YOLOvME: Koloniezählung, Auswertung von Ausstrichen und Wildtiererkennung

Mussten Sie schon einmal unzählige Bilder, Daten, Ergebnisse usw. auswerten? Und um den Prozess noch komplizierter zu gestalten, mussten Sie diese Auswertungen schon einmal manuell durchführen? Das ist natürlich unglaublich zeitaufwendig.

Für Martin Schätz erwies sich YOLOv5 als ein nützliches Werkzeug, um die für die Bildanalyse in der Infektionsforschung und -überwachung erforderliche Zeit zu verkürzen. Martin übt zwar mehrere Tätigkeiten gleichzeitig aus, aber im Wesentlichen konzentriert sich seine Arbeit auf die Biobildanalyse, einen Bereich, den er als “die Schnittstelle zwischen Informatik und Biologie” bezeichnet. Wir wollten mehr über Martins Arbeit mit der Kolonieüberwachung und -zählung erfahren, also haben wir 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 beruht auf der Notwendigkeit, bestehende Prozesse für Objekterkennung, -klassifizierung und -zählung zu automatisieren. Martin beabsichtigt auch, YOLOv5 für Fälle wie das Langzeit-Evolutions-Experiment einzusetzen.

Zählung von Bakterienkolonien

In Laboren werden Bakterienkolonien, die auf Agarplatten gezüchtet werden, in der Regel von Technikern manuell gezählt. Leider kann die manuelle Zählung zu fehleranfälligen Ergebnissen führen. Um dieses Problem zu lösen, setzte Martin YOLOv5 ein, um den Zählvorgang zu automatisieren. Dieser Ansatz hat die Fehlerquote und den Zeitaufwand für die Erkennung und Klassifizierung von Kolonien erheblich reduziert.

Mikroskopische Objekterkennung und -klassifizierung

Um Tests in der mikroskopischen Welt durchzuführen, ist es notwendig, Ausstriche zu beurteilen. Dies ist immer noch ein Prozess, der hauptsächlich manuell durchgeführt wird. Und wie wir wissen, sind manuelle Prozesse anfälliger für Fehler und Ergebnisvariabilität. Darüber hinaus gibt es zwar geeignete Werkzeuge für die Objekterkennung bestimmter Formen, aber es fehlen spezialisiertere Werkzeuge für die automatische Zählung und Klassifizierung verschiedener Objekte.

Wildtiererkennung und -überwachung

“Meine Kollegen filmen Wildtiere in Wäldern und an anderen Orten und gehen die Videos normalerweise manuell durch, d. h. sie müssen sich hinsetzen und Hunderte von Videos durchsehen.”

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

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

Für seinen Master-Abschluss studierte Martin das, was er gerne als die “klassischen Ansätze der Bildanalyse” bezeichnet. Während seines Studiums wurde immer mehr über Deep Learning gesprochen, das zu dieser Zeit nur “Faltungsnetzwerke” genannt wurde.

Während dieser Zeit arbeitete Martin an der Gewinnung 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 Vision AI einzutauchen.

Was schlagen Sie jemandem vor, der mit YOLOv5 anfängt?

Im Moment kann der Prozess des Erlernens von ML und Vision AI recht kompliziert sein. Als jemand, der Vision AI schon seit einiger Zeit einsetzt, nannte Martin drei Punkte für alle, die anfangen wollen:

1. „Als Wissenschaftler lese ich am liebsten zuerst alles, damit ich alles, was ich beim ersten Mal nicht vollständig verstehe, noch einmal lesen kann.“ Ein grundlegendes Verständnis zu erlangen, bevor Sie mit dem Training Ihrer Modelle beginnen, wird den Prozess für Neulinge erheblich erleichtern.
2. Darüber hinaus verwies Martin auf den Nutzen der Untersuchung von Anwendungsfällen anderer. Zu sehen, was andere tun, kann Sie für Ihre eigenen Anwendungen und Projekte inspirieren.
3. Spielen und testen Sie Ihre Projekte wiederholt. 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 und Dozent mit Schwerpunkt auf BioImage-Analyse und Datenverarbeitung in der konfokalen Mikroskopie. Die Motivation hinter Martins Projekt ist die Optimierung der Bildanalyse für die Forschung und Überwachung von Infektionskrankheiten. Dokumentationen und Details zu Martins drei Projekten finden Sie in seinem GitHub-Repository. Darüber hinaus ist Martin Teil von NEUBIAS, einer Organisation, die die am häufigsten verwendeten Werkzeuge für die wissenschaftliche Bildanalyse in der Biologie/Mikroskopie fördert, einschließlich dieser trainierten Deep-Learning-Modelle im Model Zoo.

Wir möchten auch Ihren YOLOv5-Anwendungsfall ins Rampenlicht rücken! Markieren Sie uns in den sozialen Medien mit @Ultralytics und #YOLOvME, um die Chance zu erhalten, vorgestellt zu werden.