YOLOvME: conteggio delle colonie, valutazione degli strisci e rilevamento della fauna selvatica

Ti è mai capitato di dover valutare innumerevoli immagini, dati, risultati e così via? E, per rendere il processo ancora più complicato, ti è mai capitato di dover svolgere queste valutazioni manualmente? Naturalmente, è un'attività che richiede moltissimo tempo.

Per Martin Schätz, Ultralytics YOLOv5 si è rivelato uno strumento utile per ridurre il tempo necessario all'analisi delle immagini nella ricerca e nel monitoraggio delle malattie infettive. Martin svolge diversi ruoli, ma il fulcro del suo lavoro è l'analisi delle bioimmagini, un settore che descrive come “il punto d'incontro tra informatica e biologia”. Volevamo saperne di più sul lavoro di Martin nel monitoraggio e nel conteggio delle colonie, così ci siamo seduti a fare due chiacchiere con lui.

Cosa fai esattamente con Ultralytics YOLOv5?#

L'idea alla base dell'impiego di Ultralytics YOLOv5 nei progetti di Martin nasce dall'esigenza di automatizzare i processi esistenti di rilevamento, classificazione e conteggio degli oggetti. Martin intende inoltre usare YOLOv5 in casi come il Long-Term Evolution Experiment.

Conteggio delle colonie batteriche#

Nei laboratori, le colonie batteriche coltivate su piastre di agar vengono generalmente contate manualmente dai tecnici. Purtroppo, il conteggio manuale è soggetto a errori. Per risolvere il problema, Martin ha usato Ultralytics YOLOv5 per automatizzare il processo di conteggio. Questo approccio ha ridotto notevolmente il tempo e gli errori associati al rilevamento e alla classificazione delle colonie.

Rilevamento e classificazione di oggetti microscopici#

Per eseguire test nel mondo microscopico, è necessario valutare gli strisci. Questo processo viene ancora svolto per lo più manualmente. Come sappiamo, i processi manuali sono più soggetti a errori e a risultati variabili. Inoltre, sebbene esistano strumenti adeguati per rilevare oggetti di forme specifiche, servono strumenti più specializzati per il conteggio e la classificazione automatici di oggetti diversi.

Rilevamento e monitoraggio della fauna selvatica#

“I miei colleghi registrano la fauna selvatica nei boschi e in altri luoghi e poi di solito esaminano i video manualmente, il che significa che devono sedersi e passare in rassegna centinaia di video.”

Consapevole che cercare manualmente un cinghiale o un cervo in un video può richiedere una quantità eccessiva di tempo, Martin sapeva che il rilevamento degli oggetti avrebbe potuto ottimizzare questo processo. In questo caso, è stato implementato Ultralytics YOLOv5, che consente di rilevare la fauna selvatica in modo semplice e immediato quando un animale entra nel campo visivo della telecamera.

Come sei entrato nel mondo del machine learning e dell'IA visiva?#

Durante il master, Martin ha studiato quelli che ama definire i “metodi classici di analisi delle immagini”. Mentre completava gli studi, il deep learning iniziava a essere sempre più discusso e, all'epoca, veniva chiamato semplicemente “reti convoluzionali”.

In quel periodo, Martin lavorava all'estrazione di dati che non erano molto utilizzabili. Volendo poter lavorare direttamente con i dati, Martin ha scelto di immergersi nel mondo del machine learning e dell'IA visiva.

Cosa consigli a chi vuole iniziare a usare Ultralytics YOLOv5?#

Oggi, imparare il machine learning e l'IA visiva può essere piuttosto complicato. In base alla sua esperienza nell'uso dell'IA visiva, Martin ha indicato tre punti per chiunque voglia iniziare:

1. “Da scienziato, preferisco leggere tutto prima, così posso rileggere qualsiasi cosa non abbia capito del tutto al primo tentativo.” Acquisire una conoscenza di base prima di iniziare ad addestrare i modelli renderà il processo molto più semplice per chi è alle prime armi.
2. Inoltre, Martin ha sottolineato l'utilità di studiare i casi d'uso di altre persone. Vedere cosa fanno gli altri può darti ispirazione per i tuoi usi e progetti.
3. Prova e testa i tuoi progetti più volte. Se ti accorgi di dover cambiare qualcosa, torna indietro e apporta la modifica, poi continua con altri test e iterazioni.

Martin Schätz è un ricercatore e docente specializzato nell'analisi delle bioimmagini e nell'elaborazione dei dati nella microscopia confocale. Il progetto a cui sta lavorando Martin mira a ottimizzare il processo di analisi delle immagini per la ricerca e il monitoraggio delle malattie infettive. Puoi trovare la documentazione e i dettagli dei tre progetti di Martin nel suo repository GitHub. Inoltre, Martin fa parte di NEUBIAS, un'organizzazione che promuove gli strumenti più utilizzati per l'analisi scientifica delle immagini in biologia e microscopia, compresi questi modelli di deep learning addestrati nella raccolta di modelli.

Anche noi vogliamo mettere in evidenza il tuo caso d'uso di YOLOv5! Taggaci sui social media con @Ultralytics e #YOLOvME per avere la possibilità di essere presentato.