Pixelabs erzielt 95 % Recall mit einer von Ultralytics YOLO gesteuerten Automatisierung

Viele industrielle, betriebliche und wissenschaftliche Arbeitsabläufe verlassen sich heute noch darauf, dass Menschen Bilder manuell überprüfen, um Prozesse zu kontrollieren oder Muster zu erkennen. Mit wachsender Datenmenge wird dies schnell langsam, inkonsistent und schwer zu skalieren.

Dies gilt besonders in Forschungsumgebungen wie der Netzhautbildgebung zur Alzheimer-Früherkennung, in denen die Identifizierung kleiner Indikatoren in Bildern schwierig und zeitaufwendig sein kann.

Pixelabs hilft bei der Lösung dieses Problems mit der Pixelabs AI-Engine, einer visuellen KI-Plattform, die für die Bild- und Videoanalyse in Echtzeit entwickelt wurde. Durch die Nutzung von Computer Vision-Modellen wie den Ultralytics YOLO-Modellen macht es die Plattform einfacher, visuelle Arbeitsabläufe zu automatisieren, die Konsistenz zu verbessern und Analysen zu skalieren.

Link to this sectionComputer Vision zur Automatisierung realer Arbeitsabläufe einsetzen#

Pixelabs entwickelt visuelle KI-Lösungen, die es Unternehmen ermöglichen, bestehende Prozesse mithilfe von Computer Vision zu automatisieren und zu verbessern. Mit Hauptsitz in Madrid sowie Büros in Barcelona und Großbritannien konzentriert sich das Unternehmen auf die Entwicklung praktischer KI-Tools, die branchenübergreifend eingesetzt werden können.

Insbesondere die Plattform Pixelabs AI-Engine ermöglicht Echtzeit-Bild- und Videoanalysen für Aufgaben wie Objekterkennung, Fehleridentifizierung, Oberflächenanalyse und optische Zeichenerkennung (OCR). Diese Funktionen erlauben es Benutzern, visuelle Daten effizienter zu verarbeiten und die Abhängigkeit von manueller Überprüfung zu reduzieren.

Die Plattform ist so konzipiert, dass sie in bestehende Systeme integriert werden kann, was es Unternehmen erleichtert, Computer Vision ohne Störung des Betriebs einzuführen. Diese Flexibilität ermöglicht es Pixelabs, eine breite Palette von Anwendungsfällen zu unterstützen und Lösungen mit wachsenden Anforderungen zu skalieren.

Link to this sectionDie Herausforderungen bei der Integration und Skalierung von Computer Vision#

In vielen Branchen basieren die täglichen Abläufe noch immer auf manuellen Workflows und begrenzter Automatisierung. Bediener, Ingenieure und Forscher überprüfen Bilder oft von Hand, validieren Ergebnisse und verwalten Daten über mehrere Tools hinweg.

Dies macht Prozesse langsamer, schwerer zu standardisieren und anfälliger für Inkonsistenzen, insbesondere bei steigendem Datenvolumen. Selbst wenn Organisationen Computer Vision einführen möchten, ist der Übergang nicht immer einfach.

Die Integration von KI in bestehende Systeme kann Änderungen an etablierten Arbeitsabläufen, eine neue Infrastruktur oder zusätzlichen technischen Aufwand erfordern. Deshalb sind viele Lösungen nur schwer zu skalieren oder über einen längeren Zeitraum zu warten.

In Forschungsumgebungen wie der Netzhautbildgebung zur Alzheimer-Früherkennung werden diese Herausforderungen noch komplexer. Forscher müssen sehr kleine Merkmale erkennen, große Bilddatensätze verwalten und sicherstellen, dass die Ergebnisse unter verschiedenen Bedingungen konsistent bleiben.

Abb. 1. Ein Beispielbild der Netzhautbildgebung bei einer Maus.

Ohne einen optimierten Weg zur Handhabung von Analyse, Datenmanagement und Ergebnissen wird es schwierig, diese Arbeitsabläufe zu skalieren und verlässliche Ergebnisse aufrechtzuerhalten.

Link to this sectionAutomatisierung der Netzhautbild-Analyse mit Ultralytics YOLO-Modellen#

Pixelabs bewältigte diese Herausforderungen durch die Integration von Ultralytics YOLO-Modellen in die Pixelabs AI-Engine. Die Plattform fungiert als Kern seiner visuellen KI-Lösungen und macht es nahtloser, Echtzeit-Bild- und Videoanalysen über verschiedene Anwendungen hinweg durchzuführen, ohne bestehende Workflows zu unterbrechen.

Sie unterstützt eine Reihe von Aufgaben, darunter Objekt- und Fehlererkennung, Oberflächen- und Texturanalyse, Farbmanagement und OCR. Da sie hardwareunabhängig ist und über APIs integriert werden kann, lässt sie sich in verschiedenen Umgebungen einsetzen und skalieren.

Dieser Ansatz wurde in einer kürzlichen Zusammenarbeit mit dem CIBIR-Alzheimer-Forschungsteam angewandt, bei der Pixelabs ein System zur Unterstützung der Früherkennung von Alzheimer bei Mäusen mittels Netzhautbildgebung entwickelte. Das Ziel war die Identifizierung kleiner Indikatoren, wie Amyloid-Beta-Ablagerungen, die auf die frühen Stadien der Krankheit hindeuten können.

Dazu erstellte Pixelabs einen Workflow, der Datenspeicherung, Bildverarbeitung und eine Benutzeroberfläche verbindet. Netzhautbilder, die mit laborpezifischen Fundus-Bildgebungsgeräten aufgenommen wurden, werden zunächst per Secure File Transfer Protocol (SFTP) übertragen und in einem zentralen System gespeichert, was die Verwaltung und den Zugriff auf große Datensätze erleichtert.

Um konsistente Ergebnisse zu gewährleisten, werden anschließend Vorverarbeitungsschritte angewandt, um Unterschiede in Bildqualität und Beleuchtung auszugleichen. Dies hilft dem System, die Genauigkeit über verschiedene Proben und Bedingungen hinweg aufrechtzuerhalten.

Die Bilder werden dann mithilfe von Vision-KI-Modellen analysiert, einschließlich benutzerdefinierter Ultralytics YOLOv8-Modelle. Mittlere und große YOLOv8-Varianten werden verwendet, um Leistung und Genauigkeit in Einklang zu bringen.

Innerhalb dieser Pipeline werden Ultralytics YOLO-Modelle für die Objekterkennung und Bildklassifizierung eingesetzt, um kleine Interessenbereiche wie Amyloid-Beta-Ablagerungen direkt in den Netzhautbildern zu identifizieren und zu lokalisieren.

Abb. 2. Computer Vision-Modelle wie Ultralytics YOLOv8 können helfen, Amyloid-Beta-Ablagerungen zu erkennen.

Schließlich werden die Ergebnisse über eine webbasierte Plattform präsentiert, auf der Benutzer Bilder hochladen, Daten nach Attributen wie Alter, Geschlecht oder Phänotyp filtern und erkannte Merkmale zusammen mit Konfidenzwerten anzeigen können. Dies macht es einfacher, von Rohbilddaten zu klaren, verwertbaren Erkenntnissen zu gelangen.

Link to this sectionWarum solltest du dich für Ultralytics YOLO Modelle entscheiden?#

Für Pixelabs waren die Ultralytics YOLO-Modelle die perfekte Wahl und boten eine praktische und flexible Grundlage für die Entwicklung von Computer Vision-Lösungen, die schnell an verschiedene Anwendungsfälle angepasst werden können. Sie sind leicht zu trainieren und zu verfeinern, was es dem Team ermöglicht, schneller zu iterieren und auf neue Anforderungen zu reagieren, ohne das System neu entwerfen zu müssen.

Diese Flexibilität hatte einen direkten Einfluss auf die Entwicklungsgeschwindigkeit. Durch die Nutzung von YOLO konnte Pixelabs seine Entwicklungszyklen beschleunigen und Lösungen schneller zur Produktionsreife bringen, was die Zeit bis zur Markteinführung für neue Anwendungen verkürzte. Gleichzeitig lieferten die Modelle genauere und konsistentere Ergebnisse.

Link to this sectionErreichen von bis zu 95 % Recall bei gleichzeitiger Effizienzsteigerung#

Die Integration von Ultralytics YOLO-Modellen in die Pixelabs AI-Engine führte zu deutlichen Verbesserungen der Analyseleistung. Im Anwendungsfall der Alzheimer-Forschung erreichte das System Recall-Raten von etwa 90 %, die auf bis zu 95 % anstiegen, während die Krankheit fortschritt und die Indikatoren deutlicher sichtbar wurden.

Dies ermöglichte es den Forschern, kleine Merkmale wie Amyloid-Beta-Ablagerungen über große Bilddatensätze hinweg zuverlässiger zu erkennen. Infolgedessen wurde die Analyse konsistenter, was die Variabilität verringerte und dazu beitrug, dass wichtige Indikatoren nicht übersehen wurden.

Über diesen Anwendungsfall hinaus hat Pixelabs durchweg positives Feedback von Kunden erhalten, die seine Lösungen für verschiedene Anwendungen nutzen. Benutzer heben Verbesserungen bei der Durchführung von Prozessen hervor, insbesondere im Hinblick auf Effizienz und Zuverlässigkeit.

Die Auswirkungen variieren je nach spezifischem Anwendungsfall, was die Flexibilität der Plattform und ihre Fähigkeit widerspiegelt, sich an unterschiedliche betriebliche Anforderungen anzupassen. Insgesamt haben diese Verbesserungen die Verwaltung und Analyse visueller Daten in großem Maßstab vereinfacht und unterstützen zuverlässigere Ergebnisse sowie effizientere Arbeitsabläufe.

Link to this sectionFörderung visueller KI über verschiedene Branchen hinweg#

Pixelabs baut die Fähigkeiten seiner visuellen KI-Plattform kontinuierlich für neue Anwendungsfälle und Branchen aus. Aufbauend auf der Arbeit in Forschungsanwendungen wie der Alzheimer-Erkennung konzentriert sich das Team auf die Verfeinerung seiner Modelle und den Fortschritt der visuellen Analyse mithilfe von Technologien wie den Ultralytics YOLO-Modellen.

Durch die ständige Verbesserung seiner Technologie möchte Pixelabs Unternehmen dabei helfen, Prozesse effektiver zu automatisieren und Computer Vision in einem breiteren Spektrum realer Arbeitsabläufe einzusetzen.

Bist du daran interessiert, die Arbeitsabläufe in deinem Unternehmen zu optimieren? Sieh dir unser GitHub-Repository an, um mehr über Vision AI zu erfahren. Erforsche, wie YOLO-Modelle Innovationen in Bereichen wie KI im Gesundheitswesen und Computer Vision im Einzelhandel vorantreiben. Um praktische Erfahrungen mit YOLO zu sammeln, entdecke, wie unsere Lizenzoptionen dein Projekt unterstützen können.