YOLOvME : comptage de colonies, évaluation de frottis et détection de la faune

As-tu déjà dû évaluer d’innombrables images, données, résultats, etc. ? Et 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 un outil utile pour réduire le temps consacré à l’analyse d’images dans le cadre de travaux de recherche et de suivi sur les maladies infectieuses. Martin exerce plusieurs métiers, mais son travail porte essentiellement sur l’analyse de bioimages, un domaine qu’il décrit comme « le point de rencontre entre l’informatique et la biologie ». Nous voulions en savoir plus sur ses travaux de suivi et de comptage des colonies ; nous l’avons donc rencontré pour lui poser quelques questions.

Que fais-tu exactement avec Ultralytics YOLOv5 ?#

Martin a choisi d’utiliser Ultralytics YOLOv5 dans ses projets pour automatiser les processus existants de détection, de classification et de comptage d’objets. Il compte aussi utiliser YOLOv5 pour des cas comme l’expérience d’évolution à long terme.

Comptage des colonies bactériennes#

Dans les laboratoires, les techniciens comptent généralement à la main les colonies bactériennes cultivées sur des boîtes de gélose. Malheureusement, le comptage manuel est sujet aux erreurs. Pour résoudre ce problème, Martin a utilisé Ultralytics YOLOv5 afin d’automatiser le processus de comptage. Cette approche a considérablement réduit le nombre d’erreurs et le temps nécessaires à la détection et à la classification des colonies.

Détection et classification d’objets microscopiques#

Pour effectuer des tests à l’échelle microscopique, il est nécessaire d’évaluer des frottis. Cette tâche est encore principalement effectuée manuellement. Or, comme nous le savons, les processus manuels sont davantage sujets aux erreurs et à la variabilité des résultats. Par ailleurs, bien qu’il existe des outils adaptés à la détection d’objets de formes spécifiques, des outils plus spécialisés sont nécessaires pour compter et classer automatiquement divers objets.

Détection et suivi de la faune sauvage#

« Mes collègues enregistrent la faune dans les forêts et d’autres endroits, puis passent généralement les vidéos en revue manuellement, ce qui signifie qu’ils doivent s’asseoir et visionner des centaines de vidéos. »

Sachant que rechercher manuellement un sanglier ou un cerf dans une vidéo peut prendre un temps considérable, Martin savait que la détection d’objets pourrait certainement optimiser ce processus. Ultralytics YOLOv5 a été mis en œuvre pour détecter facilement et instantanément les animaux sauvages lorsqu’ils entraient dans le champ de vision de la caméra.

Comment as-tu découvert l’apprentissage automatique et l’IA de vision ?#

Pour son master, Martin a étudié ce qu’il aime appeler les « approches classiques de l’analyse d’images ». Vers la fin de ses études, l’apprentissage profond était de plus en plus souvent évoqué ; à l’époque, on parlait simplement de « réseaux convolutifs ».

Pendant cette période, Martin travaillait sur l’exploration de données, qui n’étaient pas très exploitables. Comme il voulait pouvoir manipuler les données lui-même, Martin a choisi de se plonger dans l’apprentissage automatique et l’IA de vision.

Que conseilles-tu à quelqu’un qui débute avec Ultralytics YOLOv5 ?#

Aujourd’hui, apprendre l’apprentissage automatique et l’IA de vision peut être assez compliqué. Comme Martin utilise l’IA de vision depuis un certain temps, il a partagé trois conseils pour toute personne souhaitant se lancer :

1. « 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. » Pour les débutants, acquérir des connaissances de base avant de se lancer dans l’entraînement des modèles facilite grandement le processus.
2. Martin a également évoqué l’intérêt d’étudier les cas d’usage d’autres personnes. Voir ce que font les autres peut t’inspirer pour tes propres usages et projets.
3. Teste tes projets à plusieurs reprises. Si tu constates qu’il faut changer quelque chose, reviens en arrière et apporte la modification, puis continue avec davantage de tests et d’itérations.

Martin Schätz est chercheur et enseignant, spécialisé dans l’analyse de bioimages et le traitement de données en microscopie confocale. Le projet sur lequel travaille Martin vise à optimiser le processus d’analyse d’images pour la recherche et le suivi des maladies infectieuses. Tu trouveras la documentation et les détails des trois projets de Martin 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 d’apprentissage profond entraînés dans le zoo de modèles.

Nous voulons aussi mettre en avant ton cas d’usage de YOLOv5 ! Identifie-nous sur les réseaux sociaux avec @Ultralytics et #YOLOvME pour avoir une chance d’être présenté.