Pixelabs atteint 95 % de rappel avec l'automatisation pilotée par Ultralytics YOLO

De nombreux flux de travail industriels, opérationnels et de recherche reposent encore aujourd'hui sur des personnes examinant manuellement des images pour vérifier des processus ou repérer des modèles. À mesure que les données augmentent, cela devient rapidement lent, incohérent et difficile à mettre à l'échelle.

C'est particulièrement vrai dans les contextes de recherche comme l'imagerie rétinienne pour la détection précoce de la maladie d'Alzheimer, où l'identification de petits indicateurs dans les images peut s'avérer difficile et fastidieuse.

Pixelabs aide à résoudre ce problème avec le Pixelabs AI-Engine, une plateforme d'IA visuelle conçue pour l'analyse d'images et de vidéos en temps réel. En utilisant des modèles de vision par ordinateur comme les modèles Ultralytics YOLO, la plateforme facilite l'automatisation des flux de travail visuels, améliore la cohérence et permet de mettre l'analyse à l'échelle.

Link to this sectionAppliquer la vision par ordinateur pour automatiser les flux de travail du monde réel#

Pixelabs développe des solutions d'IA visuelle qui permettent aux entreprises d'automatiser et d'améliorer leurs processus existants grâce à la vision par ordinateur. Basée à Madrid, avec des bureaux à Barcelone et au Royaume-Uni, l'entreprise se concentre sur la création d'outils d'IA pratiques applicables à travers divers secteurs.

En particulier, sa plateforme, Pixelabs AI-Engine, permet l'analyse d'images et de vidéos en temps réel pour des tâches telles que la détection d'objets, l'identification de défauts, l'analyse de surface et la reconnaissance optique de caractères (OCR). Ces capacités permettent aux utilisateurs de traiter les données visuelles plus efficacement et de réduire la dépendance aux examens manuels.

La plateforme est conçue pour s'intégrer dans les systèmes existants, facilitant ainsi l'adoption de la vision par ordinateur par les organisations sans perturber leurs opérations. Cette flexibilité permet à Pixelabs de prendre en charge un large éventail de cas d'usage et de mettre à l'échelle ses solutions à mesure que les besoins augmentent.

Link to this sectionLes défis de l'intégration et de la mise à l'échelle de la vision par ordinateur#

Dans de nombreuses industries, les opérations quotidiennes reposent encore sur des flux de travail manuels et une automatisation limitée. Les opérateurs, ingénieurs et chercheurs examinent souvent les images à la main, valident les résultats et gèrent les données à travers plusieurs outils.

Cela rend les processus plus lents, plus difficiles à standardiser et plus sujets aux incohérences, surtout à mesure que les volumes de données augmentent. Même lorsque les organisations cherchent à introduire la vision par ordinateur, la transition n'est pas toujours simple.

L'intégration de l'IA dans les systèmes existants peut nécessiter des modifications des flux de travail établis, une nouvelle infrastructure ou un effort d'ingénierie supplémentaire. C'est pourquoi de nombreuses solutions sont difficiles à mettre à l'échelle ou à maintenir au fil du temps.

Par exemple, dans les contextes de recherche comme l'imagerie rétinienne pour la détection précoce de la maladie d'Alzheimer, ces défis deviennent plus complexes. Les chercheurs doivent détecter de très petites caractéristiques, gérer de grands jeux de données d'images et assurer la cohérence des résultats dans des conditions variées.

Fig 1. Une image exemple d'imagerie rétinienne sur l'œil d'une souris.

Sans un moyen rationalisé de gérer l'analyse, la gestion des données et les sorties, il devient difficile de mettre à l'échelle ces flux de travail et de maintenir des résultats fiables.

Link to this sectionAutomatiser l'analyse d'images rétiniennes avec les modèles Ultralytics YOLO#

Pixelabs a relevé ces défis en intégrant les modèles Ultralytics YOLO dans le Pixelabs AI-Engine. La plateforme constitue le cœur de ses solutions d'IA visuelle, rendant l'exécution de l'analyse d'images et de vidéos en temps réel plus fluide à travers différentes applications sans perturber les flux de travail existants.

Elle prend en charge une gamme de tâches, y compris la détection d'objets et de défauts, l'analyse de surface et de texture, la gestion des couleurs et l'OCR. Étant agnostique au matériel et conçue pour s'intégrer via des API, elle peut être déployée dans différents environnements et mise à l'échelle.

Cette approche a été appliquée lors d'une récente collaboration avec l'équipe de recherche sur la maladie d'Alzheimer du CIBIR, où Pixelabs a développé un système pour soutenir la détection précoce de la maladie chez les souris grâce à l'imagerie rétinienne. L'objectif était d'identifier de petits indicateurs, tels que les dépôts de bêta-amyloïde, qui peuvent signaler les premiers stades de la maladie.

Pour ce faire, Pixelabs a construit un flux de travail qui connecte le stockage des données, le traitement d'images et une interface utilisateur. Les images rétiniennes, capturées à l'aide de dispositifs d'imagerie du fond d'œil spécifiques au laboratoire, sont d'abord transférées via le protocole SFTP (Secure File Transfer Protocol) et stockées dans un système centralisé, facilitant ainsi la gestion et l'accès aux grands jeux de données.

Pour garantir des résultats cohérents, des étapes de prétraitement sont ensuite appliquées pour gérer les différences de qualité d'image et d'éclairage. Cela aide le système à maintenir sa précision à travers différents échantillons et conditions.

Les images sont ensuite analysées en utilisant des modèles de vision par IA, y compris des modèles Ultralytics YOLOv8 personnalisés. Les variantes moyennes et grandes de YOLOv8 sont utilisées pour équilibrer performance et précision.

Au sein de ce pipeline, les modèles Ultralytics YOLO sont utilisés pour la détection d'objets et la classification d'images afin d'identifier et de localiser directement dans les images rétiniennes de petites zones d'intérêt, telles que les dépôts de bêta-amyloïde.

Fig 2. Les modèles de vision par ordinateur comme Ultralytics YOLOv8 peuvent aider à détecter les dépôts de bêta-amyloïde.

Enfin, les résultats sont présentés via une plateforme web où les utilisateurs peuvent télécharger des images, filtrer les données par attributs tels que l'âge, le sexe ou le phénotype, et visualiser les caractéristiques détectées accompagnées de scores de confiance. Cela simplifie le passage des données d'image brutes à des informations claires et exploitables.

Link to this sectionPourquoi choisir les modèles Ultralytics YOLO ?#

Pour Pixelabs, les modèles Ultralytics YOLO étaient parfaitement adaptés, offrant une base pratique et flexible pour construire des solutions de vision par ordinateur pouvant être adaptées rapidement à différents cas d'usage. Ils sont faciles à entraîner et à affiner, permettant à l'équipe d'itérer plus rapidement et de répondre à de nouvelles exigences sans avoir besoin de repenser le système.

Cette flexibilité a eu un impact direct sur la vitesse de développement. En tirant parti de YOLO, Pixelabs a pu accélérer ses cycles de développement et mettre ses solutions en production plus rapidement, réduisant ainsi le délai de mise sur le marché pour les nouvelles applications. Parallèlement, les modèles ont fourni des résultats plus précis et cohérents.

Link to this sectionAtteindre jusqu'à 95 % de rappel tout en améliorant l'efficacité#

L'intégration des modèles Ultralytics YOLO dans le Pixelabs AI-Engine a conduit à des améliorations nettes des performances d'analyse. Dans le cas d'usage de la recherche sur la maladie d'Alzheimer, le système a atteint des taux de rappel d'environ 90 %, augmentant jusqu'à 95 % à mesure que la maladie progressait et que les indicateurs devenaient plus visibles.

Cela a permis aux chercheurs de détecter plus fiablement de petites caractéristiques, comme les dépôts de bêta-amyloïde, à travers de grands jeux de données d'images. En conséquence, l'analyse est devenue plus cohérente, réduisant la variabilité et aidant à garantir qu'aucun indicateur important n'était manqué.

Au-delà de ce cas d'usage, Pixelabs a également reçu des retours systématiquement positifs de la part des clients utilisant ses solutions dans différentes applications. Les utilisateurs soulignent des améliorations dans la manière dont les processus sont effectués, notamment en termes d'efficacité et de fiabilité.

L'impact varie en fonction du cas d'usage spécifique, reflétant la flexibilité de la plateforme et sa capacité à s'adapter à différents besoins opérationnels. Dans l'ensemble, ces améliorations ont facilité la gestion et l'analyse des données visuelles à grande échelle, favorisant des résultats plus fiables et des flux de travail plus efficaces.

Link to this sectionFaire progresser l'IA visuelle à travers les industries#

Pixelabs continue d'étendre les capacités de sa plateforme d'IA visuelle à de nouveaux cas d'usage et industries. S'appuyant sur ses travaux dans des applications de recherche comme la détection de la maladie d'Alzheimer, l'équipe se concentre sur l'affinage de ses modèles et l'avancement de l'analyse visuelle en utilisant des technologies telles que les modèles Ultralytics YOLO.

En améliorant continuellement sa technologie, Pixelabs vise à aider les organisations à automatiser leurs processus plus efficacement et à appliquer la vision par ordinateur à un plus large éventail de flux de travail réels.

Tu souhaites rationaliser les flux de travail de ton entreprise ? Consulte notre dépôt GitHub pour en savoir plus sur la Vision AI. Découvre comment les modèles YOLO stimulent l'innovation dans des domaines comme l'IA dans le secteur de la santé et la vision par ordinateur dans la vente au détail. Pour te lancer avec YOLO, découvre comment nos options de licence peuvent soutenir ton projet.