YOLOvME : Comptage des colonies, évaluation des frottis et détection des animaux sauvages

Avez-vous déjà dû évaluer un nombre incalculable d'images, de données, de résultats, etc. Pour compliquer encore le processus, avez-vous déjà dû effectuer ces évaluations manuellement ? Bien sûr, cela prend énormément de temps.

Pour Martin Schätz, YOLOv5 s'est avéré être un outil utile pour réduire le temps nécessaire à l'analyse d'images dans le cadre de la recherche et de la surveillance des maladies infectieuses. Bien que Martin exerce plusieurs métiers à la fois, l'essentiel de son travail porte sur l'analyse d'images biologiques, un secteur qu'il décrit comme "le point de rencontre entre l'informatique et la biologie". Nous avons voulu en savoir plus sur le travail de Martin dans le domaine de la surveillance et du comptage des colonies, c'est pourquoi nous lui avons posé quelques questions.

Que fait-on exactement avec YOLOv5 ?

La logique qui a poussé Martin à mettre en œuvre YOLOv5 pour ses projets découle de la nécessité d'automatiser les processus existants de détection, de classification et de comptage d'objets. Martin souhaite également utiliser YOLOv5 dans des cas tels que l'expérience sur l'évolution à long terme.

Comptage des colonies bactériennes

Dans les laboratoires, les colonies bactériennes cultivées sur des plaques de gélose sont généralement comptées manuellement par les techniciens. Malheureusement, le comptage manuel peut conduire à des résultats entachés d'erreurs. Pour résoudre ce problème, Martin a utilisé YOLOv5 pour automatiser le processus de comptage. Cette approche a permis de réduire considérablement les erreurs et le temps associés à la détection et à la classification des colonies.

Détection et classification d'objets microscopiques

Pour effectuer des tests dans le monde microscopique, il est nécessaire d'évaluer les frottis. Il s'agit encore d'un processus qui est réalisé principalement manuellement. Et comme nous le savons, les processus manuels sont plus sujets à l'erreur et à la variabilité des résultats. En outre, s'il existe des outils appropriés pour la détection d'objets de formes spécifiques, il existe des outils plus spécialisés pour le comptage et la classification automatiques de divers objets.

Détection et surveillance de la faune

"Mes collègues enregistrent des animaux sauvages dans les forêts et dans d'autres lieux et passent généralement les vidéos en revue manuellement, ce qui signifie qu'ils doivent s'asseoir et passer en revue des centaines de vidéos.

Sachant que la recherche manuelle d'un cochon ou d'un cerf sauvage sur une vidéo peut prendre un temps exorbitant, Martin savait que la détection d'objets pouvait définitivement optimiser ce processus. C'est pourquoi YOLOv5 a été mis en œuvre, ce qui permet de détecter facilement et instantanément les animaux sauvages lorsqu'ils entrent dans le champ de vision de la caméra.

Comment êtes-vous entré dans le monde de l'apprentissage automatique et de l'intelligence artificielle ?

Pour son master, Martin a étudié ce qu'il aime appeler les "approches classiques de l'analyse d'images". Pendant qu'il terminait son diplôme, on parlait de plus en plus de l'apprentissage profond, que l'on appelait à l'époque "réseaux convolutifs".

Durant cette période, Martin travaillait sur des données minières, qui n'étaient pas très exploitables. Désireux de pouvoir mettre la main à la pâte, Martin a choisi de se plonger dans le monde de l'apprentissage automatique et de l'IA visionnaire.

Que suggérez-vous à quelqu'un qui débute avec YOLOv5 ?

À l'heure actuelle, le processus d'apprentissage de la ML et de l'IA de vision peut s'avérer assez compliqué. En tant qu'utilisateur de l'IA de vision depuis un certain temps, Martin a mentionné trois points à l'intention de toute personne souhaitant se lancer dans l'aventure :

1. "En tant que scientifique, je préfère tout lire d'abord afin de pouvoir relire tout ce que je n'ai pas bien compris la première fois. Acquérir un niveau de compréhension de base avant de plonger dans la formation de vos modèles rendra le processus beaucoup plus facile pour les débutants.
2. En outre, Martin a évoqué l'utilité d'étudier les cas d'utilisation des autres. Voir ce que font les autres peut vous inspirer pour vos utilisations et vos projets.
3. Jouez et testez vos projets de manière répétée. Si vous constatez que vous devez changer quelque chose, revenez en arrière et faites le changement, puis continuez à avancer avec plus de tests et d'itérations.

Martin Schätz est un chercheur qui enseigne également et qui se concentre sur l'analyse des images biologiques et le traitement des données en microscopie confocale. La motivation derrière le projet sur lequel Martin travaille est d'optimiser le processus d'analyse d'images pour la recherche et le suivi des maladies infectieuses. Vous pouvez trouver la documentation et les détails des trois projets de Martin sur son dépôt GitHub. En outre, Martin fait partie de NEUBIASune organisation qui promeut les outils les plus utilisés pour l'analyse d'images scientifiques en biologie/microscopie, y compris les suivants modèles d'apprentissage profond formés dans le modèle Zoo.

Nous voulons également mettre en lumière votre cas d'utilisation de YOLOv5 ! Taguez-nous sur les médias sociaux @Ultralytics avec #YOLOvME pour avoir une chance d'être présenté.