YOLOvME: Contagem de Colónias, Avaliação de Esfregaços e Deteção de Vida Selvagem
Descobre como Martin Schätz aproveita o YOLOv5 para uma análise de imagem eficiente na investigação de doenças infeciosas, contagem de colónias e monitorização da vida selvagem.
Já tiveste de avaliar inúmeras imagens, dados, resultados, etc.? Para tornar o processo mais complicado, já tiveste de fazer estas avaliações manualmente? Claro, isso consome um tempo incrível.
Para Martin Schätz, o YOLOv5 provou ser uma ferramenta útil na redução do tempo necessário para a análise de imagens envolvida na pesquisa e monitorização de doenças infeciosas. Embora o Martin desempenhe várias funções ao mesmo tempo, a essência do seu trabalho foca-se na análise de bioimagens, um setor que ele descreve como "o ponto de encontro entre a ciência da computação e a biologia". Queríamos saber mais sobre o trabalho do Martin com a monitorização e contagem de colónias, por isso sentámo-nos e fizemos-lhe algumas perguntas.
Link to this sectionO que fazes exatamente com o YOLOv5?#
A lógica do Martin por trás da implementação do YOLOv5 nos seus projetos deriva da necessidade de automatizar processos existentes para deteção, classificação e contagem de objetos. O Martin também pretende usar o YOLOv5 para casos como o Long-Term Evolution Experiment.
Link to this sectionContagem de Colônias Bacterianas#
Em laboratórios, as colónias bacterianas cultivadas em placas de ágar são geralmente contadas manualmente por técnicos. Infelizmente, a contagem manual pode conduzir a resultados propensos a erros. Para resolver este problema, o Martin utilizou o YOLOv5 para automatizar o processo de contagem. Esta abordagem reduziu significativamente o erro e o tempo associados à deteção e classificação de colónias.
Link to this sectionDeteção e Classificação de Objetos Microscópicos#
Para realizar testes no mundo microscópico, é necessário avaliar esfregaços. Este ainda é um processo realizado maioritariamente de forma manual. E como sabemos, processos manuais são mais propensos a erros e variabilidade nos resultados. Além disso, embora existam ferramentas adequadas para a deteção de objetos com formas específicas, há uma necessidade de ferramentas mais especializadas para a contagem e classificação automática de vários objetos.
Link to this sectionDeteção e Monitorização de Vida Selvagem#
"Os meus colegas registam a vida selvagem em florestas e outros locais e, tipicamente, analisam os vídeos manualmente, o que significa que têm de se sentar e rever centenas de vídeos."
Tendo em mente que procurar manualmente por um exemplar de um javali ou veado num vídeo pode consumir uma quantidade exorbitante de tempo, o Martin sabia que a deteção de objetos poderia definitivamente otimizar este processo. Aqui, o YOLOv5 foi implementado permitindo que a vida selvagem fosse detetada de forma fácil e instantânea assim que um animal entrava no campo de visão da câmara.
Link to this sectionComo entraste no mundo do Machine Learning e da Visão Computacional?#
Para o seu mestrado, o Martin estudou o que gosta de chamar de "abordagens clássicas à análise de imagem". Enquanto terminava o seu curso, a aprendizagem profunda (deep learning) estava a tornar-se cada vez mais comentada, o que na altura era apenas chamado de "redes convolucionais".
Durante este período, o Martin estava a trabalhar na mineração de dados, que não eram muito utilizáveis. Querendo colocar as mãos na massa com os dados, o Martin escolheu mergulhar no mundo do machine learning e da visão computacional.
Link to this sectionO que sugeres para alguém que está a começar com o YOLOv5?#
Neste momento, o processo de aprender ML e visão computacional pode ser bastante complicado. Como alguém que usa visão computacional há algum tempo, o Martin mencionou três pontos para quem procura começar:
- "Como cientista, prefiro ler tudo primeiro para que possa reler qualquer coisa que não compreenda totalmente à primeira." Obter um nível básico de compreensão antes de mergulhares no treino dos teus modelos tornará o processo muito mais fácil para os principiantes.
- Além disso, o Martin referenciou a utilidade de estudar os casos de uso de outras pessoas. Ver o que os outros estão a fazer pode inspirar-te para as tuas próprias utilizações e projetos.
- Joga e testa repetidamente os teus projetos. Se descobrires que precisas de mudar algo, volta atrás, faz a alteração e continua a avançar com mais testes e iterações.
Martin Schätz é um investigador que também leciona com foco em Análise de Bioimagens e processamento de dados em microscopia confocal. A motivação por trás do projeto em que o Martin está a trabalhar é otimizar o processo de análise de imagem para a pesquisa e monitorização de doenças infeciosas. Podes encontrar documentação e detalhes sobre os três projetos do Martin no seu repositório GitHub. Além disso, o Martin faz parte da NEUBIAS, uma organização que promove as ferramentas mais utilizadas para análise científica de imagens em biologia/microscopia, incluindo estes modelos de aprendizagem profunda treinados no Model Zoo.
Também queremos destacar o teu caso de uso do YOLOv5! Marca-nos nas redes sociais @Ultralytics com #YOLOvME para teres a oportunidade de seres apresentado.
