Pixelabs ottiene un richiamo del 95% con l'automazione guidata da Ultralytics YOLO

Molti flussi di lavoro industriali, operativi e di ricerca oggi si basano ancora su persone che esaminano manualmente le immagini per controllare i processi o individuare schemi. Con la crescita dei dati, questo diventa rapidamente lento, incoerente e difficile da scalare.

Questo è particolarmente vero in contesti di ricerca come l'imaging retinico per la diagnosi precoce dell'Alzheimer, dove identificare piccoli indicatori nelle immagini può essere difficile e richiedere molto tempo.

Pixelabs aiuta a risolvere questo problema con il Pixelabs AI-Engine, una piattaforma di AI visiva progettata per l'analisi di immagini e video in tempo reale. Utilizzando modelli di computer vision come i modelli Ultralytics YOLO, la piattaforma rende più semplice automatizzare i flussi di lavoro visivi, migliorare la coerenza e scalare l'analisi.

Link to this sectionApplicare la computer vision per automatizzare i flussi di lavoro nel mondo reale#

Pixelabs sviluppa soluzioni di AI visiva che consentono alle aziende di automatizzare e migliorare i processi esistenti utilizzando la computer vision. Con sede a Madrid e uffici a Barcellona e nel Regno Unito, l'azienda si concentra sulla creazione di strumenti di AI pratici applicabili in diversi settori.

In particolare, la sua piattaforma, Pixelabs AI-Engine, abilita l'analisi in tempo reale di immagini e video per attività come il rilevamento di oggetti, identificazione di difetti, analisi delle superfici e riconoscimento ottico dei caratteri (OCR). Queste capacità consentono agli utenti di elaborare i dati visivi in modo più efficiente e ridurre la dipendenza dalla revisione manuale.

La piattaforma è progettata per integrarsi nei sistemi esistenti, rendendo più semplice per le organizzazioni adottare la computer vision senza interrompere le operazioni. Questa flessibilità consente a Pixelabs di supportare un'ampia gamma di casi d'uso e di scalare le soluzioni man mano che le esigenze crescono.

Link to this sectionLe sfide dell'integrazione e della scalabilità della computer vision#

In molti settori, le operazioni quotidiane si basano ancora su flussi di lavoro manuali e un'automazione limitata. Operatori, ingegneri e ricercatori spesso esaminano le immagini a mano, convalidano i risultati e gestiscono i dati attraverso molteplici strumenti.

Ciò rende i processi più lenti, più difficili da standardizzare e più soggetti a incoerenze, specialmente con l'aumento dei volumi di dati. Anche quando le organizzazioni cercano di introdurre la computer vision, la transizione non è sempre semplice.

Integrare l'AI nei sistemi esistenti può richiedere modifiche ai flussi di lavoro stabiliti, nuove infrastrutture o ulteriori sforzi di ingegneria. Ecco perché molte soluzioni sono difficili da scalare o mantenere nel tempo.

Ad esempio, in contesti di ricerca come l'imaging retinico per la diagnosi precoce dell'Alzheimer, queste sfide diventano più complesse. I ricercatori devono rilevare caratteristiche molto piccole, gestire grandi set di dati di immagini e garantire che i risultati rimangano coerenti in diverse condizioni.

Fig 1. Un esempio di immagine di imaging retinico sull'occhio di un topo.

Senza un modo semplificato per gestire analisi, gestione dei dati e output, diventa difficile scalare questi flussi di lavoro e mantenere risultati affidabili.

Link to this sectionAutomatizzare l'analisi delle immagini retiniche con i modelli Ultralytics YOLO#

Pixelabs ha affrontato queste sfide integrando i modelli Ultralytics YOLO nel Pixelabs AI-Engine. La piattaforma funge da fulcro delle sue soluzioni di AI visiva, rendendo più semplice eseguire analisi di immagini e video in tempo reale su diverse applicazioni senza interrompere i flussi di lavoro esistenti.

Supporta una serie di attività, tra cui il rilevamento di oggetti e difetti, l'analisi di superfici e texture, la gestione del colore e l'OCR. Poiché è indipendente dall'hardware e progettata per integrarsi tramite API, può essere distribuita in diversi ambienti e scalata.

Questo approccio è stato applicato in una recente collaborazione con il team di ricerca sull'Alzheimer del CIBIR, dove Pixelabs ha sviluppato un sistema per supportare la diagnosi precoce dell'Alzheimer nei topi utilizzando l'imaging retinico. L'obiettivo era identificare piccoli indicatori, come i depositi di beta-amiloide, che possono segnalare le prime fasi della malattia.

Per fare ciò, Pixelabs ha creato un flusso di lavoro che collega l'archiviazione dei dati, l'elaborazione delle immagini e un'interfaccia utente. Le immagini retiniche, acquisite utilizzando dispositivi di imaging del fondo oculare specifici per laboratorio, vengono prima trasferite tramite Secure File Transfer Protocol (SFTP) e archiviate in un sistema centralizzato, rendendo più facile gestire e accedere a grandi set di dati.

Per garantire risultati coerenti, vengono quindi applicati passaggi di pre-elaborazione per gestire le differenze nella qualità dell'immagine e nell'illuminazione. Ciò aiuta il sistema a mantenere la precisione su campioni e condizioni diverse.

Le immagini vengono quindi analizzate utilizzando modelli di AI visiva, inclusi modelli Ultralytics YOLOv8 addestrati su misura. Vengono utilizzate varianti medie e grandi di YOLOv8 per bilanciare prestazioni e precisione.

All'interno di questa pipeline, i modelli Ultralytics YOLO vengono utilizzati per il rilevamento di oggetti e la classificazione delle immagini per identificare e localizzare piccole aree di interesse, come i depositi di beta-amiloide, direttamente all'interno delle immagini retiniche.

Fig 2. I modelli di computer vision come Ultralytics YOLOv8 possono aiutare a rilevare i depositi di beta-amiloide.

Infine, i risultati vengono presentati attraverso una piattaforma basata sul web, dove gli utenti possono caricare immagini, filtrare i dati in base ad attributi come età, sesso o fenotipo e visualizzare le caratteristiche rilevate insieme ai punteggi di confidenza. Ciò rende più semplice passare dai dati grezzi delle immagini a insight chiari e utilizzabili.

Link to this sectionPerché scegliere i modelli Ultralytics YOLO?#

Per Pixelabs, i modelli Ultralytics YOLO sono stati la scelta perfetta, fornendo una base pratica e flessibile per costruire soluzioni di computer vision che possono essere adattate rapidamente a diversi casi d'uso. Sono facili da addestrare e perfezionare, consentendo al team di iterare più velocemente e rispondere a nuove esigenze senza dover riprogettare il sistema.

Questa flessibilità ha avuto un impatto diretto sulla velocità di sviluppo. Sfruttando YOLO, Pixelabs è stata in grado di accelerare i propri cicli di sviluppo e portare le soluzioni in produzione più rapidamente, riducendo il time-to-market per nuove applicazioni. Allo stesso tempo, i modelli hanno fornito risultati più accurati e coerenti.

Link to this sectionOttenere fino al 95% di recall migliorando al contempo l'efficienza#

L'integrazione dei modelli Ultralytics YOLO nel Pixelabs AI-Engine ha portato a chiari miglioramenti nelle prestazioni di analisi. Nel caso d'uso della ricerca sull'Alzheimer, il sistema ha raggiunto tassi di recall di circa il 90%, aumentando fino al 95% man mano che la malattia progrediva e gli indicatori diventavano più visibili.

Ciò ha permesso ai ricercatori di rilevare piccole caratteristiche, come i depositi di beta-amiloide, in modo più affidabile su grandi set di dati di immagini. Di conseguenza, l'analisi è diventata più coerente, riducendo la variabilità e aiutando a garantire che non venissero persi indicatori importanti.

Oltre a questo caso d'uso, Pixelabs ha anche ricevuto feedback costantemente positivi dai clienti che utilizzano le sue soluzioni in diverse applicazioni. Gli utenti evidenziano miglioramenti nel modo in cui vengono eseguiti i processi, in particolare in termini di efficienza e affidabilità.

L'impatto varia a seconda del caso d'uso specifico, riflettendo la flessibilità della piattaforma e la sua capacità di adattarsi alle diverse esigenze operative. Nel complesso, questi miglioramenti hanno reso più semplice gestire e analizzare i dati visivi su larga scala, supportando risultati più affidabili e flussi di lavoro più efficienti.

Link to this sectionFar avanzare l'AI visiva in tutti i settori#

Pixelabs continua ad ampliare le capacità della sua piattaforma di AI visiva in nuovi casi d'uso e settori. Basandosi sul suo lavoro in applicazioni di ricerca come la diagnosi dell'Alzheimer, il team si concentra sul perfezionamento dei propri modelli e sul progresso dell'analisi visiva utilizzando tecnologie come i modelli Ultralytics YOLO.

Migliorando continuamente la sua tecnologia, Pixelabs mira ad aiutare le organizzazioni ad automatizzare i processi in modo più efficace e ad applicare la computer vision su una gamma più ampia di flussi di lavoro nel mondo reale.

Ti interessa ottimizzare i flussi di lavoro della tua azienda? Dai un'occhiata al nostro repository GitHub per saperne di più sulla Vision AI. Esplora come i modelli YOLO stanno guidando le innovazioni in aree come l'AI nel settore sanitario e la computer vision nel retail. Per iniziare a usare YOLO, scopri come le nostre opzioni di licenza possono supportare il tuo progetto.