YOLOvME : Comptage de colonies, évaluation de frottis et détection de la faune
Découvre comment Martin Schätz exploite YOLOv5 pour une analyse d'image efficace dans la recherche sur les maladies infectieuses, le comptage de colonies et la surveillance de la faune.
As-tu déjà eu à évaluer d'innombrables images, données, résultats, etc. ? Pour rendre le processus plus complexe, as-tu 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 cumule plusieurs casquettes, l'essentiel de son travail se concentre sur l'analyse bio-image, 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 concernant la surveillance et le comptage des colonies, nous nous sommes donc entretenus avec lui pour lui poser quelques questions.
Link to this sectionQue fais-tu exactement avec YOLOv5 ?#
La logique de Martin derrière l'implémentation de YOLOv5 pour ses projets découle du besoin d'automatiser les processus existants de détection, de classification et de comptage d'objets. Martin vise également à utiliser YOLOv5 pour des cas comme la Long-Term Evolution Experiment.
Link to this sectionComptage de colonies bactériennes#
Dans les laboratoires, les colonies bactériennes cultivées sur des boîtes de pétri sont généralement comptées manuellement par des techniciens. Malheureusement, le comptage manuel peut entraîner des résultats sujets à erreur. Pour résoudre ce problème, Martin a utilisé YOLOv5 afin d'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.
Link to this sectionDétection et classification d'objets microscopiques#
Pour effectuer des tests dans le monde microscopique, il est nécessaire d'évaluer des frottis. C'est encore 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 qu'il existe des outils appropriés pour la détection d'objets aux formes spécifiques, il est nécessaire de disposer d'outils plus spécialisés pour le comptage et la classification automatiques d'objets variés.
Link to this sectionDétection et surveillance de la faune#
« Mes collègues enregistrent la faune dans les forêts et d'autres lieux et visionnent généralement les vidéos manuellement, ce qui signifie qu'ils doivent s'asseoir et regarder des centaines de vidéos. »
En gardant à l'esprit que la recherche manuelle d'un spécimen 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 implémenté, permettant de détecter facilement et instantanément la faune lorsqu'un animal entrait dans le champ de vision de la caméra.
Link to this sectionComment es-tu entré dans le monde de l'apprentissage automatique et de la vision par IA ?#
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, l'apprentissage profond commençait à être de plus en plus évoqué, ce qui, à l'époque, était simplement appelé « réseaux convolutifs ».
Durant cette période, Martin travaillait sur l'exploration de données, qui n'étaient pas très exploitables. Souhaitant mettre les mains dans le cambouis avec les données, Martin a choisi de plonger dans le monde de l'apprentissage automatique et de la vision par IA.
Link to this sectionQue suggères-tu à quelqu'un qui débute avec YOLOv5 ?#
À l'heure actuelle, le processus d'apprentissage de l'IA et de la vision par IA peut être assez complexe. En tant que personne utilisant la vision par IA depuis un certain temps, Martin a mentionné trois points pour quiconque cherche à se lancer :
- « En tant que scientifique, je préfère tout lire d'abord afin de pouvoir relire ce que je ne comprends pas entièrement la première fois. » Acquérir une base de compréhension avant de se lancer dans l'entraînement de tes modèles rendra le processus beaucoup plus facile pour les débutants.
- De plus, Martin a fait référence à l'utilité d'étudier les cas d'utilisation des autres. Voir ce que font les autres peut t'inspirer pour tes propres utilisations et projets.
- Joue et teste tes projets de manière répétée. Si tu trouves que tu dois changer quelque chose, reviens en arrière et fais le changement, puis continue d'avancer avec plus de tests et d'itérations.
Martin Schätz est un chercheur qui enseigne également, avec un accent mis sur l'analyse bio-image et le traitement de 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. Tu peux trouver la documentation et les détails des 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 avant ton cas d'utilisation de YOLOv5 ! Identifie-nous sur les réseaux sociaux @Ultralytics avec #YOLOvME pour avoir une chance d'être présenté.
