YOLOvME: Koloniezählung, Auswertung von Abstrichen und Wildtiererkennung
Entdecke, wie Martin Schätz YOLOv5 für die effiziente Bildanalyse in der Infektionsforschung, zur Koloniezählung und zur Überwachung von Wildtieren einsetzt.
Musste du schon einmal unzählige Bilder, Daten, Ergebnisse usw. auswerten? Und um den Prozess noch komplizierter zu machen: Musstest du solche Auswertungen schon einmal manuell durchführen? Das ist natürlich unglaublich zeitaufwendig.
Für Martin Schätz erwies sich Ultralytics YOLOv5 als nützliches Werkzeug, um den Zeitaufwand für die Bildanalyse in der Erforschung und Überwachung von Infektionskrankheiten zu reduzieren. Martin übernimmt dabei mehrere Aufgaben gleichzeitig, doch im Kern konzentriert sich seine Arbeit auf die Bioimage-Analyse, einen Bereich, den er als „Schnittstelle zwischen Informatik und Biologie“ beschreibt. Wir wollten mehr über Martins Arbeit zur Überwachung und Zählung von Kolonien erfahren und haben uns deshalb mit ihm zusammengesetzt, um ihm einige Fragen zu stellen.
Was genau machst du mit Ultralytics YOLOv5?#
Martins Entscheidung, Ultralytics YOLOv5 für seine Projekte einzusetzen, beruht auf dem Bedarf, bestehende Prozesse zur Objekterkennung, Klassifizierung und Zählung zu automatisieren. Außerdem möchte Martin YOLOv5 für Anwendungsfälle wie das Langzeit-Evolutionsexperiment einsetzen.
Zählung von Bakterienkolonien#
In Laboren werden auf Agarplatten gezüchtete Bakterienkolonien üblicherweise von Technikern manuell gezählt. Leider kann die manuelle Zählung zu fehleranfälligen Ergebnissen führen. Um dieses Problem zu lösen, setzte Martin Ultralytics YOLOv5 ein, um den Zählprozess zu automatisieren. Dieser Ansatz hat den mit der Erkennung und Klassifizierung von Kolonien verbundenen Zeitaufwand und die Fehlerquote deutlich reduziert.
Mikroskopische Objekterkennung und Klassifizierung#
Um Untersuchungen im mikroskopischen Bereich durchzuführen, müssen Ausstriche ausgewertet werden. Dieser Prozess wird nach wie vor größtenteils manuell durchgeführt. Und wie wir wissen, sind manuelle Prozesse anfälliger für Fehler und Schwankungen bei den Ergebnissen. Zwar gibt es geeignete Werkzeuge zur Objekterkennung bestimmter Formen, doch es besteht Bedarf an spezialisierten Werkzeugen zur automatischen Zählung und Klassifizierung verschiedener Objekte.
Erkennung und Überwachung von Wildtieren#
„Meine Kollegen erfassen Wildtiere in Wäldern und an anderen Orten und sehen sich die Videos normalerweise manuell an. Das bedeutet, dass sie sich hinsetzen und Hunderte von Videos durchgehen müssen.“
Da die manuelle Suche nach einem Wildschwein oder Reh in einem Video unverhältnismäßig viel Zeit in Anspruch nehmen kann, war Martin klar, dass die Objekterkennung diesen Prozess erheblich optimieren könnte. Hier wurde Ultralytics YOLOv5 eingesetzt, sodass Wildtiere einfach und sofort erkannt werden konnten, sobald ein Tier in das Sichtfeld der Kamera gelangte.
Wie bist du in die Welt des maschinellen Lernens und der visuellen KI gelangt?#
Für seinen Masterabschluss beschäftigte sich Martin mit dem, was er als „klassische Ansätze der Bildanalyse“ bezeichnet. Während er sein Studium abschloss, wurde Deep Learning zunehmend häufiger thematisiert und damals einfach als „Faltungsnetzwerke“ bezeichnet.
In dieser Zeit arbeitete Martin mit Data Mining, dessen Ergebnisse nur wenig nutzbar waren. Da er selbst praktische Erfahrungen mit den Daten sammeln wollte, entschied sich Martin, in die Welt des maschinellen Lernens und der visuellen KI einzutauchen.
Was empfiehlst du jemandem, der mit Ultralytics YOLOv5 beginnt?#
Der Lernprozess für ML und visuelle KI kann derzeit ziemlich kompliziert sein. Als jemand, der schon seit einiger Zeit mit visueller KI arbeitet, nannte Martin drei Punkte für alle, die anfangen möchten:
- „Als Wissenschaftler lese ich lieber zuerst alles, damit ich Dinge, die ich beim ersten Mal nicht vollständig verstanden habe, noch einmal lesen kann.“ Wenn du dir ein grundlegendes Verständnis aneignest, bevor du mit dem Training deiner Modelle beginnst, wird der Prozess für Einsteiger wesentlich einfacher.
- Außerdem verwies Martin auf den Nutzen, die Anwendungsfälle anderer zu studieren. Zu sehen, was andere tun, kann dich für deine eigenen Anwendungen und Projekte inspirieren.
- Führe deine Projekte wiederholt aus und teste sie. Wenn du feststellst, dass du etwas ändern musst, gehe zurück, nimm die Änderung vor und mache mit weiteren Tests und Iterationen weiter.
Martin Schätz ist Forscher und lehrt außerdem mit den Schwerpunkten Bioimage-Analyse und Datenverarbeitung in der konfokalen Mikroskopie. Ziel des Projekts, an dem Martin arbeitet, ist die Optimierung des Bildanalyseprozesses für die Erforschung und Überwachung von Infektionskrankheiten. Dokumentation und Einzelheiten zu Martins drei Projekten findest du in seinem GitHub-Repository. Außerdem ist Martin Teil von NEUBIAS, einer Organisation, die die am häufigsten verwendeten Werkzeuge für die wissenschaftliche Bildanalyse in Biologie und Mikroskopie fördert, darunter auch diese trainierten Deep-Learning-Modelle im Modellzoo.
Wir möchten auch deinen YOLOv5-Anwendungsfall vorstellen! Markiere uns in den sozialen Medien mit @Ultralytics und #YOLOvME, um die Chance auf eine Veröffentlichung zu erhalten.
