YOLOvME: Conteo de Colonias, Evaluación de Frotis y Detección de Vida Silvestre

¿Alguna vez ha tenido que evaluar innumerables imágenes, datos, resultados, etc.? Para complicar aún más el proceso, ¿alguna vez ha tenido que hacer estas evaluaciones manualmente? Por supuesto, esto requiere mucho tiempo.

Para Martin Schätz, YOLOv5 demostró ser una herramienta útil para reducir el tiempo necesario para el análisis de imágenes involucrado en la investigación y el seguimiento de enfermedades infecciosas. Si bien Martin realiza varios trabajos a la vez, la esencia de su trabajo se centra en el análisis de bioimágenes, un sector que describe como "el punto entre la informática y la biología". Queríamos aprender más sobre el trabajo de Martin con la monitorización y el recuento de colonias, así que nos sentamos y le hicimos algunas preguntas.

¿Qué se puede hacer exactamente con YOLOv5?

La lógica de Martin detrás de la implementación de YOLOv5 para sus proyectos se deriva de la necesidad de automatizar los procesos existentes para la detección, clasificación y conteo de objetos. Martin también tiene como objetivo utilizar YOLOv5 para casos como el Experimento de Evolución a Largo Plazo.

Conteo de Colonias Bacterianas

En los laboratorios, las colonias bacterianas cultivadas en placas de agar son generalmente contadas manualmente por los técnicos. Desafortunadamente, el conteo manual puede ser propicio para resultados propensos a errores. Para abordar este problema, Martin utilizó YOLOv5 para automatizar el proceso de conteo. Este enfoque ha reducido en gran medida el error y el tiempo asociados con la detección y clasificación de colonias.

Detección y Clasificación de Objetos Microscópicos

Para realizar pruebas en el mundo microscópico, es necesario evaluar los frotis. Este sigue siendo un proceso que se realiza mayoritariamente de forma manual. Y como sabemos, los procesos manuales son más propensos a errores y a la variabilidad de los resultados. Además, aunque existen herramientas adecuadas para la detección de objetos de formas específicas, se necesitan herramientas más especializadas para el recuento y la clasificación automáticos de diversos objetos.

Detección y monitorización de la vida silvestre

“Mis colegas graban la vida silvestre en bosques y otros lugares y normalmente revisan los vídeos manualmente, lo que significa que tienen que sentarse y revisar cientos de vídeos.”

Teniendo en cuenta que la búsqueda manual de un ejemplar de cerdo salvaje o ciervo en un vídeo puede llevar una cantidad de tiempo exorbitante, Martin sabía que la detección de objetos podía optimizar definitivamente este proceso. Aquí, se implementó YOLOv5, lo que permitió detectar fácil e instantáneamente la vida silvestre cuando un animal entraba en la línea de visión de la cámara.

¿Cómo entraste en el mundo del aprendizaje automático y la visión artificial?

Para su maestría, Martin estudió lo que le gusta llamar los “enfoques clásicos del análisis de imágenes”. Mientras terminaba su título, se hablaba cada vez más sobre el aprendizaje profundo, que en ese momento, simplemente se llamaba “redes convolucionales”.

Durante este período, Martin estaba trabajando en la minería de datos, que no era muy utilizable. Queriendo poder ensuciarse las manos con los datos, Martin eligió sumergirse en el mundo del aprendizaje automático y la visión artificial.

¿Qué sugieres para alguien que está empezando con YOLOv5?

En este momento, el proceso de aprendizaje de ML y visión artificial puede ser bastante complicado. Como alguien que ha estado usando la visión artificial durante algún tiempo, Martin mencionó tres puntos para cualquiera que quiera empezar:

1. “Como científico, prefiero leer todo primero para poder releer cualquier cosa que no entienda completamente la primera vez.” Obtener un nivel básico de comprensión antes de sumergirse en el entrenamiento de tus modelos hará que el proceso sea mucho más fácil para los principiantes.
2. 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 usos y proyectos.
3. Reproduzca y pruebe sus proyectos repetidamente. Si descubre que necesita cambiar algo, regrese y realice el cambio, y continúe avanzando con más pruebas e iteraciones.

Martin Schätz es un investigador que también imparte clases centrado en el análisis de bioimágenes y el procesamiento de datos en microscopía confocal. La motivación detrás del proyecto en el que está trabajando Martin es optimizar el proceso de análisis de imágenes para la investigación y el seguimiento de enfermedades infecciosas. Puede encontrar documentación y detalles detrás de 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 de imágenes científicas en biología/microscopía, incluidos estos modelos de aprendizaje profundo entrenados en Model Zoo.

¡También queremos destacar su caso de uso de YOLOv5! Etiquétanos en las redes sociales @Ultralytics con #YOLOvME para tener la oportunidad de aparecer.