25 maggio 2022
Scoprite come Martin Schätz sfrutta YOLOv5 per un'analisi efficiente delle immagini nella ricerca sulle malattie infettive, nel conteggio delle colonie e nel monitoraggio della fauna selvatica.
Ti è mai capitato di dover valutare innumerevoli immagini, dati, risultati, ecc.? E, per rendere il processo ancora più complicato, hai mai dovuto eseguire queste valutazioni manualmente? Ovviamente, è incredibilmente dispendioso in termini di tempo.
Per Martin Schätz, YOLOv5 si è rivelato uno strumento utile per ridurre il tempo necessario all'analisi delle immagini coinvolte nella ricerca e nel monitoraggio delle malattie infettive. Sebbene Martin svolga diversi lavori in uno, l'essenza del suo lavoro si concentra sull'analisi delle bioimmagini, un settore che descrive come "il punto di incontro tra informatica e biologia". Volevamo saperne di più sul lavoro di Martin nel monitoraggio e nel conteggio delle colonie, così ci siamo seduti e gli abbiamo fatto qualche domanda.
La logica con cui Martin ha implementato YOLOv5 per i suoi progetti deriva dalla necessità di automatizzare i processi esistenti per il rilevamento, la classificazione e il conteggio degli oggetti. Martin intende utilizzare YOLOv5 anche per casi come il Long-Term Evolution Experiment.
Nei laboratori, le colonie batteriche coltivate su piastre di agar vengono generalmente contate manualmente dai tecnici. Sfortunatamente, il conteggio manuale può portare a risultati errati. Per risolvere questo problema, Martin ha utilizzato YOLOv5 per automatizzare il processo di conteggio. Questo approccio ha ridotto notevolmente gli errori e il tempo associati al rilevamento e alla classificazione delle colonie.
Per eseguire test nel mondo microscopico, è necessario valutare gli strisci. Questo è ancora un processo che viene eseguito per lo più manualmente. E come sappiamo, i processi manuali sono più soggetti a errori e variabilità nei risultati. Inoltre, sebbene esistano strumenti adeguati per l'object detection di forme specifiche, sono necessari strumenti più specializzati per il conteggio e la classificazione automatici di vari oggetti.
"I miei colleghi registrano la fauna selvatica nelle foreste e in altri luoghi e in genere esaminano i video manualmente, il che significa che devono sedersi e scorrere centinaia di video."
Considerando che la ricerca manuale di un maiale selvatico o di un cervo in un video può richiedere una quantità di tempo esorbitante, Martin sapeva che il rilevamento degli oggetti avrebbe potuto ottimizzare questo processo. In questo caso è stato implementato YOLOv5 , che consente di rilevare facilmente e istantaneamente la fauna selvatica quando un animale entra nella linea di vista della telecamera.
Per la sua laurea magistrale, Martin ha studiato quelli che gli piace chiamare gli “approcci classici all'analisi delle immagini”. Mentre terminava la sua laurea, si parlava sempre più di deep learning, che all'epoca veniva chiamato semplicemente “reti convoluzionali”.
Durante questo periodo, Martin stava lavorando all'estrazione di dati, che non erano molto utilizzabili. Volendo sporcarsi le mani con i dati, Martin ha scelto di tuffarsi nel mondo del machine learning e della vision AI.
Al momento, il processo di apprendimento del ML e della vision AI può essere piuttosto complicato. In qualità di persona che utilizza la vision AI da un po' di tempo, Martin ha menzionato tre punti per chiunque voglia iniziare:
Martin Schätz è un ricercatore che svolge anche attività di docenza e si occupa di analisi delle immagini biologiche ed elaborazione dei dati in microscopia confocale. La motivazione alla base del progetto a cui Martin sta lavorando è quella di ottimizzare il processo di analisi delle immagini per la ricerca e il monitoraggio delle malattie infettive. La documentazione e i dettagli dei tre progetti di Martin sono disponibili sul suo repository repository GitHub. Inoltre, Martin fa parte di NEUBIAS, un'organizzazione che promuove gli strumenti più utilizzati per l'analisi scientifica delle immagini in biologia/microscopia, tra cui questi modelli di apprendimento profondo addestrati in Model Zoo.
Vogliamo mettere in evidenza anche il vostro caso d'uso di YOLOv5 ! Taggaci sui social media Ultralytics con #YOLOvME per avere la possibilità di essere presentato.
