YOLOvME: Kolonien zählen, Ausstriche beurteilen und Wildtiere erkennen

Musstest du schon einmal unzählige Bilder, Daten, Ergebnisse usw. auswerten? Und musstest du diese Auswertungen schon einmal manuell durchführen, was den Prozess noch komplizierter macht? Das kostet natürlich unglaublich viel Zeit.

Für Martin Schätz erwies sich Ultralytics YOLOv5 als nützliches Werkzeug, um den Zeitaufwand für die Bildanalyse in der Infektionsforschung und -überwachung zu verringern. Martin hat mehrere Aufgaben zugleich, doch im Mittelpunkt seiner Arbeit steht die Biobildanalyse – ein Bereich, den er als „Schnittstelle zwischen Informatik und Biologie“ beschreibt. Wir wollten mehr über Martins Arbeit zur Überwachung und Zählung von Kolonien erfahren und haben uns mit ihm unterhalten.

Was genau machst du mit Ultralytics YOLOv5?#

Martin setzt Ultralytics YOLOv5 in seinen Projekten ein, weil er bestehende Abläufe zur Objekterkennung, Klassifizierung und Zählung automatisieren möchte. Außerdem möchte Martin YOLOv5 für Anwendungsfälle wie das Langzeit-Evolutionsexperiment einsetzen.

Zählung bakterieller Kolonien#

In Laboren werden Bakterienkolonien, die auf Agarplatten wachsen, üblicherweise von Technikern manuell gezählt. Das manuelle Zählen ist jedoch fehleranfällig. Um dieses Problem anzugehen, nutzte Martin Ultralytics YOLOv5, um den Zählvorgang zu automatisieren. Dieser Ansatz hat den mit der Erkennung und Klassifizierung von Kolonien verbundenen Zeitaufwand und die Fehlerquote deutlich verringert.

Erkennung und Klassifizierung mikroskopischer Objekte#

Für Untersuchungen im mikroskopischen Bereich müssen Ausstriche ausgewertet werden. Dieser Vorgang wird nach wie vor größtenteils manuell durchgeführt. Wie wir wissen, sind manuelle Verfahren anfälliger für Fehler und schwankende Ergebnisse. Zwar gibt es geeignete Werkzeuge zur Erkennung bestimmter Formen, doch werden speziellere Werkzeuge benötigt, um verschiedene Objekte automatisch zu zählen und zu klassifizieren.

Erkennung und Überwachung von Wildtieren#

„Meine Kollegen dokumentieren Wildtiere in Wäldern und anderen Gebieten und sehen sich die Videos meist manuell an. Das heißt, sie müssen sich hinsetzen und Hunderte von Videos durchgehen.“

Da die manuelle Suche nach einem Wildschwein oder Reh in einem Video enorm viel Zeit in Anspruch nehmen kann, wusste Martin, dass die Objekterkennung diesen Prozess deutlich verbessern könnte. Ultralytics YOLOv5 wurde eingesetzt, sodass Wildtiere sofort erkannt werden konnten, sobald ein Tier ins Sichtfeld der Kamera trat.

Wie bist du zu maschinellem Lernen und Computer Vision gekommen?#

Während seines Masterstudiums beschäftigte sich Martin mit dem, was er gern als „klassische Ansätze der Bildanalyse“ bezeichnet. Als er sein Studium abschloss, wurde immer häufiger über Deep Learning gesprochen, das damals schlicht „Convolutional Networks“ genannt wurde.

In dieser Zeit arbeitete Martin mit Daten aus dem Bergbau, die sich kaum nutzen ließen. Da er selbst praktisch mit den Daten arbeiten wollte, stieg Martin in die Welt des maschinellen Lernens und der Computer Vision ein.

Was empfiehlst du jemandem, der mit Ultralytics YOLOv5 anfangen möchte?#

Derzeit kann es ziemlich kompliziert sein, maschinelles Lernen und Computer Vision zu erlernen. Martin verwendet Computer Vision schon seit einiger Zeit und nannte drei Punkte für alle, die damit anfangen möchten:

1. „Als Wissenschaftler lese ich am liebsten erst alles durch, damit ich alles, was ich beim ersten Mal nicht vollständig verstanden habe, noch einmal lesen kann.“ Wenn du dir zunächst ein grundlegendes Verständnis aneignest, bevor du mit dem Training deiner Modelle beginnst, wird dir der Prozess deutlich leichter fallen.
2. Außerdem verwies Martin auf den Nutzen, sich mit den Anwendungsfällen anderer zu beschäftigen. Zu sehen, was andere machen, kann dich zu eigenen Anwendungen und Projekten inspirieren.
3. Probiere deine Projekte immer wieder aus und teste sie. Wenn du etwas ändern musst, geh zurück, nimm die Änderung vor und mach mit weiteren Tests und Überarbeitungen weiter.

Martin Schätz ist Forscher und unterrichtet außerdem mit Schwerpunkt auf Biobildanalyse und Datenverarbeitung in der konfokalen Mikroskopie. Das Projekt, an dem Martin arbeitet, soll die Bildanalyse für die Erforschung und Überwachung von Infektionskrankheiten optimieren. Die Dokumentation und Einzelheiten zu Martins drei Projekten findest du in seinem GitHub-Repository. Martin ist außerdem Mitglied von NEUBIAS, einer Organisation, die die am häufigsten verwendeten Werkzeuge für die wissenschaftliche Bildanalyse in Biologie und Mikroskopie fördert, darunter auch diese trainierten Deep-Learning-Modelle im Model Zoo.

Auch deinen YOLOv5-Anwendungsfall möchten wir vorstellen! Markiere uns in den sozialen Medien mit @Ultralytics und #YOLOvME, um die Chance zu haben, vorgestellt zu werden.