Ultralytics YOLO11을 사용한 알약 탐지 심층 분석

인공지능은 거의 모든 산업에서 활용되고 있지만, 의료 분야, 특히 제약 분야에 미치는 영향은 상당합니다. 올해 제약 분야의 AI 시장 규모는 19억 4천만 달러로 평가되며, 2034년에는 164억 9천만 달러까지 성장할 것으로 예상됩니다.

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

그림 1. 제약 분야 AI 시장 개요입니다.

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

예를 들어 Ultralytics YOLO11은 객체 검출 및 인스턴스 세분화와 같은 실시간 작업을 위해 설계된 컴퓨터 비전 모델이며, 알약 식별이나 의료용 포장 결함 검출과 같은 애플리케이션에 사용할 수 있습니다.

이 글에서는 Ultralytics YOLO11을 학습하여 알약을 검출하는 과정을 통해 비전 AI를 직접 활용하는 방법을 살펴봅니다. 또한 실제 적용 사례도 살펴보겠습니다. 시작하겠습니다!

알약 검출 AI 모델 구축#

Ultralytics YOLO11을 알약 검출에 맞게 학습하는 방법을 살펴보기 전에, 잠시 한 걸음 물러나 모델을 학습한다는 의미와 데이터셋의 역할을 이해해 보겠습니다.

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

Ultralytics Python 패키지는 간소화된 YOLO 파일 형식으로 광범위한 데이터셋을 지원하여 이 과정을 더욱 쉽게 만들어 줍니다. 또한 인기 데이터셋에 간편하게 액세스할 수 있으며 알약 검출과 같은 애플리케이션을 지원합니다.

예를 들어 Medical Pills Dataset은 객체 검출이 품질 관리, 분류, 위조품 검출과 같은 작업을 통해 제약 워크플로를 어떻게 개선할 수 있는지 보여 주기 위해 설계된 전용 개념 증명 데이터셋입니다.

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 입력하여 코드를 실행하고 컴퓨터와 상호 작용할 수 있는 간단한 텍스트 기반 도구입니다.
• Jupyter Notebooks: 코드를 작은 단위(셀)로 작성하고 실행할 수 있는 더욱 대화형 환경으로, 진행하면서 코드를 쉽게 테스트하고 디버깅할 수 있습니다.
• Google Colab: Jupyter Notebooks와 유사하게 작동하는 클라우드 기반 옵션이며, 무료 GPU 액세스라는 추가적인 이점이 있어 로컬에서 별도로 설정할 필요가 없습니다.

공식 Ultralytics 문서에서 살펴볼 수 있는 다른 설정 옵션도 있지만, 위에서 언급한 세 가지는 설정과 사용이 간편하여 빠르게 시작하기에 적합합니다.

이 가이드에서는 각 환경의 과정이 매우 유사하므로 Google Colab, Jupyter Notebooks 또는 기본 Python 스크립트를 사용하여 Ultralytics YOLO11을 설정하고 학습하는 방법에 중점을 둡니다.

또한 이 튜토리얼은 이전에 다룬 Ultralytics YOLO11을 활용한 야생동물 검출 튜토리얼과 매우 유사합니다. 이 코딩 튜토리얼의 단계에 대해 더 자세히 알고 싶다면 해당 내용을 확인해 보세요.

YOLO를 활용한 실시간 알약 검출용 데이터셋 살펴보기#

Medical Pills Dataset에는 학습 이미지 92개와 검증 이미지 23개가 포함되어 있어 모델을 구축하고 테스트하기에 적절한 분할을 제공합니다. 학습 이미지는 모델을 가르치는 데 사용되고, 검증 이미지는 새롭고 보지 못한 데이터에서 모델이 얼마나 잘 작동하는지 평가하는 데 사용됩니다.

데이터셋의 각 이미지에는 알약이라는 하나의 클래스에 대한 라벨이 지정되어 있습니다. 바운딩 박스 어노테이션은 각 알약의 위치를 명확하게 표시하므로, 여러 객체 클래스를 처리해야 하는 복잡성 없이 알약 검출과 같은 집중적인 작업에 적합한 데이터셋입니다.

그림 2. Medical Pills Dataset 미리 보기입니다.

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

알약 데이터셋에서 Ultralytics YOLO 모델 학습하기#

먼저 모델 학습 및 테스트를 위한 환경을 설정합니다. 선호도에 따라 Google Colab, Jupyter Notebooks 또는 간단한 Python 파일을 사용할 수 있습니다. 선택한 환경에서 새 노트북이나 Python 파일을 생성하면 됩니다.

그런 다음 아래에 표시된 명령어를 사용하여 환경을 설정하고 Ultralytics Python 패키지를 설치합니다. 노트북 기반 환경(Google Colab 또는 Jupyter)을 사용하는 경우 다음 명령어 앞에 느낌표(!)를 붙여 실행합니다.

pip install ultralytics

설치가 완료되면 다음 단계는 Medical Pills 데이터셋을 사용하여 YOLO11을 다운로드하고 학습하는 것입니다. 이 데이터셋은 Ultralytics Python 패키지에서 지원되므로 과정이 간단합니다.

모델 학습 과정 이해하기#

먼저 Ultralytics 패키지에서 YOLO 클래스를 가져옵니다. 그런 다음 “yolo11n.pt” 파일에서 사전 학습된 YOLO11 모델을 불러옵니다. 나노 모델이어서 가볍기 때문에 권장되는 모델입니다.

마지막으로 아래와 같이 모델에 데이터셋 구성 파일(medical-pills.yaml)을 지정하고 학습 epoch 수(전체 데이터셋을 한 번 완전히 통과하는 과정)를 100으로 설정하여 학습을 시작합니다.

from ultralytics import YOLO

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

여러 epoch에 걸쳐 학습하면 모델이 각 반복마다 학습하고 성능을 개선할 수 있습니다. 진행 상황을 모니터링하고 모델 성능을 검토하는 데 사용할 수 있는 로그와 체크포인트는 “runs/train/” 하위 폴더에 저장됩니다.

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

모델 학습 후 Ultralytics YOLO11 평가하기#

모델이 알약 검출을 얼마나 잘 학습했는지 평가하려면 다음과 같이 검증을 실행합니다.

metrics = model.val()

이 과정은 일반적인 객체 검출 메트릭을 반환하여 모델 성능을 파악할 수 있도록 합니다. 이러한 메트릭 중 일부를 자세히 살펴보겠습니다.

• 정밀도: 모델이 검출한 알약 중 올바르게 검출된 알약의 비율을 측정합니다.
• 재현율: 실제 알약 중 모델이 성공적으로 식별한 알약의 비율을 나타냅니다.
• 평균 정밀도 (mAP): 다양한 검출 임계값에서 정밀도와 재현율을 모두 결합하여 전반적인 성능 점수를 제공하는 메트릭입니다.

이러한 메트릭을 종합하면 새롭고 보지 못한 데이터에서 모델이 알약을 얼마나 정확하게 검출하는지 전반적으로 파악할 수 있습니다.

모델 성능이 예상만큼 좋지 않다면 더 많은 epoch 동안 학습하거나, 모델 최적화 과정에서 수행하는 단계의 크기를 제어하는 학습률과 같은 다른 학습 매개변수 또는 이미지 크기를 파인튜닝하여 성능을 더욱 향상할 수 있습니다.

사용자 지정 학습 Ultralytics YOLO11 모델로 추론 실행#

Ultralytics YOLO11 모델의 학습과 평가가 완료되면 다음 단계는 새롭고 보지 못한 이미지에서 얼마나 잘 작동하는지 테스트하는 것입니다. 이를 통해 다양한 조명, 배치 또는 포장 형태에서 알약을 검출하는 것과 같은 실제 환경을 시뮬레이션할 수 있습니다.

모델을 테스트하기 위해 무료 스톡 이미지 웹사이트인 Pexels에서 샘플 이미지를 다운로드하고, 아래 코드 스니펫과 같이 맞춤 학습된 Ultralytics YOLO11 모델을 사용하여 이미지를 분석하거나 예측을 실행했습니다.

이 샘플 이미지 또는 다른 관련 이미지를 사용하여 실제 시나리오에서 모델이 얼마나 잘 작동하는지 평가할 수 있습니다.

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

save 옵션은 모델이 출력 이미지를 저장하도록 지정하고, confidence 설정은 확률이 30% 이상인 예측만 결과에 포함되도록 합니다.

예측을 실행하면 저장된 이미지의 위치를 알려 주는 메시지가 출력됩니다. 예를 들면 "Results saved to runs/detect/train."과 같습니다.

출력 이미지는 여기에 표시된 이미지와 유사하며, 알약이 검출되어 바운딩 박스로 강조 표시됩니다. 표시된 confidence 점수는 각 검출 결과의 확신 수준을 나타냅니다.

그림 3. Ultralytics YOLO11을 활용한 알약 검출입니다.

제약 분야에서 Ultralytics YOLO11을 활용한 실제 애플리케이션#

이제 Medical-Pills Dataset을 사용하여 Ultralytics YOLO11을 학습하고 알약 검출을 위해 이미지에서 추론을 실행하는 방법을 살펴보았으므로, YOLO11의 제약 산업 내 실제 애플리케이션을 살펴보겠습니다.

Ultralytics YOLO11을 활용한 제약 알약 분류#

Ultralytics YOLO11을 활용한 자동 알약 검출은 제약 제품 분류에 적용할 수 있습니다. 수동 분류는 느리고 반복적이며, 의약품의 안전성과 규정 준수를 저해할 수 있는 오류가 발생하기 쉽습니다.

파인튜닝된 Ultralytics YOLO11 모델을 사용하면 크기, 형태, 색상과 같은 시각적 특성을 기준으로 알약을 정확하게 검출하고 분류할 수 있습니다. 이러한 자동화는 공정을 가속화하고 제품이 엄격한 품질 기준을 충족하도록 지원하므로 제약 운영에서 가치 있는 도구가 됩니다.

그림 4. YOLO11을 활용한 알약 검출입니다.

Ultralytics YOLO11을 활용한 재고 모니터링#

적절한 의약품을 제때 비축하는 일은 단순한 물류 작업을 넘어 환자 치료와 비용에 영향을 미칠 수 있습니다. 중요한 알약의 재고가 부족하면 치료가 지연될 수 있고, 과잉 비축하면 의약품이 만료되어 재고가 낭비될 수 있습니다. 제약 산업에는 다양한 종류의 알약과 포장 형태가 존재하므로 자동화된 재고 시스템을 통해 더욱 정확한 기록을 유지할 수 있습니다.

스마트 재고 시스템은 Ultralytics YOLO11과 같은 컴퓨터 비전 모델을 사용하여 재고 수준을 실시간으로 모니터링할 수 있습니다. 모델은 이미지나 동영상을 사용하여 선반과 포장 영역을 스캔하고 알약을 검출하고 개수를 셀 수 있습니다. 품목이 추가, 제거 또는 이동되어 재고 수준이 변하면 시스템이 개수를 자동으로 업데이트할 수 있습니다.

Ultralytics YOLO11이 이끄는 제약 품질 관리#

제약 생산에서는 모든 알약이 안전하고 효과적인지 확인하기 위해 품질 관리가 매우 중요합니다. 균열, 고르지 않은 형태 또는 미세한 색상 변화와 같은 작은 결함도 용량 오류나 제품 리콜로 이어질 수 있습니다.

Ultralytics YOLO11은 품질 기준을 충족하지 못하는 알약을 자동으로 검출하여 도움을 줄 수 있습니다. 모델은 시각적 특징을 학습하고 바운딩 박스를 사용하여 깨짐, 흐려진 각인 또는 변색과 같은 문제를 실시간으로 표시할 수 있습니다. 이를 통해 결함이 있는 알약을 조기에 제거하여 폐기물을 줄이고 품질이 보증된 의약품만 환자에게 전달되도록 할 수 있습니다.

또한 Ultralytics YOLO11은 검사 과정에서 알약을 검출하고 개수를 세는 데 사용할 수 있어 품질을 모니터링하면서 정확하게 추적할 수 있습니다.

그림 5. Ultralytics YOLO11은 캡슐을 검출하고 개수를 세는 데 사용할 수 있습니다.

알약 검출에 Vision AI를 사용할 때의 장단점#

지금까지 비전 AI를 제약 산업에 적용하는 방법을 살펴보았습니다. 이제 이 분야에서 컴퓨터 비전을 사용할 때의 주요 이점을 간단히 살펴보겠습니다.

• 예측 유지보수: Ultralytics YOLO11은 알약이나 포장의 불일치를 식별하여 기계 마모의 초기 징후를 검출하는 데 사용할 수 있습니다. 적시에 수리 일정을 수립하고 계획되지 않은 생산 중단을 방지하는 데 도움이 됩니다.
• 확장 가능한 모델 활용: 다양한 알약과 포장에 맞게 여러 데이터셋에서 모델을 파인튜닝할 수 있습니다. 운영 규모가 커져도 검사를 확장 가능하고 비용 효율적으로 수행할 수 있습니다.
• 원격 모니터링: 클라우드 시스템 및 엣지 디바이스와 통합하면 실시간 품질 검사를 수행할 수 있으며, 농촌 지역의 디스펜서, 자동화 장치 및 원격 원격약국 설정을 관리하는 데 적합합니다.

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

• 운영 통합: AI 시스템을 기존 워크플로에 통합하려면 현재 인프라에 맞게 조정하고, 교육을 실시하며, 호환성을 확인해야 할 수 있습니다.
• 규정 준수: 자동화 시스템은 환자 안전과 일관된 제품 품질을 보장하기 위해 엄격한 규제 기준을 준수해야 합니다.
• 오류 관리: 고급 모델도 false positive 또는 false negative를 생성할 수 있습니다. 이러한 오류를 처리하고 수정할 수 있는 프로세스를 마련하는 것이 중요합니다.

AI 제약 워크플로의 미래#

앞으로 AI는 임상시험을 더욱 빠르고 지능적이며 비용 효율적으로 만드는 데 더 큰 역할을 할 가능성이 높습니다. 더 나은 시험 프로토콜을 설계하고, 적절한 환자 그룹을 선택하며, 데이터를 실시간으로 모니터링하는 데 도움을 줄 수 있습니다.

이를 통해 연구자들은 문제가 발생한 후가 아니라 발생하는 즉시 대응할 수 있습니다. 또한 AI는 수동 서류 작업을 줄이고 일상적인 검사를 자동화하여 승인 절차를 가속화할 수 있습니다. 전반적으로 AI를 제약 워크플로에 통합하면 지연을 줄이고 새로운 치료법에 더 빠르게 접근할 수 있습니다.

핵심 요점#

Medical Pills Dataset에서 Ultralytics YOLO11을 학습한 결과, 모델이 제약 작업에 얼마나 빠르고 효과적으로 적응할 수 있는지 확인할 수 있습니다. 작은 데이터셋만으로도 알약을 정확하게 검출할 수 있어 분류, 품질 관리, 재고 추적과 같은 작업에 유용합니다.

데이터셋이 커지고 모델이 개선되면 제약 분야에서 비전 AI의 잠재력은 단순한 물류를 넘어섭니다. 이 기술은 일관된 알약 식별 및 추적을 지원하고 연구자들이 새로운 약물 조합을 안전하게 테스트하도록 도움으로써 임상시험에도 기여할 수 있습니다.

자세한 내용은 GitHub 저장소를 살펴보고, 성장하는 커뮤니티에 참여해 보세요. 농업 분야의 AI부터 의료 분야의 컴퓨터 비전까지 다양한 분야의 최첨단 혁신을 확인해 보세요. 라이선스 옵션을 살펴보고 지금 바로 비전 AI 프로젝트를 시작해 보세요.