YOLOvME: Koloniezählung, Abstrichauswertung und Wildtiernachweis

Haben Sie schon einmal unzählige Bilder, Daten, Ergebnisse usw. auswerten müssen? Und um den Prozess noch komplizierter zu machen, haben Sie diese Auswertungen schon einmal manuell vornehmen müssen? Natürlich ist das unglaublich zeitaufwändig.

Für Martin Schätz erwies sich YOLOv5 als nützliches Werkzeug, um den Zeitaufwand für die Bildanalyse bei der Erforschung und Überwachung von Infektionskrankheiten zu verringern. Martin Schätz hat zwar mehrere Aufgaben in einem, aber der Schwerpunkt seiner Arbeit liegt auf der Analyse von Biobildern, einem Bereich, den er als "die Schnittstelle zwischen Informatik und Biologie" bezeichnet. Wir wollten mehr über Martins Arbeit mit der Überwachung und Zählung von Kolonien erfahren und haben uns mit ihm zusammengesetzt und ihm ein paar Fragen gestellt.

Was genau machen Sie mit YOLOv5?

Martins Logik hinter der Implementierung von YOLOv5 für seine Projekte ergibt sich aus der Notwendigkeit, bestehende Prozesse zur Objekterkennung, -klassifizierung und -zählung zu automatisieren. Martin möchte YOLOv5 auch für Fälle wie das Long-Term Evolution Experiment verwenden.

Zählen von Bakterienkolonien

In Labors werden die auf Agarplatten gezüchteten Bakterienkolonien im Allgemeinen von Technikern manuell gezählt. Leider kann die manuelle Zählung zu fehleranfälligen Ergebnissen führen. Um dieses Problem zu lösen, hat Martin YOLOv5 eingesetzt, um den Zählprozess zu automatisieren. Dieser Ansatz hat die mit der Kolonieerkennung und -klassifizierung verbundenen Fehler und den Zeitaufwand erheblich reduziert.

Erkennung und Klassifizierung von mikroskopischen Objekten

Zur Durchführung von Tests in der mikroskopischen Welt ist es notwendig, Abstriche auszuwerten. Dies ist ein Prozess, der immer noch überwiegend manuell durchgeführt wird. Und wie wir wissen, sind manuelle Verfahren anfälliger für Fehler und schwankende Ergebnisse. Darüber hinaus gibt es zwar geeignete Werkzeuge für die Objekterkennung bestimmter Formen, aber keine spezialisierten Werkzeuge für die automatische Zählung und Klassifizierung verschiedener Objekte.

Erkennung und Überwachung von Wildtieren

"Meine Kollegen nehmen Wildtiere in Wäldern und an anderen Orten auf und gehen die Videos normalerweise manuell durch, was bedeutet, dass sie sich hinsetzen und Hunderte von Videos durchgehen müssen.

Da die manuelle Suche nach einem Wildschwein oder Reh auf einem Video exorbitant viel Zeit in Anspruch nehmen kann, wusste Martin, dass die Objekterkennung diesen Prozess definitiv optimieren könnte. Hier wurde YOLOv5 implementiert, so dass Wildtiere einfach und sofort erkannt werden können, wenn ein Tier in den Sichtbereich der Kamera kommt.

Wie sind Sie in die Welt des maschinellen Lernens und der Bildverarbeitung eingestiegen?

Im Rahmen seines Masterstudiums studierte Martin, wie er es gerne nennt, "klassische Ansätze der Bildanalyse". Während er seinen Abschluss machte, wurde Deep Learning immer mehr zum Thema, das damals einfach "Faltungsnetzwerke" genannt wurde.

Während dieser Zeit arbeitete Martin an der Auswertung von Daten, die nicht sehr brauchbar waren. Da er sich die Hände mit den Daten schmutzig machen wollte, entschied sich Martin, in die Welt des maschinellen Lernens und der Bildverarbeitung einzutauchen.

Was empfehlen Sie jemandem, der mit YOLOv5 anfängt?

Im Moment kann der Lernprozess für ML und KI ziemlich kompliziert sein. Als jemand, der schon seit einiger Zeit mit KI arbeitet, nannte Martin drei Punkte für alle, die den Einstieg suchen:

1. "Als Wissenschaftler ziehe ich es vor, alles zuerst zu lesen, damit ich alles, was ich beim ersten Mal nicht ganz verstanden habe, noch einmal lesen kann." Wenn Sie sich ein Grundwissen aneignen, bevor Sie mit dem Training Ihrer Modelle beginnen, wird der Prozess für Neulinge viel einfacher.
2. Außerdem wies Martin auf den Nutzen hin, den das Studium der Anwendungsfälle anderer bietet. Wenn man sieht, was andere tun, kann man sich für seine eigenen Anwendungen und Projekte inspirieren lassen.
3. Spielen und testen Sie Ihre Projekte immer wieder. Wenn Sie feststellen, dass Sie etwas ändern müssen, gehen Sie zurück und nehmen Sie die Änderung vor, und fahren Sie mit weiteren Tests und Iterationen fort.

Martin Schätz ist ein Forscher, der auch lehrt, mit einem Schwerpunkt auf BioImage Analysis und Datenverarbeitung in der konfokalen Mikroskopie. Die Motivation hinter dem Projekt, an dem Martin Schätz arbeitet, ist es, den Prozess der Bildanalyse für die Erforschung und Überwachung von Infektionskrankheiten zu optimieren. Die Dokumentation und Details zu Martins drei Projekten finden Sie auf seinem GitHub-Repository. Außerdem ist Martin Teil von NEUBIASeiner Organisation, die die am häufigsten verwendeten Werkzeuge für die wissenschaftliche Bildanalyse in der Biologie/Mikroskopie fördert, darunter diese trainierte Deep-Learning-Modelle im Modell-Zoo.

Wir möchten auch Ihren YOLOv5-Anwendungsfall ins Rampenlicht stellen! Taggen Sie uns in den sozialen Medien @Ultralytics mit #YOLOvME, um eine Chance zu haben, vorgestellt zu werden.