YOLOvME: Koloniezählung, Ausstrichauswertung und Wildtiererkennung

Musstest du schon einmal unzählige Bilder, Daten, Ergebnisse usw. auswerten? Um den Prozess noch komplizierter zu machen: Musstest du diese Auswertungen schon einmal manuell durchführen? Natürlich ist das unglaublich zeitaufwendig.

Für Martin Schätz erwies sich YOLOv5 als hilfreiches Werkzeug, um die Zeit für die Bildanalyse in der Erforschung und Überwachung von Infektionskrankheiten zu verkürzen. Während Martin mehrere Aufgaben gleichzeitig wahrnimmt, konzentriert sich seine Arbeit im Kern auf die Biobildanalyse – ein Bereich, den er als „die Schnittstelle zwischen Informatik und Biologie“ beschreibt. Wir wollten mehr über Martins Arbeit mit der Überwachung und Zählung von Kolonien erfahren und haben uns mit ihm zusammengesetzt, um ihm ein paar Fragen zu stellen.

Link to this sectionWas genau machst du mit YOLOv5?#

Martins Logik hinter der Implementierung von YOLOv5 für seine Projekte beruht auf der Notwendigkeit, bestehende Prozesse für Objekterkennung, Klassifizierung und Zählung zu automatisieren. Martin möchte YOLOv5 auch für Fälle wie das Long-Term Evolution Experiment einsetzen.

Link to this sectionBakterienkoloniezählung#

In Laboren werden Bakterienkolonien, die auf Agarplatten gezüchtet wurden, im Allgemeinen von Technikern manuell gezählt. Leider kann manuelles Zählen zu fehleranfälligen Ergebnissen führen. Um dieses Problem anzugehen, nutzte Martin YOLOv5, um den Zählprozess zu automatisieren. Dieser Ansatz hat die Fehleranfälligkeit und den Zeitaufwand bei der Kolonieerkennung und -klassifizierung erheblich reduziert.

Link to this sectionMikroskopische Objekterkennung und Klassifizierung#

Um Tests in der mikroskopischen Welt durchzuführen, ist es notwendig, Ausstriche auszuwerten. Dies ist immer noch ein Prozess, der meist manuell durchgeführt wird. Und wie wir wissen, sind manuelle Prozesse anfälliger für Fehler und Variabilität bei den Ergebnissen. Während es zwar geeignete Werkzeuge für die Objekterkennung spezifischer Formen gibt, besteht zudem ein Bedarf an spezialisierteren Werkzeugen für die automatische Zählung und Klassifizierung verschiedener Objekte.

Link to this sectionWildtiererkennung und -überwachung#

„Meine Kollegen erfassen Wildtiere in Wäldern und anderen Orten und gehen die Videos normalerweise manuell durch, was bedeutet, dass sie sich hinsetzen und Hunderte von Videos sichten müssen.“

In Anbetracht der Tatsache, dass die manuelle Suche nach einem Wildschwein oder Reh in einem Video extrem viel Zeit in Anspruch nehmen kann, wusste Martin, dass Objekterkennung diesen Prozess definitiv optimieren könnte. Hier wurde YOLOv5 implementiert, wodurch Wildtiere einfach und sofort erkannt werden können, sobald ein Tier in das Sichtfeld der Kamera gelangt.

Link to this sectionWie bist du in die Welt des maschinellen Lernens und der Vision AI eingestiegen?#

Für seinen Masterabschluss untersuchte Martin das, was er gerne als „klassische Ansätze der Bildanalyse“ bezeichnet. Während er sein Studium abschloss, wurde Deep Learning immer häufiger diskutiert, was damals noch einfach „konvolutive Netzwerke“ genannt wurde.

In dieser Zeit arbeitete Martin an der Datenextraktion, die nicht sehr praktikabel war. Da er sich selbst intensiver mit den Daten befassen wollte, entschied sich Martin, in die Welt des maschinellen Lernens und der Vision AI einzutauchen.

Link to this sectionWas schlägst du jemandem vor, der mit YOLOv5 anfängt?#

Momentan kann der Lernprozess von ML und Vision AI recht kompliziert sein. Als jemand, der Vision AI schon seit einiger Zeit einsetzt, nannte Martin drei Punkte für jeden, der damit beginnen möchte:

1. „Als Wissenschaftler ziehe ich es vor, erst alles zu lesen, damit ich alles, was ich beim ersten Mal nicht vollständig verstehe, erneut lesen kann.“ Ein grundlegendes Verständnis zu erlangen, bevor du dich in das Training deiner Modelle stürzt, macht den Prozess für Neulinge viel einfacher.
2. Zudem verwies Martin auf den Nutzen, sich die Anwendungsfälle anderer anzusehen. Zu sehen, was andere tun, kann dich für deine eigenen Verwendungszwecke und Projekte inspirieren.
3. Spiele deine Projekte wiederholt durch und teste sie. Wenn du feststellst, dass du etwas ändern musst, gehe zurück, nimm die Änderung vor und fahre mit weiteren Tests und Iterationen fort.

Martin Schätz ist Forscher und Dozent mit Schwerpunkt auf Biobildanalyse und Datenverarbeitung in der konfokalen Mikroskopie. Die Motivation hinter dem Projekt, an dem Martin arbeitet, ist die Optimierung des Bildanalyseprozesses für die Erforschung und Überwachung von Infektionskrankheiten. Dokumentationen und Details zu Martins drei Projekten findest du in seinem GitHub-Repository. Darüber hinaus ist Martin Teil von NEUBIAS, einer Organisation, die die meistgenutzten Werkzeuge für wissenschaftliche Bildanalyse in der Biologie/Mikroskopie fördert, einschließlich dieser trainierten Deep-Learning-Modelle im Model Zoo.

Wir möchten auch deinen YOLOv5-Anwendungsfall ins Rampenlicht rücken! Markiere uns in den sozialen Medien unter @Ultralytics mit #YOLOvME für die Chance, vorgestellt zu werden.