YOLOvME: conteggio delle colonie, valutazione degli strisci e rilevamento della fauna selvatica
Scopri come Martin Schätz sfrutta YOLOv5 per un'analisi efficiente delle immagini nella ricerca sulle malattie infettive, il conteggio delle colonie e il monitoraggio della fauna selvatica.
Ti è mai capitato di dover valutare innumerevoli immagini, dati, risultati, ecc.? Per rendere il processo ancora più complicato, hai mai dovuto eseguire queste valutazioni manualmente? Naturalmente, è un'attività che richiede una quantità di tempo incredibile.
Per Martin Schätz, YOLOv5 si è rivelato uno strumento utile per ridurre i tempi necessari all'analisi delle immagini nella ricerca e nel monitoraggio delle malattie infettive. Sebbene Martin svolga diversi lavori contemporaneamente, l'essenza della sua attività si concentra sull'analisi di bioimmagini, un settore che lui stesso definisce "il punto d'incontro tra informatica e biologia". Volevamo saperne di più sul lavoro di Martin in merito al monitoraggio e al conteggio delle colonie, così ci siamo seduti con lui e gli abbiamo fatto alcune domande.
Link to this sectionCosa fai esattamente con YOLOv5?#
La logica di Martin nell'implementare YOLOv5 per i suoi progetti nasce dalla necessità di automatizzare i processi esistenti di rilevamento, classificazione e conteggio degli oggetti. Martin mira inoltre a utilizzare YOLOv5 per casi come il Long-Term Evolution Experiment.
Link to this sectionConteggio delle colonie batteriche#
Nei laboratori, le colonie batteriche coltivate su piastre di agar vengono solitamente contate manualmente dai tecnici. Purtroppo, il conteggio manuale può portare a risultati soggetti a errori. Per risolvere questo problema, Martin ha utilizzato YOLOv5 per automatizzare il processo di conteggio. Questo approccio ha ridotto notevolmente gli errori e i tempi associati al rilevamento e alla classificazione delle colonie.
Link to this sectionRilevamento e classificazione di oggetti microscopici#
Per eseguire test nel mondo microscopico, è necessario valutare gli strisci. Si tratta di un processo ancora eseguito principalmente in modo manuale. E come sappiamo, i processi manuali sono più soggetti a errori e variabilità nei risultati. Inoltre, sebbene esistano strumenti adeguati per il rilevamento di oggetti con forme specifiche, è necessario disporre di strumenti più specializzati per il conteggio e la classificazione automatica di vari oggetti.
Link to this sectionRilevamento e monitoraggio della fauna selvatica#
"I miei colleghi registrano la fauna selvatica nelle foreste e in altri luoghi e solitamente analizzano i video manualmente, il che significa che devono sedersi ed esaminare centinaia di video."
Tenendo presente che la ricerca manuale di un esemplare di cinghiale o cervo in un video può richiedere una quantità di tempo esorbitante, Martin sapeva che il rilevamento degli oggetti avrebbe potuto sicuramente ottimizzare questo processo. In questo caso, YOLOv5 è stato implementato per consentire il rilevamento facile e istantaneo della fauna selvatica non appena un animale entra nel campo visivo della telecamera.
Link to this sectionCome sei entrato nel mondo del machine learning e della Vision AI?#
Per la sua laurea magistrale, Martin ha studiato quelli che ama definire "gli approcci classici all'analisi delle immagini". Mentre terminava gli studi, si iniziava a parlare sempre più spesso di deep learning, che all'epoca veniva chiamato semplicemente "reti convoluzionali".
Durante questo periodo, Martin lavorava sull'estrazione di dati che non erano molto utilizzabili. Desiderando poter toccare con mano i dati, Martin ha scelto di immergersi nel mondo del machine learning e della Vision AI.
Link to this sectionCosa suggerisci a qualcuno che sta iniziando con YOLOv5?#
Al momento, il processo di apprendimento del ML e della Vision AI può essere piuttosto complicato. Essendo qualcuno che utilizza la Vision AI da un po' di tempo, Martin ha menzionato tre punti per chiunque voglia iniziare:
- "Come scienziato, preferisco leggere prima tutto in modo da poter rileggere ciò che non capisco appieno la prima volta". Acquisire un livello base di comprensione prima di immergersi nell'addestramento dei propri modelli renderà il processo molto più semplice per i principianti.
- Inoltre, Martin ha fatto riferimento all'utilità di studiare i casi d'uso degli altri. Vedere cosa stanno facendo gli altri può ispirarti per i tuoi utilizzi e progetti.
- Gioca e testa ripetutamente i tuoi progetti. Se scopri di dover cambiare qualcosa, torna indietro, apporta la modifica e continua ad andare avanti con altri test e iterazioni.
Martin Schätz è un ricercatore che si occupa anche di insegnamento con un focus sull'analisi di bioimmagini e l'elaborazione dei dati nella microscopia confocale. La motivazione alla base del progetto su cui sta lavorando Martin è 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 delle immagini scientifiche in biologia/microscopia, inclusi questi modelli di deep learning addestrati nel model Zoo.
Vogliamo mettere in evidenza anche il tuo caso d'uso di YOLOv5! Taggaci sui social media @Ultralytics con #YOLOvME per avere la possibilità di essere presentato.
