YOLOvME: Recuento de colonias, evaluación de frotis y detección de fauna salvaje

¿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.

Recuento 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 frotis. Éste sigue siendo un proceso que se realiza principalmente de forma manual. Y como sabemos, los procesos manuales son más propensos al error y a la variabilidad en los resultados. Además, aunque existen herramientas adecuadas para la detección de objetos de formas específicas, no existen herramientas más especializadas para el recuento y la clasificación automáticos de diversos objetos.

Detección y vigilancia de la fauna salvaje

"Mis colegas graban la vida salvaje en bosques y otros lugares y suelen revisar 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 de forma fácil e instantánea la presencia de animales salvajes cuando entran en la línea de visión de la cámara.

¿Cómo entró en el mundo del aprendizaje automático y la inteligencia artificial?

Para su máster, Martin estudió lo que a él le gusta llamar los "enfoques clásicos del análisis de imágenes". Mientras terminaba la carrera, cada vez se hablaba más del aprendizaje profundo, que por entonces se llamaba simplemente "redes convolucionales".

Durante este periodo, Martin estuvo trabajando en la minería de datos, que no era muy aprovechable. Deseoso de poder ensuciarse las manos con los datos, Martin optó por sumergirse en el mundo del aprendizaje automático y la IA de visión.

¿Qué le sugerirías a alguien que está empezando con YOLOv5?

Ahora mismo, el proceso de aprendizaje de ML y la IA de visión puede ser bastante complicado. Como alguien que ha estado utilizando la IA de visión durante algún tiempo, Martin mencionó tres puntos para cualquiera que quiera empezar:

1. "Como científico, prefiero leerlo todo primero para poder releer cualquier cosa que no entienda del todo la primera vez". Adquirir un nivel básico de comprensión antes de sumergirse en el entrenamiento de sus modelos hará que el proceso sea mucho más fácil para los novatos.
2. Además, Martin se refirió a la utilidad de estudiar los casos de uso de otros. Ver lo que hacen los demás puede inspirarte para tus usos y proyectos.
3. Reproduzca y pruebe repetidamente sus proyectos. Si descubres que necesitas cambiar algo, vuelve atrás y haz el cambio, y sigue 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 de YOLOv5 también! Etiquétanos en las redes sociales @Ultralytics con #YOLOvME para tener la oportunidad de aparecer.