YOLOvME: Koloniezählung, Ausstrichauswertung und Wildtiererkennung
Entdecke, wie Martin Schätz YOLOv5 für eine effiziente Bildanalyse in der Infektionskrankheitsforschung, Koloniezählung und Wildtierüberwachung nutzt.
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 nützliches Werkzeug, um den Zeitaufwand für die Bildanalyse bei der Erforschung und Überwachung von Infektionskrankheiten zu reduzieren. Obwohl Martin verschiedene Aufgaben gleichzeitig erledigt, konzentriert sich die Essenz seiner Arbeit auf die Bioimage-Analyse, einen Bereich, den er als „den Punkt zwischen Informatik und Biologie“ beschreibt. Wir wollten mehr über Martins Arbeit mit Kolonieüberwachung und -zählung erfahren und haben uns deshalb mit ihm zusammengesetzt, um ihm einige Fragen zu stellen.
Was genau machst du mit YOLOv5?#
Martins Logik hinter der Implementierung von Ultralytics YOLOv5 für seine Projekte entspringt dem Bedürfnis, bestehende Prozesse zur Objekterkennung, Klassifizierung und Zählung zu automatisieren. Martin möchte YOLOv5 zudem für Anwendungsfälle wie das Long-Term Evolution Experiment nutzen.
Bakterienkoloniezählung#
In Labors werden auf Agarplatten gezüchtete Bakterienkolonien von Technikerinnen und Technikern im Allgemeinen manuell gezählt. Leider kann das manuelle Zählen zu fehleranfälligen Ergebnissen führen. Um dieses Problem zu lösen, nutzte Martin YOLOv5, um den Zählprozess zu automatisieren. Dieser Ansatz hat den mit der Kolonieerkennung und -klassifizierung verbundenen Zeit- und Fehleraufwand erheblich reduziert.
Mikroskopische 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.
Wildtiererkennung 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.“
Da Martin wusste, dass die manuelle Suche nach Wildschweinen oder Rehen in einem Video extrem viel Zeit in Anspruch nehmen kann, war ihm klar, dass Objekterkennung diesen Prozess definitiv optimieren könnte. Hier wurde YOLOv5 eingesetzt, sodass Wildtiere einfach und sofort erkannt werden konnten, sobald ein Tier in das Sichtfeld der Kamera geriet.
Wie 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.
Was empfiehlst du jemandem, der gerade 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:
- „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.
- 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.
- 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 ein Forscher, der auch unterrichtet, mit Schwerpunkt auf BioImage Analysis und Datenverarbeitung in der konfokalen Mikroskopie. Die Motivation hinter dem Projekt, an dem Martin arbeitet, besteht darin, den Prozess der Bildanalyse für die Erforschung und Überwachung von Infektionskrankheiten zu optimieren. Dokumentationen und Details zu Martins drei Projekten findest du in seinem GitHub repository. Darüber hinaus ist Martin Teil von NEUBIAS, einer Organisation, die die am häufigsten verwendeten Tools für die wissenschaftliche Bildanalyse in der Biologie/Mikroskopie fördert, einschließlich dieser trained deep learning models 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.
