YOLOvME: Recuento de colonias, evaluación de frotis y detección de fauna
Descubre cómo Martin Schätz aprovecha YOLOv5 para el análisis eficiente de imágenes en la investigación de enfermedades infecciosas, recuento de colonias y monitorización de fauna.
¿Alguna vez has tenido que evaluar innumerables imágenes, datos, resultados, etc.? Para complicar más el proceso, ¿alguna vez has tenido que hacer estas evaluaciones manualmente? Por supuesto, requiere muchísimo tiempo.
Para Martin Schätz, YOLOv5 resultó ser una herramienta útil para reducir el tiempo necesario en el análisis de imágenes para la investigación y seguimiento de enfermedades infecciosas. Aunque Martin desempeña varios roles a la vez, la esencia de su trabajo se centra en el análisis de bioimágenes, un sector que él describe como "el punto medio entre la informática y la biología". Queríamos conocer más sobre el trabajo de Martin con el seguimiento y recuento de colonias, así que nos sentamos con él y le hicimos algunas preguntas.
Link to this section¿Qué haces exactamente con YOLOv5?#
La lógica de Martin al implementar YOLOv5 en sus proyectos nace de la necesidad de automatizar procesos existentes de detección de objetos, clasificación y recuento. Martin también pretende usar YOLOv5 para casos como el Long-Term Evolution Experiment.
Link to this sectionRecuento de colonias bacterianas#
En los laboratorios, las colonias bacterianas que crecen en placas de agar generalmente son contadas manualmente por técnicos. Desafortunadamente, el recuento manual puede conducir a resultados propensos a errores. Para abordar este problema, Martin utilizó YOLOv5 para automatizar el proceso de recuento. Este enfoque ha reducido enormemente el error y el tiempo asociados con la detección y clasificación de colonias.
Link to this sectionDetección y clasificación de objetos microscópicos#
Para realizar pruebas en el mundo microscópico, es necesario evaluar frotis. Este es un proceso que aún se realiza mayoritariamente a mano. Y como sabemos, los procesos manuales son más propensos a errores y variabilidad en los resultados. Además, aunque existen herramientas adecuadas para la detección de objetos de formas específicas, hace falta herramientas más especializadas para el recuento y clasificación automática de diversos objetos.
Link to this sectionDetección y seguimiento de fauna salvaje#
"Mis compañeros registran fauna salvaje en bosques y otras ubicaciones, y normalmente revisan los vídeos manualmente, lo que significa que tienen que sentarse y ver cientos de grabaciones".
Teniendo en cuenta que buscar manualmente un caso de un cerdo salvaje o un ciervo en un vídeo puede llevar una cantidad de tiempo exorbitante, Martin sabía que la detección de objetos sin duda podía optimizar este proceso. Aquí, se implementó YOLOv5, permitiendo detectar a la fauna salvaje de forma fácil e instantánea cuando un animal entraba en el campo de visión de la cámara.
Link to this section¿Cómo entraste en el mundo del aprendizaje automático y la visión artificial?#
Para su máster, Martin estudió lo que le gusta llamar los "enfoques clásicos del análisis de imágenes". Mientras terminaba su grado, el aprendizaje profundo empezaba a mencionarse cada vez más, algo que en aquel momento solo se llamaba "redes convolucionales".
Durante este periodo, Martin trabajaba en la minería de datos, lo cual no era muy útil. Con el deseo de ensuciarse las manos con los datos, Martin decidió sumergirse en el mundo del aprendizaje automático y la visión artificial.
Link to this section¿Qué le sugieres a alguien que está empezando con YOLOv5?#
Ahora mismo, el proceso de aprender aprendizaje automático y visión artificial puede ser bastante complicado. Como alguien que lleva tiempo utilizando visión artificial, Martin mencionó tres puntos para cualquiera que quiera empezar:
- "Como científico, prefiero leerlo todo primero para poder volver a leer cualquier cosa que no entienda completamente a la primera". Obtener un nivel básico de comprensión antes de sumergirte en el entrenamiento de tus modelos hará que el proceso sea mucho más sencillo para los principiantes.
- Además, Martin hizo referencia a la utilidad de estudiar los casos de uso de otros. Ver lo que otros están haciendo puede inspirarte para tus propios usos y proyectos.
- Juega y prueba tus proyectos repetidamente. Si descubres que necesitas cambiar algo, vuelve atrás, realiza el cambio y sigue adelante con más pruebas e iteraciones.
Martin Schätz es un investigador que también enseña, centrado en el análisis de bioimágenes y el procesamiento de datos en microscopía confocal. La motivación detrás del proyecto en el que trabaja Martin es optimizar el proceso de análisis de imágenes para la investigación y seguimiento de enfermedades infecciosas. Puedes encontrar documentación y detalles sobre los tres proyectos de Martin en su repositorio de GitHub. Además, Martin forma parte de NEUBIAS, una organización que promueve las herramientas más utilizadas para el análisis científico de imágenes en biología/microscopía, incluyendo estos modelos de aprendizaje profundo entrenados en el model Zoo.
¡También queremos destacar tu caso de uso con YOLOv5! Etiquétanos en redes sociales @Ultralytics con #YOLOvME para tener la oportunidad de aparecer destacado.
