En intégrant les modèles Ultralytics YOLO au Pixelabs AI-Engine, Pixelabs a pu automatiser les workflows visuels. Par exemple, pour l’imagerie rétinienne destinée à la détection précoce de la maladie d’Alzheimer, cette intégration a amélioré la cohérence de l’identification des indicateurs, avec un rappel atteignant jusqu’à 95 %.
Aujourd’hui, de nombreux workflows industriels, opérationnels et de recherche reposent encore sur l’examen manuel d’images par des personnes pour vérifier les processus ou repérer des tendances. À mesure que les données augmentent, cette approche devient rapidement lente, incohérente et difficile à mettre à l’échelle.
Cela est particulièrement vrai dans les contextes de recherche comme l’imagerie rétinienne destinée à la détection précoce de la maladie d’Alzheimer, où l’identification de petits indicateurs dans les images peut être difficile et chronophage.
Pixelabs contribue à résoudre ce problème grâce au 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 tels que les modèles Ultralytics YOLO, la plateforme facilite l’automatisation des workflows visuels, l’amélioration de la cohérence et la mise à l’échelle de l’analyse.
Appliquer la vision par ordinateur pour automatiser les workflows 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 pouvant être appliqués dans différents secteurs.
Plus précisément, 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 des défauts, l’analyse des surfaces et la reconnaissance optique de caractères (OCR). Ces fonctionnalités permettent aux utilisateurs de traiter les données visuelles plus efficacement et de réduire leur dépendance à l’examen manuel.
La plateforme est conçue pour s’intégrer aux systèmes existants, ce qui facilite 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 faire évoluer les solutions à mesure que les besoins augmentent.
Les défis liés à l’intégration et à la mise à l’échelle de la vision par ordinateur#
Dans de nombreux secteurs, les opérations quotidiennes reposent encore sur des workflows manuels et une automatisation limitée. Les opérateurs, les ingénieurs et les chercheurs examinent souvent les images manuellement, valident les résultats et gèrent les données dans plusieurs outils.
Cela ralentit les processus, les rend plus difficiles à standardiser et augmente le risque d’incohérences, en particulier lorsque 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 aux systèmes existants peut nécessiter des changements dans les workflows établis, une nouvelle infrastructure ou des efforts d’ingénierie supplémentaires. C’est pourquoi de nombreuses solutions sont difficiles à mettre à l’échelle ou à maintenir au fil du temps.
Par exemple, dans des contextes de recherche comme l’imagerie rétinienne destinée à la détection précoce de la maladie d’Alzheimer, ces défis deviennent plus complexes. Les chercheurs doivent détecter de très petites caractéristiques, gérer de vastes jeux de données d’images et garantir la cohérence des résultats dans différentes conditions.
Fig. 1. Exemple d’image d’une imagerie rétinienne de l’œil d’une souris.
Sans méthode rationalisée pour gérer l’analyse, les données et les résultats, il devient difficile de mettre ces workflows à l’échelle et de maintenir 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 au Pixelabs AI-Engine. La plateforme constitue le cœur de ses solutions d’IA visuelle, en facilitant l’exécution d’analyses d’images et de vidéos en temps réel dans différentes applications, sans perturber les workflows existants.
Elle prend en charge un large éventail de tâches, notamment la détection d’objets et de défauts, l’analyse des surfaces et des textures, la gestion des couleurs et l’OCR. Comme elle est 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 dans le cadre d’une récente collaboration avec l’équipe de recherche sur la maladie d’Alzheimer du CIBIR, au cours de laquelle Pixelabs a développé un système destiné à favoriser la détection précoce de la maladie d’Alzheimer chez les souris grâce à l’imagerie rétinienne. L’objectif était d’identifier de petits indicateurs, comme les dépôts de bêta-amyloïde, susceptibles de signaler les premiers stades de la maladie.
Pour ce faire, Pixelabs a conçu un workflow reliant 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 propres au laboratoire, sont d’abord transférées via le protocole de transfert de fichiers sécurisé (SFTP), puis stockées dans un système centralisé, ce qui facilite la gestion et l’accès à de vastes 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. Cela aide le système à maintenir sa précision sur différents échantillons et dans différentes conditions.
Les images sont ensuite analysées à l’aide de modèles d’IA de vision, notamment des modèles Ultralytics YOLOv8 entraînés sur mesure. Les variantes moyenne et grande de YOLOv8 sont utilisées pour équilibrer performances et précision.
Dans ce pipeline, les modèles Ultralytics YOLO sont utilisés pour la détection d’objets et la classification d’images, afin d’identifier et de localiser de petites zones d’intérêt, comme les dépôts de bêta-amyloïde, directement dans les images rétiniennes.
Fig. 2. Des 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 importer des images, filtrer les données selon des attributs tels que l’âge, le sexe ou le phénotype, et consulter les caractéristiques détectées ainsi que les scores de confiance. Cela simplifie le passage de données d’image brutes à des informations claires et exploitables.
Pourquoi choisir les modèles Ultralytics YOLO ?#
Pour Pixelabs, les modèles Ultralytics YOLO convenaient parfaitement, car ils fournissaient une base pratique et flexible pour créer des solutions de vision par ordinateur pouvant être rapidement adaptées 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 aux nouvelles exigences sans devoir 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 plus rapidement ses solutions en production, réduisant ainsi le délai de mise sur le marché des nouvelles applications. Parallèlement, les modèles ont fourni des résultats plus précis et plus cohérents.
Atteindre jusqu’à 95 % de rappel tout en améliorant l’efficacité#
L’intégration des modèles Ultralytics YOLO au Pixelabs AI-Engine a entraîné 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 %, allant 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, sur de vastes jeux de données d’images. L’analyse est donc devenue plus cohérente, réduisant la variabilité et contribuant à garantir qu’aucun indicateur important ne soit manqué.
Au-delà de ce cas d’usage, Pixelabs a également reçu des retours constamment positifs de la part de clients utilisant ses solutions dans différentes applications. Les utilisateurs soulignent des améliorations dans la manière dont les processus sont réalisés, notamment en matière d’efficacité et de fiabilité.
L’impact varie selon le cas d’usage spécifique, ce qui reflète la flexibilité de la plateforme et sa capacité à s’adapter aux différents besoins opérationnels. Globalement, ces améliorations ont facilité la gestion et l’analyse des données visuelles à grande échelle, favorisant des résultats plus fiables et des workflows plus efficaces.
Faire progresser l’IA visuelle dans tous les secteurs#
Pixelabs continue d’étendre les capacités de sa plateforme d’IA visuelle à de nouveaux cas d’usage et secteurs. Forts de son travail dans des applications de recherche comme la détection de la maladie d’Alzheimer, ses équipes se concentrent sur l’affinement de leurs modèles et l’avancement de 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 workflows du monde réel.
Tu souhaites rationaliser les workflows de ton entreprise ? Consulte notre dépôt GitHub pour en savoir plus sur l’IA visuelle. Découvre comment les modèles YOLO favorisent les innovations dans des domaines tels que l’IA dans le secteur de la santé et la vision par ordinateur dans le commerce de détail. Pour expérimenter YOLO, découvre comment nos options de licence peuvent accompagner ton projet.
