Integrando i modelli Ultralytics YOLO nel Pixelabs AI-Engine, Pixelabs ha potuto automatizzare i flussi di lavoro visivi. Per esempio, nell’imaging retinico per la diagnosi precoce dell’Alzheimer, questa integrazione ha migliorato la coerenza nell’identificazione degli indicatori, portando il richiamo fino al 95%.
Ancora oggi, molti flussi di lavoro industriali, operativi e di ricerca si basano sulla revisione manuale delle immagini da parte delle persone per verificare i processi o individuare schemi. Con l’aumento dei dati, questa attività diventa rapidamente lenta, incoerente e difficile da scalare.
Questo vale soprattutto in ambito di ricerca, per esempio nell’imaging retinico per la diagnosi precoce dell’Alzheimer, dove individuare piccoli indicatori nelle immagini può essere difficile e richiedere molto tempo.
Pixelabs affronta questa sfida con Pixelabs AI-Engine, una piattaforma di IA visiva progettata per analizzare immagini e video in tempo reale. Utilizzando modelli di visione artificiale come i modelli Ultralytics YOLO, la piattaforma semplifica l’automazione dei flussi di lavoro visivi, migliora la coerenza e permette di scalare le analisi.
Applicare la visione artificiale per automatizzare i flussi di lavoro reali#
Pixelabs sviluppa soluzioni di IA visiva che consentono alle aziende di automatizzare e migliorare i processi esistenti utilizzando la visione artificiale. Con sede a Madrid e uffici a Barcellona e nel Regno Unito, l’azienda si concentra sulla creazione di strumenti pratici di IA applicabili in diversi settori.
In particolare, la sua piattaforma Pixelabs AI-Engine consente di analizzare immagini e video in tempo reale per attività come il rilevamento di oggetti, l’identificazione dei difetti, l’analisi delle superfici e il riconoscimento ottico dei caratteri (OCR). Queste funzionalità permettono agli utenti di elaborare i dati visivi in modo più efficiente e riducono la necessità di revisioni manuali.
La piattaforma è progettata per integrarsi nei sistemi esistenti, semplificando l’adozione della visione artificiale da parte delle organizzazioni senza interrompere le attività. Questa flessibilità consente a Pixelabs di supportare un’ampia gamma di casi d’uso e di scalare le soluzioni man mano che crescono le esigenze.
Le sfide dell’integrazione e della scalabilità della visione artificiale#
In molti settori, le attività quotidiane si basano ancora su flussi di lavoro manuali e su un’automazione limitata. Operatori, ingegneri e ricercatori spesso esaminano le immagini a mano, convalidano i risultati e gestiscono i dati con diversi strumenti.
Questo rende i processi più lenti, più difficili da standardizzare e più soggetti a incoerenze, soprattutto quando aumentano i volumi di dati. Anche quando le organizzazioni intendono introdurre la visione artificiale, la transizione non è sempre semplice.
Integrare l’IA nei sistemi esistenti può richiedere modifiche ai flussi di lavoro consolidati, nuove infrastrutture o ulteriore lavoro di ingegneria. Per questo molte soluzioni sono difficili da scalare o mantenere nel tempo.
Per esempio, in ambito di ricerca, come nell’imaging retinico per la diagnosi precoce dell’Alzheimer, queste sfide diventano più complesse. I ricercatori devono rilevare caratteristiche molto piccole, gestire grandi insiemi di immagini e assicurarsi che i risultati rimangano coerenti in condizioni diverse.
Fig. 1. Un esempio di immagine retinica dell’occhio di un topo.
Senza un metodo efficiente per gestire le analisi, i dati e i risultati, diventa difficile scalare questi flussi di lavoro e mantenere risultati affidabili.
Automatizzare l’analisi delle immagini retiniche con i modelli Ultralytics YOLO#
Pixelabs ha affrontato queste sfide integrando i modelli Ultralytics YOLO in Pixelabs AI-Engine. La piattaforma è il fulcro delle sue soluzioni di IA visiva e consente di eseguire con maggiore semplicità l’analisi in tempo reale di immagini e video in diverse applicazioni, senza interrompere i flussi di lavoro esistenti.
Supporta diverse attività, tra cui il rilevamento di oggetti e difetti, l’analisi di superfici e texture, la gestione del colore e l’OCR. Essendo indipendente dall’hardware e progettata per integrarsi tramite API, può essere distribuita in ambienti diversi e scalata.
Questo approccio è stato applicato in una recente collaborazione con il team di ricerca sull’Alzheimer del CIBIR, per cui Pixelabs ha sviluppato un sistema di supporto alla diagnosi precoce dell’Alzheimer nei topi tramite imaging retinico. L’obiettivo era individuare piccoli indicatori, come i depositi di beta-amiloide, che possono segnalare le prime fasi della malattia.
A questo scopo, 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 con dispositivi di imaging del fondo oculare specifici per il laboratorio, vengono prima trasferite tramite protocollo sicuro di trasferimento dei file (SFTP) e archiviate in un sistema centralizzato, così da semplificare la gestione e l’accesso a grandi insiemi di dati.
Per garantire risultati coerenti, vengono poi applicate fasi di preelaborazione per gestire le differenze nella qualità delle immagini e nell’illuminazione. Questo aiuta il sistema a mantenere la precisione con campioni e condizioni diversi.
Le immagini vengono quindi analizzate con modelli di IA visiva, tra cui modelli Ultralytics YOLOv8 addestrati su misura. Si utilizzano le varianti media e large di YOLOv8 per bilanciare prestazioni e precisione.
In questa pipeline, i modelli Ultralytics YOLO vengono utilizzati per il rilevamento di oggetti e la classificazione delle immagini, così da identificare e localizzare direttamente nelle immagini retiniche piccole aree di interesse, come i depositi di beta-amiloide.
Fig. 2. I modelli di visione artificiale come Ultralytics YOLOv8 possono aiutare a rilevare i depositi di beta-amiloide.
Infine, i risultati vengono presentati tramite una piattaforma 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. In questo modo è più semplice trasformare i dati grezzi delle immagini in informazioni chiare e utilizzabili.
Perché scegliere i modelli Ultralytics YOLO?#
Per Pixelabs, i modelli Ultralytics YOLO si sono rivelati perfetti: offrono una base pratica e flessibile per creare soluzioni di visione artificiale, adattabili rapidamente a diversi casi d’uso. Sono facili da addestrare e perfezionare, così il team può iterare più velocemente e rispondere a nuove esigenze senza dover riprogettare il sistema.
Questa flessibilità ha avuto un impatto diretto sulla velocità di sviluppo. Grazie a YOLO, Pixelabs ha potuto accelerare i cicli di sviluppo e portare più rapidamente le soluzioni in produzione, riducendo il tempo necessario per introdurre nuove applicazioni sul mercato. Allo stesso tempo, i modelli hanno fornito risultati più precisi e coerenti.
Richiamo fino al 95% e maggiore efficienza#
L’integrazione dei modelli Ultralytics YOLO in Pixelabs AI-Engine ha portato a miglioramenti evidenti nelle prestazioni di analisi. Nel caso d’uso della ricerca sull’Alzheimer, il sistema ha raggiunto tassi di richiamo intorno al 90%, arrivando fino al 95% con il progredire della malattia e una maggiore visibilità degli indicatori.
Questo ha permesso ai ricercatori di rilevare con maggiore affidabilità piccole caratteristiche, come i depositi di beta-amiloide, in grandi insiemi di immagini. Di conseguenza, l’analisi è diventata più coerente, riducendo la variabilità e contribuendo a evitare che indicatori importanti passassero inosservati.
Oltre a questo caso d’uso, Pixelabs ha ricevuto feedback costantemente positivi dai clienti che utilizzano le sue soluzioni in applicazioni diverse. Gli utenti segnalano miglioramenti nello svolgimento dei processi, in particolare in termini di efficienza e affidabilità.
L’impatto varia a seconda del caso d’uso specifico e riflette la flessibilità della piattaforma e la sua capacità di adattarsi a diverse esigenze operative. Nel complesso, questi miglioramenti hanno semplificato la gestione e l’analisi dei dati visivi su larga scala, favorendo risultati più affidabili e flussi di lavoro più efficienti.
Far progredire l’IA visiva in tutti i settori#
Pixelabs continua ad ampliare le funzionalità della propria piattaforma di IA visiva per nuovi casi d’uso e settori. Sulla base del lavoro svolto in ambiti di ricerca come la diagnosi dell’Alzheimer, il team si concentra sul perfezionamento dei modelli e sul progresso dell’analisi visiva utilizzando tecnologie come i modelli Ultralytics YOLO.
Migliorando costantemente la propria tecnologia, Pixelabs mira ad aiutare le organizzazioni ad automatizzare i processi con maggiore efficacia e ad applicare la visione artificiale a una gamma più ampia di flussi di lavoro reali.
Ti interessa semplificare i flussi di lavoro della tua azienda? Dai un’occhiata al nostro repository GitHub per saperne di più sulla Vision AI. Scopri come i modelli YOLO promuovono l’innovazione in ambiti come l’IA in ambito sanitario e la visione artificiale nel commercio al dettaglio. Per provare YOLO in prima persona, scopri come le nostre opzioni di licenza possono supportare il tuo progetto.
