X
Ultralytics YOLOv8.2 FreigabeUltralytics YOLOv8.2 FreigabeUltralytics YOLOv8.2 Pfeil loslassen
Grüner Scheck
Link in die Zwischenablage kopiert

YOLOvME: Koloniezählung, Abstrichauswertung und Wildtiernachweis

Entdecke, wie Martin Schätz YOLOv5 für eine effiziente Bildanalyse bei der Erforschung von Infektionskrankheiten, der Koloniezählung und der Überwachung von Wildtieren einsetzt.

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

Für Martin Schätz hat sich YOLOv5 als nützliches Werkzeug erwiesen, um die Zeit zu verkürzen, die für die Bildanalyse bei der Erforschung und Überwachung von Infektionskrankheiten benötigt wird. Obwohl Martin Schätz mehrere Jobs in einem hat, liegt der Schwerpunkt seiner Arbeit 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 tust du mit YOLOv5?

Martins Logik, YOLOv5 für seine Projekte einzusetzen, 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 nutzen.

Koloniezählung mit YOLOv5

Zählen von Bakterienkolonien

In Laboren werden die auf Agarplatten gewachsenen Bakterienkolonien in der Regel von Technikern manuell gezählt. Leider kann das manuelle Zählen zu fehleranfälligen Ergebnissen führen. Um dieses Problem zu lösen, hat Martin YOLOv5 eingesetzt, um den Zählprozess zu automatisieren. Dieser Ansatz hat die Fehlerquote und den Zeitaufwand bei der Erkennung und Klassifizierung der Kolonien erheblich reduziert.

Erkennung und Klassifizierung von mikroskopischen Objekten

Um Tests in der mikroskopischen Welt durchzuführen, ist es notwendig, Abstriche auszuwerten. Dieser Prozess wird immer noch überwiegend manuell durchgeführt. Und wie wir wissen, sind manuelle Prozesse anfälliger für Fehler und schwankende Ergebnisse. Außerdem gibt es zwar geeignete Werkzeuge für die Erkennung von Objekten mit bestimmten Formen, aber keine spezialisierten Werkzeuge für die automatische Zählung und Klassifizierung verschiedener Objekte.

Abstrichtest mit YOLOv5

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 sehr viel Zeit in Anspruch nehmen kann, wusste Martin, dass die Objekterkennung diesen Prozess optimieren kann. Hier wurde YOLOv5 implementiert, so dass Wildtiere einfach und sofort erkannt werden können, wenn ein Tier in die Sichtlinie der Kamera kommt.

Wildtierdetektion mit YOLOv5

Wie bist du in die Welt des maschinellen Lernens und der künstlichen Intelligenz gekommen?

Im Rahmen seines Masterstudiums beschäftigte sich Martin mit den, wie er es nennt, "klassischen Ansätzen der Bildanalyse". Während er seinen Abschluss machte, wurde das Thema Deep Learning, das damals noch "Faltungsnetzwerke" genannt wurde, immer präsenter.

In 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 raten 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, nennt Martin drei Punkte für alle, die den Einstieg wagen wollen:

  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 du dir ein Grundwissen aneignest, bevor du mit dem Training deiner Modelle beginnst, wird der Prozess für Neulinge viel einfacher.
  2. Außerdem wies Martin darauf hin, wie nützlich es ist, die Anwendungsfälle anderer zu studieren. Zu sehen, was andere machen, kann dich für deine eigenen Anwendungen und Projekte inspirieren.
  3. Spiele und teste deine Projekte immer wieder. Wenn du feststellst, dass du etwas ändern musst, gehst du zurück und nimmst die Änderung vor und fährst mit weiteren Tests und Iterationen fort.


Martin Schätz ist ein Forscher, der auch unterrichtet, mit dem Schwerpunkt BioBildanalyse 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 findest du 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 trainierten Deep Learning-Modelle im Model Zoo.

Wir wollen auch deinen YOLOv5 Anwendungsfall ins Rampenlicht rücken! Tagge uns auf den sozialen Medien @Ultralytics mit #YOLOvME und du hast die Chance, vorgestellt zu werden.


Facebook-LogoTwitter-LogoLinkedIn-LogoKopier-Link-Symbol

Lies mehr in dieser Kategorie

Lass uns gemeinsam die Zukunft
der KI gestalten!

Beginne deine Reise in die Zukunft des maschinellen Lernens