YOLOvME: recuento de colonias, evaluación de frotis y detección de fauna

¿Has tenido que evaluar alguna vez innumerables imágenes, datos, resultados, etc.? Para complicar aún más el proceso, ¿has tenido que realizar alguna vez estas evaluaciones manualmente? Por supuesto, requiere muchísimo tiempo.

Para Martin Schätz, Ultralytics YOLOv5 demostró ser una herramienta útil para reducir el tiempo necesario para el análisis de imágenes relacionado con la investigación y la monitorización de enfermedades infecciosas. Aunque Martin desempeña varias funciones 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 saber más sobre el trabajo de Martin con la monitorización y el recuento de colonias, así que nos sentamos con él y le hicimos algunas preguntas.

¿Qué haces exactamente con Ultralytics YOLOv5?#

La lógica de Martin para implementar Ultralytics YOLOv5 en sus proyectos parte de la necesidad de automatizar procesos existentes de detección, clasificación y recuento de objetos. Martin también pretende utilizar YOLOv5 en 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 técnicos. Por desgracia, el recuento manual puede dar lugar a resultados propensos a errores. Para abordar este problema, Martin utilizó Ultralytics YOLOv5 para automatizar el proceso de recuento. Este enfoque ha reducido considerablemente 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. Este proceso todavía se realiza principalmente de forma manual. Y, como sabemos, los procesos manuales son más propensos a errores y a una mayor variabilidad en los resultados. Además, aunque existen herramientas adecuadas para detectar objetos con formas específicas, se necesitan herramientas más especializadas para el recuento y la clasificación automáticos de diversos objetos.

Detección y monitorización de fauna#

«Mis compañeros graban fauna en bosques y otros lugares y normalmente revisan los vídeos manualmente, lo que significa que tienen que sentarse a revisar cientos de vídeos».

Teniendo en cuenta que buscar manualmente un jabalí o un ciervo en un vídeo puede llevar una cantidad de tiempo desorbitada, Martin sabía que la detección de objetos podía optimizar claramente este proceso. En este caso, se implementó Ultralytics YOLOv5 para detectar fauna de forma fácil e instantánea cuando un animal entraba en el campo de visión de la cámara.

¿Cómo entraste en el mundo del aprendizaje automático y la IA de visión?#

Para su máster, Martin estudió lo que le gusta denominar «los enfoques clásicos del análisis de imágenes». Mientras terminaba sus estudios, el aprendizaje profundo empezaba a ganar cada vez más atención y, por aquel entonces, se conocía simplemente como «redes convolucionales».

Durante este periodo, Martin trabajaba en la minería de datos, que no resultaba muy útil. Como quería trabajar directamente con los datos, Martin decidió adentrarse en el mundo del aprendizaje automático y la IA de visión.

¿Qué sugieres a alguien que empieza a utilizar Ultralytics YOLOv5?#

Ahora mismo, el proceso de aprendizaje de ML y la IA de visión puede resultar bastante complicado. Como persona que lleva algún tiempo utilizando la IA de visión, Martin mencionó tres puntos para cualquiera que quiera empezar:

1. «Como científico, prefiero leerlo todo primero para poder volver a leer cualquier cosa que no haya entendido del todo a la primera». Adquirir un nivel básico de comprensión antes de lanzarte a entrenar tus modelos hará que el proceso sea mucho más sencillo para quienes empiezan.
2. Además, Martin destacó la utilidad de estudiar los casos de uso de otras personas. Ver lo que hacen los demás puede inspirarte para tus propios usos y proyectos.
3. Reproduce y prueba tus proyectos repetidamente. 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, centrado 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 la monitorización de enfermedades infecciosas. Puedes encontrar la documentación y los detalles 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 científico de imágenes en biología y microscopía, incluidos estos modelos de aprendizaje profundo entrenados en el zoológico de modelos.

¡También queremos destacar tu caso de uso de YOLOv5! Menciónanos en las redes sociales con @Ultralytics y #YOLOvME para tener la oportunidad de aparecer en nuestras publicaciones.