En intégrant les modèles Ultralytics YOLO au Pixelabs AI-Engine, Pixelabs a pu automatiser des processus visuels. Par exemple, l'imagerie rétinienne destinée à détecter précocement la maladie d'Alzheimer a gagné en cohérence dans l'identification des indicateurs, avec un rappel pouvant atteindre 95 %.
Aujourd'hui, de nombreux processus industriels, opérationnels et de recherche reposent encore sur l'examen manuel d'images par des personnes, pour vérifier des processus ou repérer des tendances. À mesure que les données augmentent, cette tâche devient vite lente, incohérente et difficile à mettre à l'échelle.
C'est particulièrement vrai dans les contextes de recherche, comme l'imagerie rétinienne pour détecter précocement la maladie d'Alzheimer, où repérer de petits indicateurs dans les images peut être difficile et chronophage.
Pixelabs contribue à résoudre ce problème avec Pixelabs AI-Engine, une plateforme d'AI visuelle conçue pour l'analyse d'images et de vidéos en temps réel. Grâce à des modèles de vision par ordinateur, comme les modèles Ultralytics YOLO, la plateforme facilite l'automatisation des processus visuels, l'amélioration de leur cohérence et le passage à l'échelle de l'analyse.
Appliquer la vision par ordinateur pour automatiser des processus réels#
Pixelabs développe des solutions d'AI visuelle qui permettent aux entreprises d'automatiser et d'améliorer les 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'AI pratiques, applicables dans différents secteurs.
Sa plateforme, Pixelabs AI-Engine, permet notamment d'analyser des images et des 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 fonctionnalités permettent aux utilisateurs de traiter les données visuelles plus efficacement et de moins dépendre des vérifications manuelles.
La plateforme est conçue pour s'intégrer aux systèmes existants, afin que les organisations puissent adopter plus facilement la vision par ordinateur sans perturber leurs activités. Cette flexibilité permet à Pixelabs de répondre à un large éventail de cas d'usage et de faire évoluer ses solutions à mesure que les besoins augmentent.
Les défis de l'intégration et du passage à l'échelle de la vision par ordinateur#
Dans de nombreux secteurs, les activités quotidiennes reposent encore sur des processus manuels et une automatisation limitée. Les opérateurs, les ingénieurs et les chercheurs examinent souvent des images à la main, valident les résultats et gèrent les données à l'aide de plusieurs outils.
Les processus sont ainsi plus lents, plus difficiles à normaliser et davantage sujets aux incohérences, surtout lorsque les volumes de données augmentent. Même lorsque les organisations cherchent à adopter la vision par ordinateur, la transition n'est pas toujours simple.
L'intégration de l'AI aux systèmes existants peut exiger de modifier des processus établis, de mettre en place une nouvelle infrastructure ou de mobiliser des ressources d'ingénierie supplémentaires. C'est pourquoi de nombreuses solutions sont difficiles à faire évoluer ou à maintenir dans le temps.
Par exemple, dans des contextes de recherche comme l'imagerie rétinienne pour détecter précocement la maladie d'Alzheimer, ces défis se complexifient. Les chercheurs doivent détecter de très petites caractéristiques, gérer de grands jeux de données d'images et garantir la cohérence des résultats dans différentes conditions.
Fig. 1. Exemple d'image d'imagerie rétinienne de l'œil d'une souris.
Sans méthode rationalisée de gestion de l'analyse, des données et des résultats, il devient difficile de faire évoluer ces processus tout en conservant des résultats fiables.
Automatiser l'analyse d'images rétiniennes avec les modèles Ultralytics YOLO#
Pixelabs a relevé ces défis en intégrant les modèles Ultralytics YOLO à Pixelabs AI-Engine. La plateforme est au cœur de ses solutions d'AI visuelle et facilite l'analyse d'images et de vidéos en temps réel dans différentes applications, sans perturber les processus existants.
La plateforme prend en charge diverses tâches, notamment la détection d'objets et de défauts, l'analyse de surfaces et de textures, la gestion des couleurs et l'OCR. Indépendante du 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, dans le cadre de laquelle Pixelabs a développé un système d'aide à la détection précoce de la maladie chez la souris par imagerie rétinienne. L'objectif était de repérer de petits indicateurs, comme les dépôts de bêta-amyloïde, qui peuvent signaler les premiers stades de la maladie.
Pour ce faire, Pixelabs a créé un processus reliant le stockage des données, le traitement d'images et une interface utilisateur. Les images rétiniennes, capturées à l'aide d'appareils d'imagerie du fond d'œil propres au laboratoire, sont d'abord transférées via le protocole sécurisé de transfert de fichiers (SFTP), puis stockées dans un système centralisé, ce qui facilite la gestion et l'accès aux grands jeux de données.
Pour garantir la cohérence des résultats, des étapes de prétraitement sont ensuite appliquées afin de gérer les différences de qualité d'image et d'éclairage. Le système peut ainsi conserver sa précision sur différents échantillons et dans diverses conditions.
Les images sont ensuite analysées à l'aide de modèles d'AI visuelle, notamment des modèles Ultralytics YOLOv8 entraînés sur mesure. Les variantes moyenne et grande de YOLOv8 sont utilisées pour trouver un équilibre entre performances et précision.
Dans ce pipeline, les modèles Ultralytics YOLO servent à la détection d'objets et à la classification d'images pour repérer et localiser de petites zones d'intérêt, comme les dépôts de bêta-amyloïde, directement dans les images rétiniennes.
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 sur une plateforme Web où les utilisateurs peuvent téléverser des images, filtrer les données selon des attributs comme l'âge, le sexe ou le phénotype, et consulter les caractéristiques détectées avec leurs scores de confiance. Il est ainsi plus facile de transformer des données d'image brutes en informations claires et exploitables.
Pourquoi choisir les modèles Ultralytics YOLO ?#
Pour Pixelabs, les modèles Ultralytics YOLO étaient parfaitement adaptés : ils constituaient une base pratique et flexible pour créer des solutions de vision par ordinateur, facilement adaptables à différents cas d'usage. Ils sont faciles à entraîner et à affiner, ce qui permet à l'équipe d'itérer plus rapidement et de répondre à de nouveaux besoins sans devoir repenser le système.
Cette flexibilité a directement accéléré le développement. En s'appuyant sur YOLO, Pixelabs a pu raccourcir ses cycles de développement et mettre plus rapidement ses solutions en production, réduisant ainsi le délai de mise sur le marché de nouvelles applications. Les modèles ont également fourni des résultats plus précis et plus cohérents.
Jusqu'à 95 % de rappel, avec une efficacité accrue#
L'intégration des modèles Ultralytics YOLO à Pixelabs AI-Engine a nettement amélioré les performances de l'analyse. Dans le cas d'usage de recherche sur la maladie d'Alzheimer, le système a atteint des taux de rappel d'environ 90 %, pouvant grimper jusqu'à 95 % à mesure que la maladie progressait et que les indicateurs devenaient plus visibles.
Les chercheurs ont ainsi pu détecter plus fiablement de petites caractéristiques, comme les dépôts de bêta-amyloïde, dans de grands jeux de données d'images. L'analyse est devenue plus cohérente, réduisant la variabilité et contribuant à ne manquer aucun indicateur important.
Au-delà de ce cas d'usage, Pixelabs a également reçu des retours positifs constants de la part de clients qui utilisent ses solutions dans différentes applications. Les utilisateurs soulignent l'amélioration de leurs processus, notamment en matière d'efficacité et de fiabilité.
L'impact varie selon le cas d'usage, ce qui témoigne de la flexibilité de la plateforme et de sa capacité à s'adapter aux différents besoins opérationnels. Dans l'ensemble, ces améliorations ont facilité la gestion et l'analyse de données visuelles à grande échelle, favorisant des résultats plus fiables et des processus plus efficaces.
Faire progresser l'AI visuelle dans tous les secteurs#
Pixelabs continue d'étendre les capacités de sa plateforme d'AI visuelle à de nouveaux cas d'usage et secteurs. Fort de son expérience dans des applications de recherche comme la détection de la maladie d'Alzheimer, l'équipe s'attache à affiner ses modèles et à faire progresser l'analyse visuelle à l'aide de technologies telles que les modèles Ultralytics YOLO.
En améliorant continuellement sa technologie, Pixelabs souhaite aider les organisations à automatiser leurs processus plus efficacement et à appliquer la vision par ordinateur à un éventail plus large de processus réels.
Tu souhaites rationaliser les processus 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'AI dans la santé et la vision par ordinateur dans le commerce de détail. Pour prendre YOLO en main, découvre comment nos options de licence peuvent soutenir ton projet.
