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 nützliches Werkzeug, um den Zeitaufwand für die Bildanalyse bei der Erforschung und Überwachung von Infektionskrankheiten zu verringern. Martin Schätz hat zwar mehrere Aufgaben in einem, aber der Schwerpunkt seiner Arbeit liegt 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 machen Sie mit YOLOv5?

Martins Logik hinter der Implementierung von YOLOv5 für seine Projekte 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 verwenden.

Zählung von Bakterienkolonien

In Labors werden die auf Agarplatten gezüchteten Bakterienkolonien in der Regel von Technikern manuell gezählt. Leider kann die manuelle Zählung zu fehleranfälligen Ergebnissen führen. Um dieses Problem zu lösen, hat Martin YOLOv5 eingesetzt, um den Zählprozess zu automatisieren. Dieser Ansatz hat den mit der Kolonieerkennung und -klassifizierung verbundenen Fehler und Zeitaufwand 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.”

Da die manuelle Suche nach einem Wildschwein oder Reh auf einem Video exorbitant viel Zeit in Anspruch nehmen kann, wusste Martin, dass die Objekterkennung diesen Prozess definitiv optimieren könnte. Hier wurde YOLOv5 implementiert, so dass Wildtiere einfach und sofort erkannt werden können, wenn ein Tier in den Sichtbereich der Kamera kommt.

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 empfehlen Sie jemandem, 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, der auch lehrt, mit einem Schwerpunkt auf BioImage Analysis 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 finden Sie 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 trainierte Deep-Learning-Modelle im Modell-Zoo.

Wir möchten auch Ihren YOLOv5 Anwendungsfall ins Rampenlicht rücken! Taggen Sie uns in den sozialen Medien Ultralytics mit #YOLOvME, um eine Chance zu haben, vorgestellt zu werden.