YOLOvME : Comptage de colonies, évaluation des frottis et détection de la faune

Avez-vous déjà eu à évaluer d'innombrables images, données, résultats, etc. ? Pour compliquer 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 impliquée dans la recherche et la surveillance des maladies infectieuses. Bien que Martin fasse plusieurs métiers à la fois, l'essence de son travail se concentre sur l'analyse de bio-images, un secteur qu'il décrit comme “le point de rencontre entre l'informatique et la biologie.” Nous voulions en savoir plus sur le travail de Martin avec la surveillance et le comptage des colonies, alors nous nous sommes assis et lui avons posé quelques questions.

Que faites-vous exactement avec YOLOv5 ?

La logique de Martin derrière la mise en œuvre de YOLOv5 pour ses projets découle de la nécessité d'automatiser les processus existants pour la détection d'objets, la classification et le comptage. Martin vise également à utiliser YOLOv5 pour des cas comme l'Expérience d'évolution à long terme.

Comptage de colonies bactériennes

Dans les laboratoires, les colonies bactériennes cultivées sur des plaques de gélose sont généralement comptées manuellement par des techniciens. Malheureusement, le comptage manuel peut conduire à des résultats erronés. Pour résoudre ce problème, Martin a utilisé YOLOv5 pour automatiser le processus de comptage. Cette approche a considérablement réduit 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 effectué principalement manuellement. Et comme nous le savons, les processus manuels sont plus sujets aux erreurs et à la variabilité des résultats. De plus, bien que des outils appropriés pour la détection d'objets de formes spécifiques existent, des outils plus spécialisés pour le comptage et la classification automatiques de divers objets sont nécessaires.

Détection et surveillance de la faune

“Mes collègues enregistrent la faune dans les forêts et autres lieux et passent généralement en revue les vidéos manuellement, ce qui signifie qu'ils doivent s'asseoir et passer en revue des centaines de vidéos.”

Gardant à l'esprit que la recherche manuelle d'un exemple de sanglier ou de cerf sur une vidéo peut prendre un temps exorbitant, Martin savait que la détection d'objets pouvait certainement optimiser ce processus. Ici, YOLOv5 a été mis en œuvre, permettant de détecter facilement et instantanément la faune lorsqu'un animal entrait dans le champ de vision de la caméra.

Comment êtes-vous entré dans le monde de l'apprentissage automatique et de la vision IA ?

Pour sa maîtrise, Martin a étudié ce qu'il aime appeler les “approches classiques de l'analyse d'images.” Alors qu'il terminait ses études, l'apprentissage profond était de plus en plus évoqué, ce qui, à l'époque, était simplement appelé “réseaux convolutionnels.”

Pendant cette période, Martin travaillait sur l'extraction de données, qui n'étaient pas très exploitables. Désireux de pouvoir manipuler directement les données, Martin a choisi de plonger dans le monde du machine learning et de la vision IA.

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

Actuellement, le processus d'apprentissage du ML et de l'IA de vision peut être assez compliqué. En tant que personne utilisant l'IA de vision depuis un certain temps, Martin a mentionné trois points pour quiconque souhaite se lancer :

1. “En tant que scientifique, je préfère tout lire d'abord afin de pouvoir relire tout ce que je ne comprends pas complètement la première fois.” Acquérir un niveau de compréhension de base avant de se lancer dans la formation de vos modèles facilitera grandement le processus pour les débutants.
2. De plus, Martin a fait référence à 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 effectuez la modification, puis continuez à avancer avec davantage de tests et d'itérations.

Martin Schätz est un chercheur qui enseigne également, se concentrant sur l'analyse de BioImage 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 la surveillance des maladies infectieuses. Vous pouvez trouver la documentation et les détails derrière les trois projets de Martin sur son dépôt GitHub. De plus, Martin fait partie de NEUBIAS, une organisation qui promeut les outils les plus utilisés pour l'analyse d'images scientifiques en biologie/microscopie, y compris ces modèles d'apprentissage profond entraînés dans le Model Zoo.

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