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, nel conteggio delle colonie e nel monitoraggio 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, hai mai dovuto eseguire manualmente queste valutazioni? Naturalmente, richiede un'enorme quantità di tempo.
Per Martin Schätz, Ultralytics YOLOv5 si è dimostrato uno strumento utile per ridurre il tempo necessario all'analisi delle immagini nell'ambito della ricerca e del monitoraggio delle malattie infettive. Sebbene Martin svolga diversi ruoli, il fulcro del suo lavoro è l'analisi 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 con lui e gli abbiamo fatto alcune domande.
Che cosa fai esattamente con Ultralytics YOLOv5?#
La logica alla base dell'implementazione di Ultralytics YOLOv5 nei suoi progetti nasce dalla necessità di automatizzare i processi esistenti per il rilevamento, la classificazione e il conteggio degli oggetti. Martin intende inoltre utilizzare YOLOv5 per casi come l'Esperimento di evoluzione a lungo termine.
Conteggio delle colonie batteriche#
Nei laboratori, le colonie batteriche coltivate su piastre di agar vengono generalmente contate manualmente dai tecnici. Sfortunatamente, il conteggio manuale può produrre risultati soggetti a errori. Per affrontare questo problema, Martin ha utilizzato Ultralytics 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.
Rilevamento e classificazione di oggetti microscopici#
Per eseguire test nel mondo microscopico, è necessario valutare gli strisci. Questo processo viene ancora svolto 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, sono necessari strumenti più specializzati per il conteggio e la classificazione automatici di vari oggetti.
Rilevamento e monitoraggio della fauna selvatica#
“I miei colleghi registrano la fauna selvatica nelle foreste e in altri luoghi e in genere esaminano manualmente i video, il che significa che devono sedersi e passare in rassegna centinaia di video.”
Tenendo presente che cercare manualmente in un video la presenza di un cinghiale o di un cervo può richiedere una quantità spropositata di tempo, Martin sapeva che il rilevamento degli oggetti avrebbe potuto ottimizzare decisamente questo processo. In questo caso, Ultralytics YOLOv5 è stato implementato per consentire di rilevare facilmente e istantaneamente la fauna selvatica quando un animale entrava nel campo visivo della telecamera.
Come sei entrato nel mondo del machine learning e della vision AI?#
Per la laurea magistrale, Martin ha studiato quelli che ama definire gli “approcci classici all'analisi delle immagini”. Mentre completava gli studi, il deep learning iniziava a essere sempre più discusso e, all'epoca, veniva semplicemente chiamato “reti convoluzionali”.
Durante questo periodo, Martin lavorava sull'estrazione di dati, che non erano molto utilizzabili. Desiderando poter lavorare direttamente con i dati, Martin ha scelto di immergersi nel mondo del machine learning e della vision AI.
Che cosa suggerisci a chi inizia a usare Ultralytics YOLOv5?#
Al momento, il processo di apprendimento del ML e della vision AI può essere piuttosto complicato. In quanto persona che utilizza la vision AI da tempo, Martin ha indicato tre punti per chiunque desideri iniziare:
- “In quanto scienziato, preferisco leggere tutto prima, così posso rileggere qualsiasi cosa non abbia compreso appieno la prima volta.” Acquisire una conoscenza di base prima di immergersi nell'addestramento dei modelli renderà il processo molto più semplice per chi è alle prime armi.
- Inoltre, Martin ha sottolineato l'utilità di studiare i casi d'uso di altre persone. Vedere ciò che fanno gli altri può ispirarti per i tuoi utilizzi e progetti.
- Esegui e testa ripetutamente i tuoi progetti. Se ti accorgi di dover modificare qualcosa, torna indietro, apporta la modifica e continua ad avanzare con ulteriori test e iterazioni.
Martin Schätz è un ricercatore che insegna anche, concentrandosi sull'analisi delle bioimmagini e sull'elaborazione dei dati nella microscopia confocale. La motivazione alla base del progetto su cui Martin sta lavorando è ottimizzare il processo di analisi delle immagini per la ricerca e il monitoraggio delle malattie infettive. Puoi trovare la documentazione e i dettagli sui 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 e microscopia, tra cui questi modelli di deep learning addestrati nello zoo dei modelli.
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 incluso.
