Ultralytics YOLO11을 사용한 알약 감지 심층 분석

인공지능은 거의 모든 산업 분야에서 활용되고 있지만, 헬스케어, 특히 제약 분야에 미치는 영향은 상당히 큽니다. 올해 제약 분야 AI 시장 규모는 19억 4천만 달러이며, 2034년에는 164억 9천만 달러까지 성장할 것으로 예상됩니다.

이 시장의 핵심 기술 동력은 컴퓨터 비전입니다. 기존 이미지 처리와 달리 컴퓨터 비전은 AI의 하위 분야로, 기계가 시각 데이터를 실시간으로 이해하고 분석할 수 있도록 합니다.

그림 1. 제약 시장에서의 AI 개요.

아주 작은 오류도 심각한 결과를 초래할 수 있는 제약 산업에서 비전 AI는 안전성과 정밀도를 개선할 수 있는 새롭고 신뢰할 만한 방법을 제공합니다.

예를 들어, Ultralytics YOLO11은 객체 감지 및 인스턴스 분할과 같은 실시간 작업을 위해 설계된 컴퓨터 비전 모델이며, 알약 식별이나 의료용 포장재의 결함 감지와 같은 애플리케이션에 사용할 수 있습니다.

이 글에서는 Ultralytics YOLO11을 학습해 알약을 감지하면서 비전 AI를 직접 다루는 방법을 안내합니다. 실제 환경에서의 적용 사례도 살펴보겠습니다.

알약 감지 AI 모델 구축#

Ultralytics YOLO11을 학습시켜 알약을 감지하는 방법을 살펴보기 전에, 잠시 한 걸음 물러서서 모델을 학습시킨다는 것이 무엇을 의미하는지와 데이터셋의 역할을 알아보겠습니다.

모델 학습은 다양한 예시를 보여 주어 패턴을 인식하도록 가르치는 과정입니다. 여기서 데이터셋은 알약이 있는 위치를 나타내는 라벨이 각 이미지에 지정된 이미지 모음입니다. 이 과정을 통해 모델은 예시에서 학습하고, 이후 새로운 이미지에서 알약을 식별할 수 있습니다.

Ultralytics Python 패키지는 다양한 데이터셋을 간소화된 YOLO 파일 형식으로 지원해 이 과정을 더욱 쉽게 만듭니다. 인기 데이터셋에 간편하게 접근할 수 있으며 알약 감지와 같은 애플리케이션도 지원합니다.

예를 들어, Medical Pills Dataset은 품질 관리, 분류, 위조품 감지와 같은 작업을 통해 객체 감지가 제약 업무 흐름을 어떻게 개선할 수 있는지 보여 주기 위해 마련된 개념 증명용 데이터 모음입니다.

개발 환경 선택#

Ultralytics Python 패키지로 학습을 시작하기 전에 고려해야 할 또 다른 요소는 적절한 개발 환경을 선택하는 것입니다. 다음은 널리 사용되는 세 가지 옵션입니다.

• 명령줄 인터페이스(CLI): CLI 또는 터미널은 명령어를 입력해 코드를 실행하고 컴퓨터와 상호작용할 수 있는 간단한 텍스트 기반 도구입니다.
• Jupyter Notebooks: 코드를 작은 단위(셀)로 작성하고 실행할 수 있는 더욱 대화형인 환경으로, 작업을 진행하면서 쉽게 테스트하고 디버깅할 수 있습니다.
• Google Colab: Jupyter Notebooks와 비슷한 클라우드 기반 옵션이지만, GPU를 무료로 사용할 수 있다는 추가 이점이 있어 로컬 환경을 설정할 필요가 없습니다.

다른 설정 옵션은 Ultralytics 공식 문서에서 확인할 수 있지만, 위에서 언급한 세 가지 옵션은 설정과 사용이 간편해 빠르게 시작하기에 적합합니다.

이 가이드에서는 각 환경의 과정이 상당히 비슷하므로 Google Colab, Jupyter Notebooks 또는 기본 Python 스크립트를 사용해 Ultralytics YOLO11을 설정하고 학습시키는 방법을 중점적으로 살펴보겠습니다.

또한 이 튜토리얼은 이전에 다룬 Ultralytics YOLO11을 사용한 야생 동물 감지 튜토리얼과 상당히 비슷합니다. 이 코딩 튜토리얼의 각 단계에 대한 자세한 내용이 궁금하다면 해당 튜토리얼을 확인해 보세요.

YOLO를 활용한 실시간 알약 감지 데이터셋 살펴보기#

Medical Pills Dataset에는 학습 이미지 92장과 검증 이미지 23장이 포함되어 있어 모델 구축과 테스트에 적합하게 분리되어 있습니다. 학습 이미지는 모델을 가르치는 데 사용되며, 검증 이미지는 모델이 접하지 않은 새로운 데이터에서 얼마나 잘 작동하는지 평가하는 데 사용됩니다.

데이터셋의 각 이미지에는 알약이라는 단일 클래스의 라벨이 지정되어 있습니다. 바운딩 박스 주석은 각 알약의 위치를 명확하게 표시하므로, 여러 객체 클래스를 처리하는 복잡성 없이 알약 감지와 같은 특정 작업에 적합합니다.

그림 2. Medical Pills Dataset 미리 보기.

YOLO11 학습을 지원하기 위해 Ultralytics는 모델 학습에 필요한 파일 경로, 클래스 이름, 메타데이터와 같은 주요 매개변수를 정의하는 YAML 구성 파일을 제공합니다. 사전 학습된 모델을 미세 조정하거나 처음부터 시작하는 경우 모두 이 파일을 사용하면 과정이 훨씬 간단해지고 빠르게 시작할 수 있습니다.

알약 데이터셋으로 Ultralytics YOLO 모델 학습하기#

먼저 모델을 학습하고 테스트할 환경을 설정하겠습니다. 원하는 환경에 따라 Google Colab, Jupyter Notebooks 또는 간단한 Python 파일을 사용할 수 있습니다. 선택한 환경에서 새 노트북이나 Python 파일을 만들면 됩니다.

그런 다음 아래 명령어를 사용해 환경을 설정하고 Ultralytics Python 패키지를 설치할 수 있습니다. 노트북 기반 환경(Google Colab 또는 Jupyter)을 사용하는 경우, 다음 명령어의 맨 앞에 느낌표(!)를 붙여 실행하세요.

pip install ultralytics

설치한 후 다음 단계는 Medical Pills 데이터셋을 다운로드하고 YOLO11을 학습하는 것입니다. 이 데이터셋은 Ultralytics Python 패키지에서 지원되므로 과정이 간단합니다.

모델 학습 과정 이해하기#

먼저 Ultralytics 패키지에서 YOLO 클래스를 가져올 수 있습니다. 그런 다음 경량 nano 모델이므로 권장되는 “yolo11n.pt” 파일의 사전 학습된 YOLO11n 모델을 불러올 수 있습니다.

마지막으로 아래와 같이 모델이 데이터셋 구성 파일(medical-pills.yaml)을 사용하도록 지정하고 학습 에포크 수(전체 데이터셋을 한 번 완전히 처리하는 횟수)를 100으로 설정해 학습을 시작할 수 있습니다.

from ultralytics import YOLO

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

여러 에포크에 걸쳐 학습하면 모델이 반복 학습을 통해 성능을 개선할 수 있습니다. 진행 상황을 모니터링하고 모델 성능을 검토하는 데 사용할 수 있는 로그와 체크포인트는 “runs/detect/train/” 하위 폴더에 저장됩니다.

학습이 완료되면 맞춤 학습된 YOLO11 모델은 알약을 정확하게 식별할 수 있어야 합니다. 최종 학습된 모델 가중치는 “runs/detect/train/weights/” 하위 폴더에서 “best.pt”라는 이름으로 찾을 수 있습니다.

모델 학습 후 Ultralytics YOLO11 평가하기#

모델이 알약 감지를 얼마나 잘 학습했는지 평가하려면 다음과 같이 검증을 실행할 수 있습니다.

metrics = model.val()

이 과정에서는 모델 성능을 파악하는 데 도움이 되는 일반적인 객체 감지 지표가 반환됩니다. 다음은 이러한 지표 중 일부를 자세히 살펴본 내용입니다:

• 정밀도: 모델이 감지한 알약 중 실제로 알약인 비율을 측정합니다.
• 재현율: 실제 알약 중 모델이 성공적으로 식별한 비율을 나타냅니다.
• 평균 정밀도(mAP): 다양한 감지 임계값에서 정밀도와 재현율을 모두 결합해 전반적인 성능 점수를 산출하는 지표입니다.

이러한 지표를 종합하면 모델이 접하지 않은 새로운 데이터에서 알약을 얼마나 정확하게 감지하는지 포괄적으로 파악할 수 있습니다.

모델 성능이 기대에 미치지 못한다면 에포크를 늘려 학습하거나 학습률과 같은 다른 학습 매개변수를 미세 조정해 볼 수 있습니다. 학습률은 모델 최적화 과정에서 이동하는 단계의 크기를 제어하며, 이미지 크기를 조정하면 성능을 추가로 개선할 수 있습니다.

사용자 지정 학습한 Ultralytics YOLO11 모델로 추론 실행하기#

Ultralytics YOLO11 모델을 학습하고 평가한 후에는 접하지 않은 새로운 이미지에서 모델이 얼마나 잘 작동하는지 테스트해야 합니다. 이를 통해 다양한 조명, 배치 또는 포장 형태에서 알약을 감지하는 등 실제 환경을 시뮬레이션할 수 있습니다.

모델을 테스트하기 위해 무료 스톡 이미지 웹사이트인 Pexels에서 샘플 이미지를 다운로드한 다음, 아래 코드 조각과 같이 커스텀 학습한 Ultralytics YOLO11 모델로 예측을 실행했습니다.

이 샘플 이미지나 관련된 다른 이미지를 사용해 실제 상황에서 모델이 얼마나 잘 작동하는지 평가할 수 있습니다.

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

save 옵션은 모델에 출력 이미지를 저장하도록 지시하고, confidence 설정은 확신도가 30% 이상인 예측만 결과에 포함되도록 합니다.

예측을 실행하면 저장된 이미지의 위치를 알려주는 메시지가 출력됩니다. 예를 들면 "Results saved to runs/detect/predict."와 같습니다.

출력 이미지는 여기에 표시된 이미지와 비슷하며, 알약이 감지되어 바운딩 박스로 강조 표시됩니다. 표시된 신뢰도 점수는 각 감지 결과의 확신 수준을 나타냅니다.

그림 3. Ultralytics YOLO11을 사용한 알약 감지.

제약 분야에서 Ultralytics YOLO11을 활용하는 실제 사례#

Medical-Pills Dataset을 사용해 Ultralytics YOLO11을 학습시키고 알약 감지를 위한 이미지 추론을 실행하는 방법을 살펴보았으니, 이제 제약 산업에서 YOLO11이 활용되는 실제 사례를 알아보겠습니다.

Ultralytics YOLO11을 활용한 제약 알약 분류#

Ultralytics YOLO11을 활용한 알약 자동 감지는 제약품 분류에 적용할 수 있습니다. 수동 분류는 대개 느리고 반복적이며, 의약품 안전성과 규정 준수를 저해할 수 있는 오류가 발생하기 쉽습니다.

미세 조정된 Ultralytics YOLO11 모델을 사용하면 크기, 모양, 색상과 같은 시각적 특성을 기준으로 알약을 정확하게 감지하고 분류할 수 있습니다. 이 자동화는 작업 속도를 높이고 제품이 엄격한 품질 기준을 충족하도록 지원하므로 제약 운영에 유용한 도구가 됩니다.

그림 4. YOLO11을 활용한 알약 감지.

Ultralytics YOLO11을 활용한 재고 모니터링#

적절한 의약품 재고를 제때 확보하는 일은 단순한 물류 업무를 넘어 환자 진료와 비용에도 영향을 줄 수 있습니다. 필수 알약의 재고가 부족하면 치료가 지연될 수 있으며, 재고가 지나치게 많으면 의약품이 만료되고 재고가 낭비될 수 있습니다. 제약 산업에는 다양한 종류의 알약과 포장 형태가 있으므로 자동화된 재고 시스템을 활용하면 기록의 정확도를 높일 수 있습니다.

스마트 재고 시스템은 Ultralytics YOLO11과 같은 컴퓨터 비전 모델을 사용해 재고 수준을 실시간으로 모니터링할 수 있습니다. 모델은 이미지나 비디오를 사용해 선반과 포장 구역을 스캔하고 알약을 감지하고 셀 수 있습니다. 품목이 추가되거나 제거되거나 이동되는 등 재고 수준이 바뀌면 시스템이 수량을 자동으로 업데이트할 수 있습니다.

Ultralytics YOLO11 기반 제약 품질 관리#

제약 생산에서 품질 관리는 모든 알약의 안전성과 효능을 보장하는 데 필수적입니다. 균열, 고르지 않은 모양, 미세한 색상 차이와 같은 사소한 결함도 복용량 오류나 제품 리콜로 이어질 수 있습니다.

Ultralytics YOLO11은 품질 기준을 충족하지 않는 알약을 자동으로 감지하는 데 도움을 줍니다. 모델은 시각적 특징을 학습하고 경계 상자를 사용해 깨짐, 흐릿해진 각인, 변색과 같은 문제를 실시간으로 표시합니다. 이를 통해 불량 알약을 조기에 제거하여 폐기물을 줄이고 품질이 보장된 의약품만 환자에게 전달되도록 할 수 있습니다.

또한 Ultralytics YOLO11을 사용하면 검사 중인 알약을 감지하고 계수하여 품질을 모니터링하는 동안 정확하게 추적할 수 있습니다.

그림 5. Ultralytics YOLO11을 사용해 캡슐을 감지하고 계수할 수 있습니다.

알약 감지에 비전 AI를 활용할 때의 장단점#

제약 산업에서 비전 AI를 어떻게 활용할 수 있는지 살펴보았으니, 이제 이 분야에서 컴퓨터 비전을 사용할 때 얻을 수 있는 주요 이점을 간단히 알아보겠습니다:

• 예지 정비: Ultralytics YOLO11은 알약이나 포장의 불일치를 식별해 기계 마모의 초기 징후를 감지하는 데 사용할 수 있습니다. 적시에 수리 일정을 계획하고 예기치 않은 생산 중단을 방지하는 데 도움이 됩니다.
• 확장 가능한 모델 활용: 다양한 알약과 포장에 맞춰 여러 데이터셋으로 모델을 미세 조정할 수 있습니다. 운영 규모가 커져도 검사 작업을 확장하고 비용 효율적으로 운영할 수 있습니다.
• 원격 모니터링: 클라우드 시스템 및 엣지 디바이스와 통합하면 실시간 품질 검사를 수행할 수 있으며, 농촌 지역의 약품 조제소, 자동화 장치, 원격 원격 약국 운영을 관리하는 데 적합합니다.

제약 산업에 비전 AI를 도입하면 많은 이점을 얻을 수 있지만, 이러한 기술을 사용할 때 고려해야 할 사항도 있습니다.

• 운영 통합: AI 시스템을 기존 업무 흐름에 통합하려면 조정, 교육, 현재 인프라와의 호환성 점검이 필요할 수 있습니다.
• 규제 준수: 자동화 시스템은 환자 안전과 일관된 제품 품질을 보장하기 위해 엄격한 규제 기준을 준수해야 합니다.
• 오류 관리: 고도화된 모델도 오탐이나 미탐을 발생시킬 수 있습니다. 이러한 오류를 처리하고 수정할 절차를 마련하는 것이 중요합니다.

AI 기반 제약 업무 흐름의 미래#

앞으로 AI는 임상시험을 더 빠르고 효율적이며 비용 효과적으로 진행하는 데 더 큰 역할을 할 것으로 보입니다. AI는 더 나은 시험 프로토콜을 설계하고, 적절한 환자 그룹을 선정하며, 데이터를 실시간으로 모니터링하는 데 도움을 줄 수 있습니다.

이를 통해 연구자는 문제가 발생한 뒤가 아니라 발생하는 즉시 대응할 수 있습니다. 또한 AI는 수작업 문서를 줄이고 정기적인 점검을 자동화하여 승인 절차를 앞당길 수 있습니다. 전반적으로 AI를 제약 업무 흐름에 통합하면 지연을 줄이고 새로운 치료법에 더 빠르게 접근할 수 있습니다.

핵심 요점#

Medical Pills Dataset을 사용한 Ultralytics YOLO11 학습은 모델이 제약 작업에 얼마나 빠르고 효과적으로 적응할 수 있는지 보여 줍니다. 데이터셋이 작더라도 알약을 정확하게 감지할 수 있어 분류, 품질 관리, 재고 추적과 같은 작업에 유용합니다.

데이터셋이 커지고 모델이 개선되면 제약 분야에서 비전 AI의 잠재력은 물류를 넘어섭니다. 이 기술은 알약을 일관되게 식별하고 추적하는 작업을 지원하고 연구자가 새로운 약물 조합을 안전하게 시험하도록 도와 임상시험에도 기여할 수 있습니다.

자세한 내용을 알아보고 성장하는 커뮤니티의 일원이 되려면 GitHub 저장소를 살펴보세요. 농업 분야의 AI부터 의료 분야의 컴퓨터 비전까지 다양한 분야의 혁신 사례를 확인해 보세요. 라이선스 옵션을 살펴보고 지금 비전 AI 프로젝트를 시작하세요.