Integrando i modelli Ultralytics YOLO nel Pixelabs AI-Engine, Pixelabs ha potuto automatizzare i flussi di lavoro visivi. Ad esempio, nell'imaging retinico per la rilevazione precoce dell'Alzheimer, questo ha migliorato la coerenza nell'identificazione degli indicatori, con un recall fino al 95%.
Oggi molti flussi di lavoro industriali, operativi e di ricerca si basano ancora sull'analisi manuale delle immagini da parte delle persone per verificare i processi o individuare schemi. Con la crescita dei dati, questa attività diventa rapidamente lenta, incoerente e difficile da scalare.
Questo vale soprattutto negli ambiti di ricerca, come l'imaging retinico per la rilevazione precoce dell'Alzheimer, dove identificare piccoli indicatori nelle immagini può essere difficile e richiedere molto tempo.
Pixelabs contribuisce a risolvere questo problema con 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 semplifica l'automazione dei flussi di lavoro visivi, migliora la coerenza e consente di scalare l'analisi.
Applicare la computer vision per automatizzare i flussi di lavoro del 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, consente l'analisi di immagini e video in tempo reale per attività come il rilevamento degli 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 di ridurre la dipendenza dall'analisi manuale.
La piattaforma è progettata per integrarsi nei sistemi esistenti, semplificando l'adozione della computer vision da parte delle organizzazioni senza interrompere le operazioni. Questa flessibilità consente a Pixelabs di supportare un'ampia gamma di casi d'uso e di scalare le soluzioni in base alla crescita dei requisiti.
Le sfide dell'integrazione e della scalabilità della computer vision#
In molti settori, le operazioni quotidiane si basano ancora su flussi di lavoro manuali e su un'automazione limitata. Operatori, ingegneri e ricercatori spesso analizzano le immagini manualmente, convalidano i risultati e gestiscono i dati attraverso più strumenti.
Questo rende i processi più lenti, più difficili da standardizzare e più soggetti a incoerenze, soprattutto 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 consolidati, nuove infrastrutture o ulteriore lavoro di engineering. Per questo molte soluzioni sono difficili da scalare o mantenere nel tempo.
Ad esempio, negli ambiti di ricerca come l'imaging retinico per la rilevazione precoce dell'Alzheimer, queste sfide diventano più complesse. I ricercatori devono rilevare caratteristiche molto piccole, gestire grandi dataset di immagini e garantire che i risultati rimangano coerenti in condizioni diverse.
Fig. 1. Un esempio di immagine retinica dell'occhio di un topo.
Senza un modo efficiente per gestire l'analisi, i dati e gli output, 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 nel Pixelabs AI-Engine. La piattaforma costituisce il nucleo delle sue soluzioni di AI visiva e semplifica l'esecuzione dell'analisi di immagini e video in tempo reale in diverse applicazioni, senza interrompere i flussi di lavoro esistenti.
Supporta un'ampia gamma di 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 diversi ambienti e scalata.
Questo approccio è stato applicato in una recente collaborazione con il team di ricerca sull'Alzheimer del CIBIR, nell'ambito della quale Pixelabs ha sviluppato un sistema per supportare la rilevazione precoce dell'Alzheimer nei topi tramite imaging retinico. L'obiettivo era identificare piccoli indicatori, come i depositi di beta-amiloide, che possono segnalare le fasi iniziali 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 utilizzando dispositivi di imaging del fundus specifici per laboratorio, vengono prima trasferite tramite il Secure File Transfer Protocol (SFTP) e archiviate in un sistema centralizzato, semplificando la gestione e l'accesso a grandi dataset.
Per garantire risultati coerenti, vengono quindi applicate fasi di pre-elaborazione per gestire le differenze nella qualità e nell'illuminazione delle immagini. Questo aiuta il sistema a mantenere la precisione tra campioni e condizioni diverse.
Le immagini vengono quindi analizzate utilizzando modelli di AI per la visione, inclusi modelli Ultralytics YOLOv8 addestrati su misura. Le varianti medie e grandi di YOLOv8 vengono utilizzate per bilanciare prestazioni e precisione.
All'interno di questa pipeline, i modelli Ultralytics YOLO vengono utilizzati per il rilevamento degli oggetti e la classificazione delle immagini, così da identificare e localizzare piccole aree di interesse, come i depositi di beta-amiloide, direttamente nelle 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 tramite una piattaforma web, dove gli utenti possono caricare immagini, filtrare i dati in base ad attributi come età, genere o fenotipo e visualizzare le caratteristiche rilevate insieme ai punteggi di confidenza. Questo semplifica il passaggio dai dati grezzi delle immagini a informazioni chiare e utilizzabili.
Perché scegliere i modelli Ultralytics YOLO?#
Per Pixelabs, i modelli Ultralytics YOLO si sono rivelati perfettamente adatti, offrendo una base pratica e flessibile per creare soluzioni di computer vision adattabili rapidamente a diversi casi d'uso. Sono facili da addestrare e perfezionare, consentendo al team di iterare più velocemente e di rispondere ai nuovi requisiti senza dover riprogettare il sistema.
Questa flessibilità ha avuto un impatto diretto sulla velocità di sviluppo. Sfruttando YOLO, Pixelabs ha potuto accelerare i cicli di sviluppo e portare più rapidamente le soluzioni in produzione, riducendo il time-to-market per le nuove applicazioni. Allo stesso tempo, i modelli hanno fornito risultati più accurati e coerenti.
Offrire un recall fino al 95% migliorando al contempo l'efficienza#
L'integrazione dei modelli Ultralytics YOLO nel Pixelabs AI-Engine ha portato miglioramenti evidenti nelle prestazioni dell'analisi. Nel caso d'uso della ricerca sull'Alzheimer, il sistema ha raggiunto tassi di recall intorno al 90%, aumentando fino al 95% con la progressione della malattia e la maggiore visibilità degli indicatori.
Questo ha permesso ai ricercatori di rilevare in modo più affidabile piccole caratteristiche, come i depositi di beta-amiloide, all'interno di grandi dataset di immagini. Di conseguenza, l'analisi è diventata più coerente, riducendo la variabilità e contribuendo a garantire che gli indicatori importanti non venissero trascurati.
Oltre a questo caso d'uso, Pixelabs ha ricevuto costantemente feedback positivi dai clienti che utilizzano le sue soluzioni in diverse applicazioni. Gli utenti evidenziano miglioramenti nel modo in cui vengono svolti i processi, soprattutto in termini di efficienza e affidabilità.
L'impatto varia in base al caso d'uso specifico, riflettendo 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'AI visiva in tutti i settori#
Pixelabs continua ad ampliare le funzionalità della sua piattaforma di AI visiva per nuovi casi d'uso e settori. Sulla base del lavoro svolto in applicazioni di ricerca come la rilevazione dell'Alzheimer, il team si concentra sul perfezionamento dei modelli e sul progresso dell'analisi visiva utilizzando tecnologie come i modelli Ultralytics YOLO.
Migliorando continuamente la propria tecnologia, Pixelabs mira ad aiutare le organizzazioni ad automatizzare i processi in modo più efficace e ad applicare la computer vision a una gamma più ampia di flussi di lavoro del mondo reale.
Vuoi 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 stanno promuovendo l'innovazione in aree come l'AI nel settore sanitario e la computer vision nel settore retail. Per fare pratica con YOLO, scopri come le nostre opzioni di licenza possono supportare il tuo progetto.
