이 코딩 튜토리얼에서는 Medical-Pills 데이터 세트를 사용하여 YOLO11로 알약을 감지하는 방법을 배웁니다. 또한 잠재적인 응용 분야와 이점에 대해서도 살펴봅니다.
YOLO Vision 2025를 놓치지 마세요!
2025년 9월 25일
10:00 — 18:00 BST
하이브리드 이벤트
이 코딩 튜토리얼에서는 Medical-Pills 데이터 세트를 사용하여 YOLO11로 알약을 감지하는 방법을 배웁니다. 또한 잠재적인 응용 분야와 이점에 대해서도 살펴봅니다.
인공 지능은 거의 모든 산업 분야에서 사용되고 있지만, 특히 제약 분야에서 의료에 미치는 영향은 매우 큽니다. 올해 제약 분야의 AI 시장은 19억 4천만 달러로 평가되며, 2034년까지 164억 9천만 달러로 성장할 것으로 예상됩니다.
이 시장의 핵심 기술 동인은 컴퓨터 비전입니다. 기존의 이미지 처리와 달리 컴퓨터 비전은 기계가 시각적 데이터를 실시간으로 이해하고 분석할 수 있도록 하는 AI의 하위 분야입니다.
가장 작은 오류도 심각한 결과를 초래할 수 있는 제약 산업에서 Vision AI는 안전성과 정확성을 향상시킬 수 있는 새롭고 신뢰할 수 있는 방법을 제공합니다.
예를 들어 Ultralytics YOLO11은 객체 감지 및 인스턴스 분할과 같은 실시간 작업을 위해 설계된 컴퓨터 비전 모델로, 알약 식별 또는 의료 포장의 결함 감지와 같은 애플리케이션에 사용할 수 있습니다.
이 기사에서는 YOLO11을 훈련하여 알약을 감지함으로써 Vision AI를 직접 체험하는 방법을 안내합니다. 또한 실제 응용 분야도 살펴봅니다. 시작해 보겠습니다!
YOLO11을 훈련하여 알약을 감지하는 방법을 살펴보기 전에 한 걸음 물러서서 모델 훈련이 무엇을 의미하는지, 그리고 데이터 세트의 역할이 무엇인지 이해해 보겠습니다.
모델 훈련은 모델에 많은 예제를 보여줌으로써 패턴을 인식하도록 가르치는 것을 의미합니다. 이 경우 데이터 세트는 각 이미지가 알약의 위치를 나타내도록 레이블이 지정된 이미지 모음입니다. 이 프로세스는 모델이 이러한 예제로부터 학습하여 나중에 새 이미지에서 알약을 식별할 수 있도록 도와줍니다.
Ultralytics Python 패키지는 간소화된 YOLO 파일 형식으로 광범위한 데이터 세트를 지원하여 이 프로세스를 더욱 쉽게 만들어 줍니다. 이 패키지는 인기 있는 데이터 세트에 대한 번거로움 없는 액세스를 제공하고 알약 감지와 같은 애플리케이션에 대한 지원을 제공합니다.
예를 들어, Medical Pills Dataset은 객체 감지가 품질 관리, 분류 및 위조품 감지와 같은 작업을 통해 제약 워크플로를 개선할 수 있는 방법을 보여주기 위해 설계된 전용 개념 증명 컬렉션입니다.
Ultralytics Python 패키지로 훈련을 시작하기 전에 고려해야 할 또 다른 요소는 올바른 개발 환경을 선택하는 것입니다. 다음은 세 가지 인기 있는 옵션입니다.
공식 Ultralytics 문서에서 탐색할 수 있는 다른 설정 옵션도 있지만, 위에 언급된 세 가지 옵션은 설정 및 사용이 간편하여 빠르게 시작하기에 좋습니다.
이 가이드에서는 Google Colab, Jupyter Notebooks 또는 기본 Python 스크립트를 사용하여 YOLO11을 설정하고 훈련하는 방법에 중점을 둘 것입니다. 이러한 각 환경에서 프로세스가 매우 유사하기 때문입니다.
또한 이 튜토리얼은 이전에 YOLO11을 사용하여 야생 동물을 감지하는 방법에 대해 다룬 튜토리얼과 매우 유사합니다. 이 코딩 튜토리얼의 단계에 대한 자세한 내용에 관심이 있다면 확인해 보십시오.
Medical Pills Dataset에는 92개의 훈련 이미지와 23개의 검증 이미지가 포함되어 있어 모델 구축 및 테스트를 위한 견고한 분할을 제공합니다. 훈련 이미지는 모델을 가르치는 데 사용되는 반면, 검증 이미지는 모델이 새로운 미확인 데이터에서 얼마나 잘 수행되는지 평가하는 데 도움이 됩니다.
데이터 세트의 각 이미지는 단일 클래스인 알약에 대해 레이블이 지정됩니다. 경계 상자 어노테이션은 각 알약의 위치를 명확하게 표시하여 여러 객체 클래스를 처리하는 복잡성 없이 알약 감지와 같은 집중적인 작업에 데이터 세트를 이상적으로 만듭니다.
YOLO11을 사용한 학습을 지원하기 위해 Ultralytics는 모델 학습에 필요한 파일 경로, 클래스 이름, 메타데이터와 같은 주요 파라미터를 정의하는 YAML 구성 파일을 제공합니다. 사전 학습된 모델을 미세 조정하든 처음부터 시작하든, 이 파일을 사용하면 프로세스가 훨씬 간단해지고 빠르게 시작할 수 있습니다.
시작하려면 모델 학습 및 테스트를 위한 환경을 설정합니다. Google Colab, Jupyter Notebook 또는 기본 Python 파일 중에서 원하는 것을 선택할 수 있습니다. 선택한 환경에서 새 노트북 또는 Python 파일을 만드십시오.
그런 다음 아래 표시된 명령을 사용하여 환경을 설정하고 Ultralytics Python 패키지를 설치할 수 있습니다. 노트북 기반 환경(Google Colab 또는 Jupyter)을 사용하는 경우, 다음 명령을 시작 부분에 느낌표(!)와 함께 실행하십시오.
pip install ultralytics설치가 완료되면 다음 단계는 Medical Pills 데이터 세트를 사용하여 YOLO11을 다운로드하고 학습하는 것입니다. 데이터 세트는 Ultralytics Python 패키지에서 지원되므로 프로세스가 간단합니다.
먼저 Ultralytics 패키지에서 YOLO 클래스를 가져올 수 있습니다. 그런 다음 나노 모델이고 가볍기 때문에 권장되는 파일 “yolo11n.pt”에서 사전 학습된 YOLO11 모델을 로드할 수 있습니다.
마지막으로 모델이 데이터 세트 구성(medical-pills.yaml)을 가리키도록 하고 아래와 같이 학습 epoch 수(전체 데이터 세트를 한 번 완전히 통과하는 횟수)를 100으로 설정하여 학습 프로세스를 시작할 수 있습니다.
from ultralytics import YOLO
model = YOLO("yolo11n.pt")
results = model.train(data="medical-pills.yaml", epochs=100)여러 epoch 동안 학습하면 모델이 각 패스를 통해 성능을 학습하고 향상시킬 수 있습니다. 진행 상황을 모니터링하고 모델 성능을 검토하는 데 사용할 수 있는 “runs/train/” 하위 폴더에 저장된 로그 및 체크포인트를 찾을 수 있습니다.
학습이 완료되면 사용자 지정 학습된 YOLO11 모델은 알약을 정확하게 식별할 수 있어야 합니다. “runs/detect/train/weights/” 하위 폴더에서 “best.pt”라는 이름으로 최종 학습된 모델 가중치를 찾을 수 있습니다.
모델이 알약 감지 방법을 얼마나 잘 학습했는지 평가하기 위해 다음과 같이 유효성 검사를 실행할 수 있습니다.
metrics = model.val()이 프로세스는 모델 성능에 대한 통찰력을 제공하는 일반적인 객체 감지 메트릭을 반환합니다. 다음은 이러한 메트릭 중 일부를 자세히 살펴본 것입니다.
이러한 메트릭은 함께 모델이 새로운 미지의 데이터에서 알약을 얼마나 정확하게 감지하는지에 대한 포괄적인 보기를 제공합니다.
모델 성능이 예상만큼 좋지 않으면 모델 최적화 중에 수행되는 단계의 크기를 제어하는 학습률 또는 이미지 크기와 같은 다른 학습 파라미터를 더 많은 epoch 동안 학습하거나 미세 조정하여 성능을 더욱 향상시킬 수 있습니다.
YOLO11 모델을 학습하고 평가한 후 다음 단계는 새롭고 보이지 않는 이미지에서 모델이 얼마나 잘 수행되는지 테스트하는 것입니다. 이는 다양한 조명, 배열 또는 포장 스타일로 알약을 감지하는 것과 같은 실제 조건을 시뮬레이션하는 데 도움이 됩니다.
모델을 테스트하기 위해 무료 스톡 이미지 웹사이트인 Pexels에서 샘플 이미지를 다운로드하고 아래 코드 스니펫에 표시된 대로 사용자 지정 학습된 YOLO11 모델을 사용하여 이미지를 분석하거나 예측을 실행했습니다.
이 샘플 이미지 또는 기타 관련 이미지를 사용하여 모델이 실제 시나리오에서 얼마나 잘 수행되는지 평가할 수 있습니다.
results = model.predict("path/to/image.jpg", save=True, conf=0.3)저장 옵션은 모델에 출력 이미지를 저장하도록 지시하고 신뢰도 설정은 최소 30%의 확실성을 가진 예측만 결과에 포함되도록 합니다.
예측을 실행하면 저장된 이미지의 위치를 알려주는 메시지가 출력에 표시됩니다(예: "결과가 runs/detect/train에 저장됨").
출력 이미지는 여기에 표시된 이미지와 유사하며, 알약이 감지되어 경계 상자를 사용하여 강조 표시됩니다. 표시된 신뢰도 점수는 각 감지에 대한 확실성 수준을 나타냅니다.
Medical-Pills 데이터 세트를 사용하여 YOLO11을 학습시키고 알약 감지를 위해 이미지에 대한 추론을 실행하는 방법을 살펴보았으므로, 제약 산업에서 YOLO11의 실제 응용 사례를 살펴보겠습니다.
YOLO11을 사용한 자동 알약 감지는 제약 분류에 적용할 수 있습니다. 수동 분류는 종종 느리고 반복적이며 약물 안전 및 규정 준수를 저해할 수 있는 오류가 발생하기 쉽습니다.
미세 조정된 YOLO11 모델을 사용하면 크기, 모양 및 색상과 같은 시각적 속성을 기반으로 알약을 정확하게 감지하고 분류할 수 있습니다. 이 자동화는 프로세스 속도를 높이고 제품이 엄격한 품질 표준을 충족하도록 보장하여 제약 운영에서 귀중한 도구가 됩니다.
적시에 올바른 약물을 비축하는 것은 단순한 물류 작업 그 이상이며 환자 치료 및 비용에 영향을 미칠 수 있습니다. 중요한 알약이 부족하면 치료가 지연될 수 있고, 과잉 재고는 유효 기간이 지난 약물과 재고 낭비로 이어질 수 있습니다. 제약 산업에는 수많은 종류의 알약과 포장 변형이 있으므로 자동화된 재고 시스템을 통해 더 정확한 기록을 얻을 수 있습니다.
스마트 재고 시스템은 Ultralytics YOLO11과 같은 컴퓨터 비전 모델을 사용하여 실시간으로 재고 수준을 모니터링할 수 있습니다. 이 모델은 이미지나 비디오를 사용하여 선반과 포장 영역을 스캔하여 알약을 감지하고 계산할 수 있습니다. 품목이 추가, 제거 또는 이동되는지 여부에 관계없이 재고 수준이 변경되면 시스템이 자동으로 개수를 업데이트할 수 있습니다.
제약 생산에서 품질 관리는 모든 알약이 안전하고 효과적인지 확인하는 데 매우 중요합니다. 균열, 고르지 않은 모양 또는 약간의 색상 변화와 같은 사소한 결함도 투약 오류 또는 제품 회수로 이어질 수 있습니다.
YOLO11은 품질 표준을 충족하지 않는 알약을 자동으로 감지하여 도움을 줄 수 있습니다. 이 모델은 시각적 특징을 학습하고 경계 상자를 사용하여 실시간으로 칩, 흐릿한 각인 또는 변색과 같은 문제를 표시합니다. 이를 통해 결함이 있는 알약을 조기에 제거하여 낭비를 줄이고 품질이 보장된 약물만 환자에게 전달되도록 보장할 수 있습니다.
이 외에도 YOLO11을 사용하여 품질을 모니터링하는 동안 정확한 추적을 위해 검사되는 알약을 감지하고 계산할 수 있습니다.
이제 Vision AI가 제약 산업에서 어떻게 적용될 수 있는지 살펴보았습니다. 이 분야에서 컴퓨터 비전 사용의 주요 이점 중 일부를 간략하게 살펴보겠습니다.
제약 산업에서 Vision AI를 구현하는 데에는 많은 이점이 있지만 이러한 기술을 사용할 때 염두에 두어야 할 몇 가지 고려 사항도 있습니다.
미래에는 AI가 임상 시험을 더 빠르고, 스마트하고, 비용 효율적으로 만드는 데 더 큰 역할을 할 것입니다. AI는 더 나은 시험 프로토콜을 설계하고, 적절한 환자 그룹을 선택하고, 데이터를 실시간으로 모니터링하는 데 도움이 될 수 있습니다.
이를 통해 연구자들은 사후 대응이 아닌 문제가 발생할 때 즉시 대응할 수 있습니다. 또한 AI는 수동 서류 작업을 줄이고 일상적인 검사를 자동화하여 승인 프로세스를 가속화할 수 있습니다. 전반적으로 AI를 제약 워크플로우에 통합하면 지연이 줄어들고 새로운 치료법에 더 빠르게 접근할 수 있습니다.
Ultralytics YOLO11을 Medical Pills 데이터 세트에서 학습하면 모델이 제약 작업에 얼마나 빠르고 효과적으로 적응할 수 있는지 알 수 있습니다. 작은 데이터 세트만으로도 알약을 정확하게 감지할 수 있어 분류, 품질 관리, 재고 추적 등에 유용합니다.
데이터 세트가 증가하고 모델이 개선됨에 따라 제약 분야에서 Vision AI의 잠재력은 단순한 물류를 넘어섭니다. 이 기술은 일관된 알약 식별 및 추적을 지원하고, 연구자들이 새로운 약물 조합을 안전하게 테스트하도록 지원함으로써 임상 시험을 지원할 수도 있습니다.
자세한 내용을 알아보고 성장하는 커뮤니티에 참여하려면 GitHub 저장소를 살펴보세요. 농업 분야의 AI부터 헬스케어 분야의 컴퓨터 비전에 이르기까지 다양한 분야의 최첨단 혁신을 찾아보세요. 라이선스 옵션을 확인하고 지금 바로 Vision AI 프로젝트를 시작하세요.
