마틴 셰츠가 감염병 연구, 개체 수 집계, 야생동물 모니터링에서 효율적인 이미지 분석을 위해 YOLOv5 어떻게 활용하고 있는지 알아보세요.
마틴 셰츠가 감염병 연구, 개체 수 집계, 야생동물 모니터링에서 효율적인 이미지 분석을 위해 YOLOv5 어떻게 활용하고 있는지 알아보세요.
수많은 이미지, 데이터, 결과 등을 평가해야 했던 적이 있나요? 더 복잡하게는 이러한 평가를 수동으로 수행해야 했던 적이 있나요? 물론 엄청나게 시간이 많이 걸립니다.
마틴 셰츠에게 YOLOv5 감염병 연구 및 모니터링과 관련된 이미지 분석에 필요한 시간을 단축하는 데 유용한 도구로 입증되었습니다. Martin은 여러 가지 일을 병행하고 있지만, 그가 "컴퓨터 과학과 생물학 사이의 지점"이라고 설명하는 바이오이미지 분석에 집중하고 있습니다. 저희는 마틴의 군집 모니터링 및 계수 작업에 대해 더 자세히 알고 싶었기에 그를 만나 몇 가지 질문을 던졌습니다.
마틴이 프로젝트에 YOLOv5 구현하게 된 배경에는 물체 감지, 분류, 계산을 위한 기존 프로세스를 자동화해야 한다는 필요성이 자리 잡고 있습니다. Martin은 또한 장기 진화 실험과 같은 사례에 YOLOv5 사용하는 것을 목표로 하고 있습니다.
실험실에서는 일반적으로 한천 접시에서 자란 박테리아 콜로니를 기술자가 수동으로 계 수합니다. 안타깝게도 수동 계수는 오류가 발생하기 쉬운 결과를 초래할 수 있습니다. 이 문제를 해결하기 위해 Martin은 YOLOv5 활용하여 계수 프로세스를 자동화했습니다. 이 접근 방식은 콜로니 탐지 및 분류와 관련된 오류와 시간을 크게 줄였습니다.
미시적 세계에서 테스트를 수행하려면 도말 표본을 평가해야 합니다. 이는 여전히 대부분 수동으로 수행되는 프로세스입니다. 그리고 아시다시피 수동 프로세스는 오류가 발생하기 쉽고 결과의 변동성이 큽니다. 또한 특정 모양의 객체 탐지를 위한 적절한 도구는 있지만 다양한 객체의 자동 계산 및 분류를 위한 보다 전문화된 도구가 있습니다.
“제 동료들은 숲이나 다른 장소에서 야생 동물을 촬영하고 일반적으로 비디오를 수동으로 확인합니다. 즉, 자리에 앉아 수백 개의 비디오를 일일이 봐야 합니다.”
마틴은 영상에서 멧돼지나 사슴을 수동으로 검색하는 데 엄청난 시간이 걸릴 수 있다는 점을 염두에 두고 객체 감지 기능이 이 프로세스를 최적화할 수 있다는 것을 알았습니다. 이에 YOLOv5 구현하여 동물이 카메라의 시야에 들어오는 순간 쉽고 즉각적으로 야생동물을 감지할 수 있도록 했습니다.
마틴은 석사 학위 과정에서 자신이 “고전적인 이미지 분석 방법”이라고 부르는 것을 연구했습니다. 학위 과정을 마칠 무렵, 딥러닝에 대한 이야기가 점점 더 많이 나왔고, 당시에는 그저 “컨볼루션 신경망”이라고 불렸습니다.
이 기간 동안 Martin은 그다지 유용하지 않은 데이터 마이닝 작업을 하고 있었습니다. 데이터로 직접 작업하고 싶었던 Martin은 머신 러닝 및 Vision AI의 세계에 뛰어들기로 결정했습니다.
현재 ML 및 Vision AI 학습 과정은 상당히 복잡할 수 있습니다. Vision AI를 오랫동안 사용해 온 Martin은 시작하려는 사람들을 위해 세 가지 사항을 언급했습니다.
마틴 셰츠 는 공초점 현미경의 바이오이미지 분석과 데이터 처리에 중점을 두고 가르치는 연구자입니다. Martin이 진행하고 있는 프로젝트의 동기는 감염병 연구 및 모니터링을 위한 이미지 분석 프로세스를 최적화하는 것입니다. Martin의 세 가지 프로젝트에 대한 문서와 자세한 내용은 다음에서 확인할 수 있습니다. 깃허브 리포지토리. 또한 Martin은 NEUBIAS의 일원으로 생물학/현미경 분야에서 과학 이미지 분석에 가장 많이 사용되는 도구를 홍보하는 조직입니다. 훈련된 딥 러닝 모델 을 포함한 과학적 이미지 분석 도구를 장려하는 단체입니다.
여러분의 YOLOv5 사용 사례도 주목해 주세요! 소셜 미디어 Ultralytics #YOLOvME를 태그하여 소개될 수 있는 기회를 잡으세요.
