Durch die Integration von Ultralytics YOLO-Modellen in die Pixelabs AI-Engine konnte Pixelabs visuelle Arbeitsabläufe automatisieren. So verbesserte sich beispielsweise bei der retinalen Bildgebung zur Früherkennung der Alzheimer-Krankheit die Konsistenz bei der Identifizierung von Indikatoren, wobei eine Sensitivität von bis zu 95 % erreicht wurde.
Viele industrielle, betriebliche und wissenschaftliche Arbeitsabläufe beruhen heute noch darauf, dass Menschen Bilder manuell prüfen, um Prozesse zu kontrollieren oder Muster zu erkennen. Mit zunehmender Datenmenge wird dies schnell langsam, uneinheitlich und schwer skalierbar.
Dies gilt insbesondere für Forschungssituationen wie die retinale Bildgebung zur Früherkennung der Alzheimer-Krankheit, bei der die Identifizierung kleiner Indikatoren in Bildern schwierig und zeitaufwendig sein kann.
Pixelabs löst dieses Problem mit der Pixelabs AI-Engine, einer visuellen KI-Plattform für die Bild- und Videoanalyse in Echtzeit. Mithilfe von Computer-Vision-Modellen wie Ultralytics YOLO-Modellen erleichtert die Plattform die Automatisierung visueller Arbeitsabläufe, verbessert die Konsistenz und ermöglicht die Skalierung der Analyse.
Anwendung von Computer Vision zur Automatisierung realer Arbeitsabläufe#
Pixelabs entwickelt Lösungen für visuelle KI, mit denen Unternehmen bestehende Prozesse mithilfe von Computer Vision automatisieren und verbessern können. Das Unternehmen hat seinen Sitz in Madrid und Niederlassungen in Barcelona und im Vereinigten Königreich. Im Mittelpunkt stehen praktische KI-Werkzeuge, die branchenübergreifend eingesetzt werden können.
Insbesondere ermöglicht die Plattform Pixelabs AI-Engine die Bild- und Videoanalyse in Echtzeit für Aufgaben wie Objekterkennung, Fehlererkennung, Oberflächenanalyse und optische Zeichenerkennung (OCR). Diese Funktionen ermöglichen es Nutzern, visuelle Daten effizienter zu verarbeiten und die Abhängigkeit von manueller Prüfung zu reduzieren.
Die Plattform ist für die Integration in bestehende Systeme ausgelegt. Dadurch können Unternehmen Computer Vision leichter einführen, ohne den Betrieb zu beeinträchtigen. Diese Flexibilität ermöglicht es Pixelabs, ein breites Spektrum an Anwendungsfällen zu unterstützen und Lösungen bei wachsenden Anforderungen zu skalieren.
Die Herausforderungen bei der Integration und Skalierung von Computer Vision#
In vielen Branchen beruhen die täglichen Abläufe weiterhin auf manuellen Arbeitsprozessen und begrenzter Automatisierung. Bediener, Ingenieure und Forschende prüfen Bilder häufig manuell, validieren Ergebnisse und verwalten Daten über mehrere Werkzeuge hinweg.
Dadurch werden Prozesse langsamer, schwieriger zu standardisieren und anfälliger für Abweichungen, insbesondere bei steigenden Datenmengen. Selbst wenn Unternehmen Computer Vision einführen möchten, verläuft der Übergang nicht immer reibungslos.
Die Integration von KI in bestehende Systeme kann Änderungen an etablierten Arbeitsabläufen, neue Infrastruktur oder zusätzlichen Entwicklungsaufwand erfordern. Deshalb lassen sich viele Lösungen nur schwer skalieren oder langfristig warten.
In Forschungssituationen wie der retinalen Bildgebung zur Früherkennung der Alzheimer-Krankheit werden diese Herausforderungen beispielsweise noch komplexer. Forschende müssen sehr kleine Merkmale erkennen, große Bilddatensätze verwalten und sicherstellen, dass die Ergebnisse unter unterschiedlichen Bedingungen konsistent bleiben.
Abb. 1. Beispielbild einer retinalen Aufnahme des Auges einer Maus.
Ohne eine optimierte Möglichkeit zur Verarbeitung der Analyse, Datenverwaltung und Ausgaben wird es schwierig, diese Arbeitsabläufe zu skalieren und zuverlässige Ergebnisse aufrechtzuerhalten.
Automatisierung der Analyse retinaler Bilder mit Ultralytics YOLO-Modellen#
Pixelabs begegnete diesen Herausforderungen, indem das Unternehmen Ultralytics YOLO-Modelle in die Pixelabs AI-Engine integrierte. Die Plattform bildet den Kern seiner Lösungen für visuelle KI und ermöglicht eine nahtlose Bild- und Videoanalyse in Echtzeit für verschiedene Anwendungen, ohne bestehende Arbeitsabläufe zu beeinträchtigen.
Sie unterstützt eine Reihe von Aufgaben, darunter die Erkennung von Objekten und Fehlern, die Analyse von Oberflächen und Texturen, Farbmanagement und OCR. Da sie hardwareunabhängig ist und für die Integration über APIs ausgelegt wurde, kann sie in verschiedenen Umgebungen eingesetzt und skaliert werden.
Dieser Ansatz kam in einer kürzlich erfolgten Zusammenarbeit mit dem Alzheimer-Forschungsteam von CIBIR zum Einsatz. Dabei entwickelte Pixelabs ein System zur Unterstützung der Früherkennung der Alzheimer-Krankheit bei Mäusen mithilfe retinaler Bildgebung. Ziel war es, kleine Indikatoren wie Amyloid-beta-Ablagerungen zu identifizieren, die auf frühe Krankheitsstadien hinweisen können.
Dafür entwickelte Pixelabs einen Arbeitsablauf, der Datenspeicherung, Bildverarbeitung und eine Benutzeroberfläche miteinander verbindet. Retinale Bilder, die mit speziellen Fundusbildgebungsgeräten für den Laborbetrieb aufgenommen werden, werden zunächst über das sichere Dateiübertragungsprotokoll (SFTP) übertragen und in einem zentralen System gespeichert. Dadurch lassen sich große Datensätze leichter verwalten und aufrufen.
Um konsistente Ergebnisse sicherzustellen, werden anschließend Vorverarbeitungsschritte angewendet, die Unterschiede bei Bildqualität und Beleuchtung ausgleichen. So kann das System seine Genauigkeit bei verschiedenen Proben und Bedingungen beibehalten.
Anschließend werden die Bilder mithilfe von Modellen für visuelle KI analysiert, darunter speziell trainierte Ultralytics YOLOv8-Modelle. Mittlere und große Varianten von YOLOv8 werden verwendet, um Leistung und Genauigkeit auszubalancieren.
Innerhalb dieser Pipeline werden Ultralytics YOLO-Modelle zur Objekterkennung und Bildklassifizierung eingesetzt, um kleine relevante Bereiche wie Amyloid-beta-Ablagerungen direkt in retinalen Bildern zu identifizieren und zu lokalisieren.
Abb. 2. Modelle für Computer Vision wie Ultralytics YOLOv8 können dabei helfen, Amyloid-beta-Ablagerungen zu erkennen.
Abschließend werden die Ergebnisse über eine webbasierte Plattform dargestellt. Dort können Nutzer Bilder hochladen, Daten nach Merkmalen wie Alter, Geschlecht oder Phänotyp filtern und erkannte Merkmale zusammen mit Konfidenzwerten anzeigen. So wird der Übergang von rohen Bilddaten zu klaren, nutzbaren Erkenntnissen erleichtert.
Warum Ultralytics YOLO-Modelle wählen?#
Für Pixelabs waren Ultralytics YOLO-Modelle besonders geeignet, da sie eine praktische und flexible Grundlage für die Entwicklung von Computer-Vision-Lösungen boten, die sich schnell an verschiedene Anwendungsfälle anpassen lassen. Sie sind einfach zu trainieren und zu verfeinern, sodass das Team schneller iterieren und auf neue Anforderungen reagieren kann, ohne das System neu entwerfen zu müssen.
Diese Flexibilität wirkte sich direkt auf die Entwicklungsgeschwindigkeit aus. Durch den Einsatz von YOLO konnte Pixelabs seine Entwicklungszyklen beschleunigen und Lösungen schneller in den Produktivbetrieb überführen, wodurch sich die Markteinführungszeit für neue Anwendungen verkürzte. Gleichzeitig lieferten die Modelle genauere und konsistentere Ergebnisse.
Bis zu 95 % Sensitivität bei höherer Effizienz#
Die Integration von Ultralytics YOLO-Modellen in die Pixelabs AI-Engine führte zu deutlichen Verbesserungen bei der Analyseleistung. Im Anwendungsfall der Alzheimer-Forschung erreichte das System Sensitivitätswerte von etwa 90 %, die auf bis zu 95 % anstiegen, als die Krankheit fortschritt und die Indikatoren sichtbarer wurden.
Dadurch konnten Forschende kleine Merkmale wie Amyloid-beta-Ablagerungen in großen Bilddatensätzen zuverlässiger erkennen. Die Analyse wurde dadurch konsistenter, die Variabilität verringerte sich und wichtige Indikatoren wurden zuverlässiger erfasst.
Über diesen Anwendungsfall hinaus hat Pixelabs auch von Kunden, die seine Lösungen in verschiedenen Anwendungen einsetzen, durchweg positives Feedback erhalten. Die Nutzer heben Verbesserungen bei der Durchführung von Prozessen hervor, insbesondere im Hinblick auf Effizienz und Zuverlässigkeit.
Die Auswirkungen unterscheiden sich je nach Anwendungsfall, was die Flexibilität der Plattform und ihre Fähigkeit widerspiegelt, sich an unterschiedliche betriebliche Anforderungen anzupassen. Insgesamt erleichtern diese Verbesserungen die Verwaltung und Analyse visueller Daten in großem Maßstab und unterstützen zuverlässigere Ergebnisse sowie effizientere Arbeitsabläufe.
Visuelle KI in verschiedenen Branchen voranbringen#
Pixelabs baut die Funktionen seiner Plattform für visuelle KI in neuen Anwendungsfällen und Branchen weiter aus. Aufbauend auf seiner Arbeit in Forschungsanwendungen wie der Alzheimer-Erkennung konzentriert sich das Team darauf, seine Modelle zu verfeinern und die visuelle Analyse mithilfe von Technologien wie Ultralytics YOLO-Modellen weiterzuentwickeln.
Durch die kontinuierliche Verbesserung seiner Technologie möchte Pixelabs Unternehmen dabei unterstützen, Prozesse effektiver zu automatisieren und Computer Vision in einem breiteren Spektrum realer Arbeitsabläufe einzusetzen.
Möchtest du die Arbeitsabläufe deines Unternehmens optimieren? Sieh dir unser GitHub-Repository an, um mehr über Vision AI zu erfahren. Entdecke, wie YOLO-Modelle Innovationen in Bereichen wie KI im Gesundheitswesen und Computer Vision im Einzelhandel vorantreiben. Wenn du YOLO praktisch einsetzen möchtest, erfahre, wie unsere Lizenzierungsoptionen dein Projekt unterstützen können.
