することで、承認プロセスを高速化することもできます。全体として、製薬ワークフローへのAIの統合により、遅延が減少し、新しい治療法へのアクセスが早まる可能性があります。

主なポイント#

Medical Pills DatasetでUltralytics YOLO11をトレーニングすることで、モデルが製薬タスクにいかに迅速かつ効果的に適応できるかがわかります。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の可能性は物流だけにとどまりません。この技術は、錠剤の識別と追跡の一貫性を支援したり、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補助したりすることで、臨床試験にも貢献できる可能性があります。

詳しくは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、さまざまな分野の最先端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、今すぐビジョンAIプロジェクトを始めましょう。