YOLOvME: 콜로니 계수, 도말 평가 및 야생 동물 탐지
Martin Schätz가 감염병 연구, 콜로니 계수 및 야생 동물 모니터링을 위한 효율적인 이미지 분석에 YOLOv5를 어떻게 활용하는지 알아보세요.
수많은 이미지, 데이터, 결과 등을 평가해야 했던 적이 있으신가요? 프로세스를 더 복잡하게 만드는 것은, 이러한 평가를 수동으로 수행해야 했던 적은 없었나요? 물론 이는 엄청난 시간이 소요되는 작업입니다.
Martin Schätz에게 YOLOv5는 감염병 연구 및 모니터링에 수반되는 이미지 분석 시간을 단축하는 데 유용한 도구임이 입증되었습니다. Martin은 여러 업무를 동시에 수행하지만, 그의 핵심 업무는 그가 "컴퓨터 과학과 생물학 사이의 지점"이라고 설명하는 분야인 바이오이미지 분석에 집중되어 있습니다. 우리는 Martin의 콜로니 모니터링 및 계수 작업에 대해 더 자세히 알아보고자 그와 인터뷰를 진행했습니다.
Link to this sectionYOLOv5를 사용하여 정확히 어떤 일을 하시나요?#
Martin이 자신의 프로젝트에 YOLOv5를 구현한 논리는 객체 탐지, 분류 및 계수를 위한 기존 프로세스를 자동화해야 할 필요성에서 비롯되었습니다. Martin은 또한 Long-Term Evolution Experiment와 같은 사례에도 YOLOv5를 활용하고자 합니다.
Link to this section박테리아 콜로니 계수#
실험실에서 한천 배지(agar plate)에 배양된 박테리아 콜로니는 일반적으로 기술자에 의해 수동으로 계수됩니다. 안타깝게도 수동 계수는 오류가 발생하기 쉬운 결과를 초래할 수 있습니다. 이 문제를 해결하기 위해 Martin은 YOLOv5를 사용하여 계수 프로세스를 자동화했습니다. 이러한 접근 방식은 콜로니 탐지 및 분류와 관련된 오류와 시간을 크게 줄였습니다.
Link to this section미세 객체 탐지 및 분류#
미세 세계에서 테스트를 수행하려면 도말(smear) 표본을 평가해야 합니다. 이는 여전히 대부분 수동으로 수행되는 프로세스입니다. 우리가 알다시피 수동 프로세스는 오류가 발생하기 쉽고 결과에 변동성이 큽니다. 또한 특정 모양의 객체 탐지를 위한 적절한 도구는 존재하지만, 다양한 객체의 자동 계수 및 분류를 위한 보다 전문화된 도구가 필요합니다.
Link to this section야생 동물 탐지 및 모니터링#
"제 동료들은 숲과 다른 장소에서 야생 동물을 기록하는데, 보통 수백 개의 영상을 일일이 앉아서 확인해야 하므로 영상을 수동으로 검토합니다."
영상에서 멧돼지나 사슴을 수동으로 찾는 데 막대한 시간이 걸릴 수 있다는 점을 고려할 때, Martin은 객체 탐지가 이 프로세스를 확실히 최적화할 수 있을 것이라고 판단했습니다. 여기에서는 YOLOv5가 구현되어 동물이 카메라 시야에 들어왔을 때 쉽고 즉각적으로 야생 동물을 탐지할 수 있게 되었습니다.
Link to this section머신 러닝과 비전 AI의 세계에 어떻게 입문하게 되셨나요?#
석사 과정에서 Martin은 자신이 "고전적인 이미지 분석 접근 방식"이라고 부르는 것을 공부했습니다. 학위를 마칠 무렵 딥러닝이 점점 더 많이 언급되기 시작했는데, 당시에는 이를 단순히 "컨볼루션 네트워크"라고 불렀습니다.
이 기간 동안 Martin은 데이터 마이닝 작업을 하고 있었는데, 이는 그다지 활용도가 높지 않았습니다. 데이터를 직접 다뤄보고 싶었던 Martin은 머신 러닝과 비전 AI의 세계에 뛰어들기로 결정했습니다.
Link to this sectionYOLOv5를 시작하려는 사람들에게 어떤 조언을 하시겠습니까?#
현재 ML과 비전 AI를 배우는 과정은 상당히 복잡할 수 있습니다. 비전 AI를 오랫동안 사용해 온 전문가로서 Martin은 시작하려는 분들에게 세 가지 포인트를 언급했습니다:
- "과학자로서 저는 먼저 모든 것을 읽고, 처음 읽었을 때 완전히 이해하지 못한 부분은 다시 읽는 것을 선호합니다." 모델 학습을 시작하기 전에 기초 수준의 이해도를 갖추면 초보자들에게 프로세스가 훨씬 쉬워질 것입니다.
- 또한 Martin은 다른 사람들의 사용 사례를 연구하는 것의 유용성을 강조했습니다. 다른 사람들이 무엇을 하고 있는지 확인하는 것은 여러분의 용도와 프로젝트에 영감을 줄 수 있습니다.
- 프로젝트를 반복적으로 실행하고 테스트하세요. 무언가를 변경해야 한다는 것을 알게 되면, 다시 돌아가서 변경하고, 더 많은 테스트와 반복을 통해 계속 진행하십시오.
Martin Schätz는 공초점 현미경의 바이오이미지 분석 및 데이터 처리에 중점을 두고 교육 활동을 병행하고 있는 연구자입니다. Martin이 진행하는 프로젝트의 동기는 감염병 연구 및 모니터링을 위한 이미지 분석 과정을 최적화하는 데 있습니다. Martin의 세 가지 프로젝트에 대한 문서와 세부 정보는 그의 GitHub 저장소에서 확인할 수 있습니다. 또한, Martin은 생물학/현미경 분야의 과학적 이미지 분석에 가장 널리 사용되는 도구를 홍보하는 단체인 NEUBIAS의 일원이며, 여기에는 모델 Zoo의 학습된 딥러닝 모델이 포함되어 있습니다.
여러분의 YOLOv5 사용 사례도 소개하고 싶습니다! 소셜 미디어에서 @Ultralytics 태그와 #YOLOvME 해시태그를 달아주시면 피처링될 기회를 드립니다.
