Ao integrar modelos Ultralytics YOLO no Pixelabs AI-Engine, a Pixelabs conseguiu automatizar fluxos de trabalho visuais. Por exemplo, na imagiologia da retina para a deteção precoce da doença de Alzheimer, isto melhorou a consistência na identificação de indicadores, com o recall a atingir até 95%.
Atualmente, muitos fluxos de trabalho industriais, operacionais e de investigação ainda dependem de pessoas que analisam manualmente imagens para verificar processos ou identificar padrões. À medida que os dados aumentam, isto torna-se rapidamente lento, inconsistente e difícil de escalar.
Isto é especialmente verdade em contextos de investigação, como a imagiologia da retina para a deteção precoce da doença de Alzheimer, onde identificar pequenos indicadores em imagens pode ser difícil e demorado.
A Pixelabs ajuda a resolver este problema com o Pixelabs AI-Engine, uma plataforma de IA visual concebida para a análise de imagens e vídeos em tempo real. Utilizando modelos de visão computacional, como os modelos Ultralytics YOLO, a plataforma facilita a automatização de fluxos de trabalho visuais, a melhoria da consistência e a expansão da análise.
Aplicar visão computacional para automatizar fluxos de trabalho do mundo real#
A Pixelabs desenvolve soluções de IA visual que permitem às empresas automatizar e melhorar processos existentes utilizando visão computacional. Com sede em Madrid e escritórios em Barcelona e no Reino Unido, a empresa dedica-se à criação de ferramentas práticas de IA que podem ser aplicadas em vários setores.
Em particular, a sua plataforma, Pixelabs AI-Engine, permite a análise de imagens e vídeos em tempo real para tarefas como deteção de objetos, identificação de defeitos, análise de superfícies e reconhecimento ótico de caracteres (OCR). Estas capacidades permitem aos utilizadores processar dados visuais de forma mais eficiente e reduzir a dependência da análise manual.
A plataforma foi concebida para se integrar em sistemas existentes, facilitando a adoção da visão computacional pelas organizações sem perturbar as operações. Esta flexibilidade permite à Pixelabs apoiar uma vasta gama de casos de utilização e expandir as soluções à medida que os requisitos aumentam.
Os desafios da integração e expansão da visão computacional#
Em muitos setores, as operações diárias ainda dependem de fluxos de trabalho manuais e de uma automação limitada. Operadores, engenheiros e investigadores analisam frequentemente imagens manualmente, validam resultados e gerem dados em várias ferramentas.
Isto torna os processos mais lentos, mais difíceis de uniformizar e mais propensos a inconsistências, especialmente à medida que os volumes de dados aumentam. Mesmo quando as organizações procuram introduzir visão computacional, a transição nem sempre é simples.
A integração de IA em sistemas existentes pode exigir alterações aos fluxos de trabalho estabelecidos, nova infraestrutura ou um esforço adicional de engenharia. É por isso que muitas soluções são difíceis de expandir ou manter ao longo do tempo.
Por exemplo, em contextos de investigação, como a imagiologia da retina para a deteção precoce da doença de Alzheimer, estes desafios tornam-se mais complexos. Os investigadores precisam de detetar características muito pequenas, gerir grandes conjuntos de dados de imagens e garantir que os resultados permanecem consistentes em diferentes condições.
Fig. 1. Um exemplo de uma imagem de imagiologia da retina do olho de um rato.
Sem uma forma simplificada de gerir a análise, os dados e os resultados, torna-se difícil expandir estes fluxos de trabalho e manter resultados fiáveis.
Automatizar a análise de imagens da retina com modelos Ultralytics YOLO#
A Pixelabs enfrentou estes desafios ao integrar modelos Ultralytics YOLO no Pixelabs AI-Engine. A plataforma funciona como o núcleo das suas soluções de IA visual, tornando mais simples executar análises de imagens e vídeos em tempo real em diferentes aplicações, sem perturbar os fluxos de trabalho existentes.
Suporta várias tarefas, incluindo deteção de objetos e defeitos, análise de superfícies e texturas, gestão de cores e OCR. Por ser independente do hardware e ter sido concebida para integração através de APIs, pode ser implementada em diferentes ambientes e expandida.
Esta abordagem foi aplicada numa colaboração recente com a equipa de investigação sobre Alzheimer do CIBIR, na qual a Pixelabs desenvolveu um sistema para apoiar a deteção precoce da doença de Alzheimer em ratos através de imagiologia da retina. O objetivo era identificar pequenos indicadores, como depósitos de beta-amiloide, que podem sinalizar as fases iniciais da doença.
Para isso, a Pixelabs criou um fluxo de trabalho que liga o armazenamento de dados, o processamento de imagens e uma interface de utilizador. As imagens da retina, captadas com dispositivos de imagiologia do fundo ocular específicos para laboratório, são primeiro transferidas através do Protocolo de Transferência Segura de Ficheiros (SFTP) e armazenadas num sistema centralizado, facilitando a gestão e o acesso a grandes conjuntos de dados.
Para garantir resultados consistentes, são depois aplicadas etapas de pré-processamento para lidar com diferenças na qualidade e na iluminação das imagens. Isto ajuda o sistema a manter a precisão em diferentes amostras e condições.
As imagens são então analisadas utilizando modelos de IA visual, incluindo modelos Ultralytics YOLOv8 treinados à medida. São utilizadas variantes médias e grandes do YOLOv8 para equilibrar desempenho e precisão.
Neste pipeline, os modelos Ultralytics YOLO são utilizados para deteção de objetos e classificação de imagens, identificando e localizando pequenas áreas de interesse, como depósitos de beta-amiloide, diretamente nas imagens da retina.
Fig. 2. Modelos de visão computacional, como o Ultralytics YOLOv8, podem ajudar a detetar depósitos de beta-amiloide.
Por fim, os resultados são apresentados através de uma plataforma baseada na Web, onde os utilizadores podem carregar imagens, filtrar dados por atributos como idade, género ou fenótipo e visualizar as características detetadas juntamente com as pontuações de confiança. Isto simplifica a passagem de dados de imagem brutos para informações claras e úteis.
Porquê escolher os modelos Ultralytics YOLO?#
Para a Pixelabs, os modelos Ultralytics YOLO foram uma escolha ideal, proporcionando uma base prática e flexível para criar soluções de visão computacional que podem ser rapidamente adaptadas a diferentes casos de utilização. São fáceis de treinar e aperfeiçoar, permitindo à equipa iterar mais rapidamente e responder a novos requisitos sem precisar de redesenhar o sistema.
Esta flexibilidade teve um impacto direto na velocidade de desenvolvimento. Ao tirar partido do YOLO, a Pixelabs conseguiu acelerar os seus ciclos de desenvolvimento e colocar soluções em produção mais rapidamente, reduzindo o tempo de chegada ao mercado de novas aplicações. Ao mesmo tempo, os modelos produziram resultados mais precisos e consistentes.
Alcançar até 95% de recall e melhorar a eficiência#
A integração dos modelos Ultralytics YOLO no Pixelabs AI-Engine conduziu a melhorias claras no desempenho da análise. No caso de utilização de investigação sobre Alzheimer, o sistema alcançou taxas de recall de cerca de 90%, aumentando para até 95% à medida que a doença progredia e os indicadores se tornavam mais visíveis.
Isto permitiu aos investigadores detetar de forma mais fiável pequenas características, como depósitos de beta-amiloide, em grandes conjuntos de dados de imagens. Como resultado, a análise tornou-se mais consistente, reduzindo a variabilidade e ajudando a garantir que indicadores importantes não fossem ignorados.
Para além deste caso de utilização, a Pixelabs também recebeu feedback consistentemente positivo de clientes que utilizam as suas soluções em diferentes aplicações. Os utilizadores destacam melhorias na forma como os processos são executados, especialmente em termos de eficiência e fiabilidade.
O impacto varia consoante o caso de utilização específico, refletindo a flexibilidade da plataforma e a sua capacidade de adaptação a diferentes necessidades operacionais. De forma geral, estas melhorias facilitaram a gestão e a análise de dados visuais em escala, apoiando resultados mais fiáveis e fluxos de trabalho mais eficientes.
Impulsionar a IA visual em vários setores#
A Pixelabs continua a expandir as capacidades da sua plataforma de IA visual para novos casos de utilização e setores. Com base no seu trabalho em aplicações de investigação, como a deteção de Alzheimer, a equipa está focada em aperfeiçoar os seus modelos e avançar a análise visual utilizando tecnologias como os modelos Ultralytics YOLO.
Ao melhorar continuamente a sua tecnologia, a Pixelabs pretende ajudar as organizações a automatizar processos de forma mais eficaz e a aplicar visão computacional numa gama mais ampla de fluxos de trabalho do mundo real.
Queres simplificar os fluxos de trabalho da tua empresa? Consulta o nosso repositório do GitHub para saberes mais sobre Vision AI. Descobre como os modelos YOLO estão a impulsionar inovações em áreas como IA na área da saúde e visão computacional no retalho. Para experimentares o YOLO, descobre como as nossas opções de licenciamento podem apoiar o teu projeto.
