Durch die Integration von Ultralytics YOLO-Modellen in die Pixelabs AI-Engine konnte Pixelabs visuelle Arbeitsabläufe automatisieren. Bei der retinalen Bildgebung zur Früherkennung von Alzheimer verbesserte dies beispielsweise die Konsistenz bei der Erkennung von Merkmalen; der Recall erreichte bis zu 95 %.
Viele industrielle, betriebliche und wissenschaftliche Arbeitsabläufe beruhen noch immer darauf, dass Menschen Bilder manuell prüfen, um Prozesse zu kontrollieren oder Muster zu erkennen. Mit zunehmenden Datenmengen wird das schnell langsam, uneinheitlich und schwer skalierbar.
Das gilt besonders für Forschungsbereiche wie die retinale Bildgebung zur Früherkennung von Alzheimer, in denen sich kleine Merkmale in Bildern nur schwer und mit großem Zeitaufwand erkennen lassen.
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.
Computer Vision zur Automatisierung realer Arbeitsabläufe einsetzen#
Pixelabs entwickelt visuelle KI-Lösungen, 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 Großbritannien. Sein Schwerpunkt liegt auf der Entwicklung praxisnaher KI-Werkzeuge für verschiedenste Branchen.
Die Plattform Pixelabs AI-Engine ermöglicht insbesondere die Bild- und Videoanalyse in Echtzeit für Aufgaben wie Objekterkennung, Fehlererkennung, Oberflächenanalyse und optische Zeichenerkennung (OCR). Dank dieser Funktionen können Nutzer visuelle Daten effizienter verarbeiten und sind weniger auf manuelle Prüfungen angewiesen.
Die Plattform lässt sich in bestehende Systeme integrieren, sodass Unternehmen Computer Vision leichter einführen können, ohne den Betrieb zu stören. Dank dieser Flexibilität kann Pixelabs eine Vielzahl von Anwendungsfällen unterstützen und Lösungen mit wachsenden Anforderungen skalieren.
Die Herausforderungen bei der Integration und Skalierung von Computer Vision#
In vielen Branchen beruhen die täglichen Abläufe nach wie vor auf manuellen Prozessen und einer begrenzten Automatisierung. Beschäftigte im Betrieb, Ingenieure und Forschende prüfen Bilder oft von Hand, validieren Ergebnisse und verwalten Daten über mehrere Werkzeuge hinweg.
Dadurch dauern Prozesse länger, lassen sich schwerer standardisieren und sind anfälliger für Abweichungen – besonders bei zunehmenden Datenmengen. Selbst wenn Unternehmen Computer Vision einführen möchten, verläuft die Umstellung nicht immer reibungslos.
Die Integration von KI in bestehende Systeme kann Änderungen an etablierten Arbeitsabläufen, eine neue Infrastruktur oder zusätzlichen Entwicklungsaufwand erfordern. Deshalb lassen sich viele Lösungen nur schwer skalieren oder langfristig warten.
In Forschungsbereichen wie der retinalen Bildgebung zur Früherkennung von Alzheimer 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. Beispiel einer retinalen Aufnahme des Auges einer Maus.
Ohne einen optimierten Umgang mit Analyse, Datenverwaltung und Ergebnissen lassen sich diese Arbeitsabläufe nur schwer skalieren und verlässliche Resultate nur schwer sicherstellen.
Retinale Bildanalyse mit Ultralytics YOLO-Modellen automatisieren#
Pixelabs begegnete diesen Herausforderungen, indem das Unternehmen Ultralytics YOLO-Modelle in die Pixelabs AI-Engine integrierte. Die Plattform bildet den Kern seiner visuellen KI-Lösungen und ermöglicht eine nahtlosere Echtzeitanalyse von Bildern und Videos für unterschiedliche Anwendungen, ohne bestehende Arbeitsabläufe zu stören.
Die Plattform unterstützt zahlreiche Aufgaben, darunter Objekt- und Fehlererkennung, Oberflächen- und Texturanalyse, Farbmanagement und OCR. Da sie hardwareunabhängig ist und für die Integration über APIs ausgelegt wurde, lässt sie sich in verschiedenen Umgebungen einsetzen und skalieren.
Dieser Ansatz kam bei einer kürzlich erfolgten Zusammenarbeit mit dem Alzheimer-Forschungsteam von CIBIR zum Einsatz. Pixelabs entwickelte ein System, das mithilfe retinaler Bildgebung die Früherkennung von Alzheimer bei Mäusen unterstützt. Ziel war es, kleine Merkmale wie Amyloid-Beta-Ablagerungen zu erkennen, die auf frühe Stadien der Krankheit hinweisen können.
Dazu entwickelte Pixelabs einen Arbeitsablauf, der Datenspeicherung, Bildverarbeitung und Benutzeroberfläche miteinander verbindet. Retinale Bilder, die mit speziellen Fundusbildgebungsgeräten des Labors aufgenommen werden, werden zunächst über das sichere Dateiübertragungsprotokoll (SFTP) übertragen und in einem zentralen System gespeichert. So lassen sich große Datensätze einfacher verwalten und abrufen.
Um konsistente Ergebnisse sicherzustellen, werden anschließend Vorverarbeitungsschritte angewendet, die Unterschiede bei Bildqualität und Beleuchtung ausgleichen. Dadurch kann das System über verschiedene Proben und Bedingungen hinweg genaue Ergebnisse liefern.
Anschließend werden die Bilder mithilfe von Vision-AI-Modellen analysiert, darunter speziell trainierte Ultralytics YOLOv8-Modelle. Mittlere und große Varianten von YOLOv8 sorgen für ein ausgewogenes Verhältnis zwischen Leistung und Genauigkeit.
In dieser Verarbeitungskette kommen Ultralytics YOLO-Modelle zur Objekterkennung und Bildklassifizierung zum Einsatz. So lassen sich kleine relevante Bereiche wie Amyloid-Beta-Ablagerungen direkt in retinalen Bildern erkennen und lokalisieren.
Abb. 2. Computer-Vision-Modelle wie Ultralytics YOLOv8 können dabei helfen, Amyloid-Beta-Ablagerungen zu erkennen.
Abschließend werden die Ergebnisse über eine webbasierte Plattform angezeigt. Nutzer können Bilder hochladen, Daten nach Merkmalen wie Alter, Geschlecht oder Phänotyp filtern und erkannte Merkmale samt Konfidenzwerten ansehen. So lassen sich Rohdaten aus Bildern einfacher in klare, nutzbare Erkenntnisse umwandeln.
Warum Ultralytics YOLO-Modelle wählen?#
Für Pixelabs waren Ultralytics YOLO-Modelle ideal: Sie bieten eine praktische und flexible Grundlage für die Entwicklung von Computer-Vision-Lösungen, die sich schnell an verschiedene Anwendungsfälle anpassen lassen. Die Modelle sind einfach zu trainieren und zu optimieren. So kann das Team schneller iterieren und auf neue Anforderungen reagieren, ohne das System neu entwickeln zu müssen.
Diese Flexibilität wirkte sich unmittelbar 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 neuer Anwendungen verkürzte. Gleichzeitig lieferten die Modelle genauere und konsistentere Ergebnisse.
Bis zu 95 % Recall 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 Recall-Werte von etwa 90 %, die im Krankheitsverlauf und mit zunehmender Sichtbarkeit der Merkmale auf bis zu 95 % stiegen.
Dadurch konnten Forschende kleine Merkmale wie Amyloid-Beta-Ablagerungen in großen Bilddatensätzen zuverlässiger erkennen. Die Analyse wurde dadurch konsistenter, Abweichungen nahmen ab und wichtige Merkmale wurden seltener übersehen.
Auch über diesen Anwendungsfall hinaus hat Pixelabs durchweg positives Feedback von Kunden erhalten, die die Lösungen in verschiedenen Bereichen einsetzen. Die Nutzer heben Verbesserungen bei der Durchführung von Prozessen hervor, insbesondere im Hinblick auf Effizienz und Zuverlässigkeit.
Die Wirkung variiert je nach Anwendungsfall und zeigt, wie flexibel die Plattform ist und wie gut sie sich an unterschiedliche betriebliche Anforderungen anpassen lässt. Insgesamt erleichtern diese Verbesserungen die Verwaltung und Analyse großer Mengen visueller Daten und unterstützen zuverlässigere Ergebnisse sowie effizientere Arbeitsabläufe.
Visuelle KI branchenübergreifend voranbringen#
Pixelabs erweitert die Funktionen seiner visuellen KI-Plattform kontinuierlich auf neue Anwendungsfälle und Branchen. Aufbauend auf der Arbeit in Forschungsbereichen wie der Alzheimer-Erkennung konzentriert sich das Team darauf, seine Modelle zu verfeinern und die visuelle Analyse mithilfe von Technologien wie Ultralytics YOLO-Modellen voranzubringen.
Durch die kontinuierliche Weiterentwicklung seiner Technologie möchte Pixelabs Unternehmen dabei unterstützen, Prozesse wirksamer 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 ausprobieren möchtest, erfährst du hier, wie unsere Lizenzoptionen dein Projekt unterstützen können.
