YOLOvME : comptage des colonies, évaluation des frottis et détection de la faune
Découvre comment Martin Schätz exploite YOLOv5 pour analyser efficacement des images dans la recherche sur les maladies infectieuses, le comptage de colonies et la surveillance de la faune.
As-tu déjà dû évaluer d’innombrables images, données, résultats, etc. ? Pour compliquer encore les choses, as-tu déjà dû effectuer ces évaluations manuellement ? Bien sûr, cela prend énormément de temps.
Pour Martin Schätz, Ultralytics YOLOv5 s’est révélé 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 se concentre sur l’analyse d’images biologiques, 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 consacré à la surveillance et au dénombrement des colonies ; nous nous sommes donc entretenus avec lui et lui avons posé quelques questions.
Que fais-tu exactement avec Ultralytics YOLOv5 ?#
La logique de Martin derrière l’intégration d’Ultralytics YOLOv5 dans ses projets découle de la nécessité d’automatiser les processus existants de détection, de classification et de dénombrement d’objets. Martin souhaite également utiliser YOLOv5 dans des cas comme l’expérience d’évolution à long terme.
Dénombrement des colonies bactériennes#
Dans les laboratoires, les colonies bactériennes cultivées sur des boîtes d’agar sont généralement comptées manuellement par des techniciens. Malheureusement, le comptage manuel peut produire des résultats sujets aux erreurs. Pour résoudre ce problème, Martin a utilisé Ultralytics YOLOv5 afin d’automatiser le processus de dénombrement. 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 des frottis. Ce processus est encore réalisé principalement manuellement. Or, comme nous le savons, les processus manuels sont davantage sujets aux erreurs et à la variabilité des résultats. En outre, même s’il existe des outils adaptés à la détection d’objets de formes spécifiques, il est nécessaire de disposer d’outils plus spécialisés pour le dénombrement et la classification automatiques de divers objets.
Détection et surveillance de la faune sauvage#
« Mes collègues enregistrent des animaux sauvages dans les forêts et d’autres lieux, puis visionnent généralement les vidéos manuellement, ce qui signifie qu’ils doivent s’asseoir et regarder des centaines de vidéos. »
Sachant que rechercher manuellement un sanglier ou un cerf dans une vidéo peut prendre un temps exorbitant, Martin savait que la détection d’objets pouvait clairement optimiser ce processus. Dans ce cas, Ultralytics YOLOv5 a été intégré pour permettre de détecter facilement et instantanément la faune sauvage lorsqu’un animal entrait dans le champ de vision de la caméra.
Comment es-tu entré dans le monde du machine learning et de l’IA de vision ?#
Pour son master, Martin a étudié ce qu’il aime appeler les « approches classiques de l’analyse d’images ». Alors qu’il terminait son diplôme, le deep learning commençait à être de plus en plus présent dans les discussions ; à l’époque, on parlait simplement de « réseaux convolutifs ».
Pendant cette période, Martin travaillait sur l’exploration de données, qui n’était pas très exploitable. Souhaitant pouvoir mettre les mains dans les données, Martin a choisi de se plonger dans le monde du machine learning et de l’IA de vision.
Que conseilles-tu à quelqu’un qui débute avec Ultralytics YOLOv5 ?#
À l’heure actuelle, apprendre le ML et l’IA de vision peut être assez complexe. Fort de son expérience dans l’utilisation de l’IA de vision, Martin a mentionné trois points à l’intention de toute personne souhaitant débuter :
- « En tant que scientifique, je préfère tout lire d’abord afin de pouvoir relire ce que je n’ai pas bien compris la première fois. » Acquérir un niveau de compréhension de base avant de se lancer dans l’entraînement de tes modèles facilitera grandement le processus pour les débutants.
- Martin a également souligné l’utilité d’étudier les cas d’utilisation d’autres personnes. Voir ce que font les autres peut t’inspirer pour tes propres utilisations et projets.
- Rejoue et teste régulièrement tes projets. Si tu constates que tu dois modifier quelque chose, reviens en arrière, effectue la modification, puis continue à avancer avec davantage de tests et d’itérations.
Martin Schätz est chercheur et enseignant, spécialisé dans l’analyse d’images biologiques et le traitement des données en microscopie confocale. Le projet sur lequel Martin travaille vise à optimiser le processus d’analyse d’images pour la recherche et la surveillance des maladies infectieuses. Tu trouveras la documentation et les détails de ses trois projets dans son dépôt GitHub. Martin fait également partie de NEUBIAS, une organisation qui promeut les outils les plus utilisés pour l’analyse d’images scientifiques en biologie et en microscopie, notamment ces modèles de deep learning entraînés dans le zoo de modèles.
Nous aimerions également mettre en avant ton cas d’utilisation de YOLOv5 ! Identifie @Ultralytics sur les réseaux sociaux avec #YOLOvME pour avoir une chance d’être mis à l’honneur.
