YOLOvME: Contagem de colónias, avaliação de esfregaços e deteção de animais selvagens

Já alguma vez teve de avaliar inúmeras imagens, dados, resultados, etc.? Para complicar ainda mais o processo, alguma vez teve de efetuar estas avaliações manualmente? É claro que isso consome imenso tempo.

Para Martin Schätz, o 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.

O que é que se faz exatamente com o YOLOv5?

A lógica de Martin para implementar o YOLOv5 nos seus projectos deriva da necessidade de automatizar os processos existentes de deteção, classificação e contagem de objectos. Martin também pretende utilizar o YOLOv5 em casos como a Experiência de Evolução a Longo Prazo.

Contagem de colónias bacterianas

Nos laboratórios, as colónias de bactérias 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 o YOLOv5 para automatizar o processo de contagem. Esta abordagem reduziu significativamente o erro e o tempo associados à deteção e classificação das colónias.

Deteção e Classificação de Objectos Microscópicos

Para efetuar testes no mundo microscópico, é necessário avaliar esfregaços. Este é ainda um processo que é realizado maioritariamente de forma manual. E como sabemos, os processos manuais são mais propensos a erros e à variabilidade dos resultados. Além disso, embora existam ferramentas adequadas para a deteção de objectos de formas específicas, não existem ferramentas mais especializadas para a contagem e classificação automáticas de vários objectos.

Deteção e monitorização da vida selvagem

"Os meus colegas gravam a vida selvagem em florestas e outros locais e, normalmente, analisam os vídeos manualmente, o que significa que têm de 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, o YOLOv5 foi implementado para permitir que a vida selvagem fosse fácil e instantaneamente detectada quando um animal entrasse na linha de visão da câmara.

Como é que entrou no mundo da aprendizagem automática e da IA de visão?

Para o seu mestrado, Martin estudou aquilo a que gosta de chamar as "abordagens clássicas à análise de imagens". Enquanto terminava o curso, falava-se cada vez mais de aprendizagem profunda, que na altura se chamava apenas "redes convolucionais".

Durante este período, Martin estava a trabalhar na extração de dados, que não eram muito utilizáveis. Querendo poder sujar as mãos com os dados, Martin optou por mergulhar no mundo da aprendizagem automática e da IA de visão.

O que sugeres a alguém que está a começar a utilizar o YOLOv5?

Atualmente, o processo de aprendizagem do ML e da IA de visão pode ser bastante complicado. Como alguém que tem vindo a utilizar a IA de visão há algum tempo, Martin mencionou três pontos para quem quer começar:

1. "Como cientista, prefiro ler tudo primeiro, para poder reler tudo o que não compreendi totalmente da primeira vez." Obter um nível básico de compreensão antes de mergulhar no treino dos seus modelos tornará o processo muito mais fácil para os principiantes.
2. Além disso, Martin referiu a utilidade de estudar os casos de utilização dos outros. Ver o que os outros estão a fazer pode inspirá-lo para as suas utilizações e projectos.
3. Reproduza e teste repetidamente os seus projectos. Se achar que precisa de mudar alguma coisa, volte atrás e faça a alteração, e continue a avançar com mais testes e iterações.

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 do YOLOv5 também! Marque-nos nas redes sociais @Ultralytics com #YOLOvME para ter a oportunidade de ser apresentado.