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 resultó ser una herramienta útil para reducir el tiempo necesario para el análisis de imágenes que conlleva la investigación y el seguimiento de enfermedades infecciosas. Aunque Martin realiza varios trabajos en uno, la esencia de su labor se centra en el análisis de bioimágenes, un sector que él describe como "el punto entre la informática y la biología". Queríamos saber más sobre el trabajo de Martin en el seguimiento y recuento de colonias, así que nos sentamos a hacerle unas preguntas.

¿Qué se hace exactamente con YOLOv5?

La lógica de Martin a la hora de aplicar YOLOv5 a sus proyectos se basa en la necesidad de automatizar los procesos existentes de detección, clasificación y recuento de objetos. Martin también pretende 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 suelen ser contadas manualmente por los técnicos. Por desgracia, el recuento manual puede dar lugar a resultados propensos a errores. Para hacer frente a este problema, Martin utilizó YOLOv5 para automatizar el proceso de recuento. Este método ha reducido en gran medida los errores y el tiempo asociados a 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 jabalí o un ciervo en un vídeo puede llevar una cantidad de tiempo desorbitada, Martin sabía que la detección de objetos podía optimizar definitivamente este proceso. Para ello, se implementó YOLOv5 , que permite detectar fácil e instantáneamente a los animales salvajes cuando entran 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 le sugerirías a 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 centradas en el análisis de bioimágenes y el procesamiento de datos en microscopía confocal. La motivación del proyecto en el que trabaja Martin es optimizar el proceso de análisis de imágenes para la investigación y el seguimiento de enfermedades infecciosas. Puede encontrar documentación y detalles sobre los tres proyectos de Martin en su repositorio GitHub. Además, Martin forma parte de NEUBIASuna organización que promueve las herramientas más utilizadas para el análisis científico de imágenes en biología/microscopía, incluyendo estos modelos de aprendizaje profundo entrenados en model Zoo.

¡Queremos destacar tu caso de uso YOLOv5 también! Etiquétanos en las redes sociales Ultralytics con #YOLOvME para tener la oportunidad de aparecer.