25 de maio de 2022
Descubra como Martin Schätz utiliza YOLOv5 para uma análise de imagem eficiente na investigação de doenças infecciosas, contagem de colónias e monitorização da 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, YOLOv5 provou ser uma ferramenta útil para reduzir o tempo necessário para a análise de imagens envolvidas na investigação e monitorização de doenças infecciosas. Embora Martin faça vários trabalhos num só, a essência do seu trabalho centra-se na análise de bioimagens, um sector que descreve como "o ponto entre a informática e a biologia". Queríamos saber mais sobre o trabalho de Martin na monitorização e contagem de colónias, por isso sentámo-nos e fizemos-lhe algumas perguntas.
A lógica de Martin para implementar YOLOv5 nos seus projectos deriva da necessidade de automatizar os processos existentes de deteção, classificação e contagem de objectos. Martin também pretende utilizar YOLOv5 em casos como a Experiência de Evolução a Longo Prazo.
Nos laboratórios, as colónias bacterianas cultivadas em placas de ágar são geralmente contadas manualmente pelos técnicos. Infelizmente, a contagem manual pode conduzir a resultados propensos a erros. Para resolver este problema, Martin utilizou YOLOv5 para automatizar o processo de contagem. Esta abordagem reduziu significativamente o erro e o tempo associados à deteção e classificação das colónias.
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.
“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 conta que a procura manual de uma instância de um porco selvagem ou veado num vídeo pode levar uma quantidade exorbitante de tempo, Martin sabia que a deteção de objectos poderia definitivamente otimizar este processo. Neste caso, YOLOv5 foi implementado para permitir que a vida selvagem fosse fácil e instantaneamente detectada quando um animal entrasse na linha de visão da câmara.
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.
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:
Martin Schätz é um investigador que também lecciona, centrando-se na análise de bioimagens e no processamento de dados em microscopia confocal. A motivação por detrás do projeto em que Martin está a trabalhar é otimizar o processo de análise de imagens para a investigação e monitorização de doenças infecciosas. Pode encontrar documentação e detalhes sobre os três projectos de Martin no seu repositório GitHub. Para além disso, Martin faz parte do NEUBIASuma organização que promove as ferramentas mais utilizadas para a análise de imagens científicas em biologia/microscopia, incluindo estes modelos de aprendizagem profunda treinados no modelo Zoo.
Queremos destacar o seu caso de uso YOLOv5 também! Marque-nos nas redes sociais Ultralytics com #YOLOvME para ter a oportunidade de ser apresentado.
