YOLOvME: Contagem de Colônias, Avaliação de Esfregaços e Detecção de Vida Selvagem

Você já teve que avaliar inúmeras imagens, dados, resultados, etc.? Para tornar o processo mais complicado, você já teve que fazer essas avaliações manualmente? Obviamente, isso consome muito tempo.

Para Martin Schätz, o YOLOv5 provou ser uma ferramenta útil para reduzir o tempo necessário para a análise de imagens envolvida na pesquisa e monitoramento de doenças infecciosas. Embora Martin desempenhe várias funções em uma, a essência de seu trabalho se concentra na análise de bioimagens, um setor que ele descreve como "o ponto entre a ciência da computação e a biologia". Queríamos saber mais sobre o trabalho de Martin com monitoramento e contagem de colônias, então nos sentamos e fizemos algumas perguntas a ele.

O Que Exatamente Você Faz Com o YOLOv5?

A lógica de Martin por trás da implementação do YOLOv5 para seus projetos decorre da necessidade de automatizar os processos existentes para detecção, classificação e contagem de objetos. Martin também pretende usar o YOLOv5 para casos como a Long-Term Evolution Experiment.

Contagem de Colônias Bacterianas

Em laboratórios, colônias bacterianas cultivadas em placas de ágar são geralmente contadas manualmente por técnicos. Infelizmente, a contagem manual pode levar a resultados propensos a erros. Para resolver este problema, Martin utilizou o YOLOv5 para automatizar o processo de contagem. Esta abordagem reduziu muito o erro e o tempo associados à detecção e classificação de colônias.

Detecção e Classificação Microscópica de Objetos

Para realizar testes no mundo microscópico, é necessário avaliar esfregaços. Este ainda é um processo que é realizado principalmente de forma manual. E como sabemos, os processos manuais são mais propensos a erros e variabilidade nos resultados. Além disso, embora existam ferramentas adequadas para a detecção de objetos de formas específicas, são necessárias ferramentas mais especializadas para a contagem e classificação automática de vários objetos.

Detecção e Monitoramento da Vida Selvagem

“Meus colegas gravam a vida selvagem em florestas e outros locais e normalmente analisam os vídeos manualmente, o que significa que têm que se sentar e analisar centenas de vídeos.”

Tendo em mente que procurar manualmente por uma instância de um porco selvagem ou veado em um vídeo pode levar uma quantidade exorbitante de tempo, Martin sabia que a detecção de objetos poderia definitivamente otimizar esse processo. Aqui, o YOLOv5 foi implementado, permitindo que a vida selvagem fosse facilmente e instantaneamente detectada quando um animal entrasse na linha de visão da câmera.

Como você entrou no mundo do aprendizado de máquina e da visão de IA?

Para seu mestrado, Martin estudou o que ele gosta de chamar de “abordagens clássicas para análise de imagem.” Enquanto terminava seu mestrado, o aprendizado profundo estava se tornando cada vez mais falado, que na época, era apenas chamado de “redes convolucionais.”

Durante este período, Martin estava trabalhando na mineração de dados, que não era muito utilizável. Querendo poder colocar a mão na massa com os dados, Martin optou por mergulhar no mundo do aprendizado de máquina e da visão de IA.

O Que Você Sugere Para Alguém Começando Com YOLOv5?

Atualmente, o processo de aprendizagem de ML e visão de IA pode ser bastante complicado. Como alguém que usa visão de IA há algum tempo, Martin mencionou três pontos para quem deseja começar:

1. “Como cientista, prefiro ler tudo primeiro para poder reler qualquer coisa que não entenda completamente na primeira vez.” Obter um nível básico de compreensão antes de começar a treinar seus modelos tornará o processo muito mais fácil para os novatos.
2. Além disso, Martin mencionou a utilidade de estudar os casos de uso de outros. Ver o que os outros estão fazendo pode inspirá-lo para seus usos e projetos.
3. Jogue e teste seus projetos repetidamente. Se você perceber que precisa mudar algo, volte e faça a alteração, e continue avançando com mais testes e iterações.

Martin Schätz é um pesquisador que também leciona com foco em Análise de Bioimagens e processamento de dados em microscopia confocal. A motivação por trás do projeto em que Martin está trabalhando é otimizar o processo de análise de imagens para pesquisa e monitoramento de doenças infecciosas. Você pode encontrar documentação e detalhes por trás dos três projetos de Martin em seu repositório GitHub. Além disso, Martin faz parte da NEUBIAS, uma organização que promove as ferramentas mais utilizadas para análise de imagens científicas em biologia/microscopia, incluindo estes modelos de deep learning treinados no Model Zoo.

Queremos destacar seu caso de uso do YOLOv5 também! Marque-nos nas redes sociais @Ultralytics com #YOLOvME para ter a chance de ser destaque.