YOLOvME: conteggio di colonie, valutazione di strisci e rilevamento 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 dimostrato uno strumento utile per ridurre i tempi necessari per l'analisi delle immagini coinvolte nella ricerca e nel monitoraggio delle malattie infettive. Mentre Martin svolge diversi lavori in uno, l'essenza del suo lavoro si concentra sull'analisi delle bioimmagini, un settore che descrive come "il punto tra l'informatica e la biologia". Volevamo saperne di più sul lavoro di Martin con il monitoraggio e il conteggio delle colonie, quindi ci siamo seduti e gli abbiamo fatto alcune domande.

Cosa puoi fare esattamente con YOLOv5?

La logica di Martin dietro l'implementazione di YOLOv5 per i suoi progetti deriva dalla necessità di automatizzare i processi esistenti per l'object detection, la classificazione e il conteggio. Martin mira anche a utilizzare YOLOv5 per casi come il Long-Term Evolution Experiment.

Conteggio di colonie batteriche

Nei laboratori, le colonie batteriche coltivate su piastre di agar sono generalmente contate manualmente dai tecnici. Sfortunatamente, il conteggio manuale può portare a risultati imprecisi. Per affrontare questo problema, Martin ha utilizzato YOLOv5 per automatizzare il processo di conteggio. Questo approccio ha notevolmente ridotto l'errore e il tempo associati al rilevamento e alla classificazione delle colonie.

Object Detection e Classificazione Microscopica

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.

Rilevamento e monitoraggio della fauna selvatica

"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."

Tenendo presente che la ricerca manuale di un'istanza di un maiale selvatico o di un cervo in un video può richiedere un tempo esorbitante, Martin sapeva che il rilevamento di oggetti avrebbe potuto sicuramente ottimizzare questo processo. Qui, è stato implementato YOLOv5, consentendo 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 Visione Artificiale?

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.

Cosa suggeriresti a chi inizia con YOLOv5?

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:

1. "Come scienziato, preferisco leggere tutto prima, così posso rileggere qualsiasi cosa che non ho capito completamente 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 neofiti.
2. Inoltre, Martin ha fatto riferimento all'utilità di studiare i casi d'uso altrui. Vedere cosa fanno gli altri può ispirarti per i tuoi usi e progetti.
3. Riproduci e testa ripetutamente i tuoi progetti. Se ritieni di dover cambiare qualcosa, torna indietro, apporta la modifica e continua ad avanzare con più test e iterazioni.

Martin Schätz è un ricercatore che insegna anche con un focus sull'analisi di BioImmagini e sull'elaborazione dei dati nella microscopia confocale. La motivazione alla base del progetto su cui Martin sta lavorando è quella di ottimizzare il processo di analisi delle immagini per la ricerca e il monitoraggio delle malattie infettive. Puoi trovare la documentazione e i dettagli alla base dei tre progetti di Martin sul 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/microscopia, inclusi 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 presentato.