Pixelabs alcança 95% de recall com automação impulsionada pelo Ultralytics YOLO

Muitos fluxos de trabalho industriais, operacionais e de pesquisa hoje ainda dependem de pessoas revisando imagens manualmente para verificar processos ou identificar padrões. À medida que os dados crescem, isso rapidamente se torna lento, inconsistente e difícil de escalar.

Isso é especialmente verdadeiro em ambientes de pesquisa como imagens da retina para a detecção precoce do Alzheimer, onde identificar pequenos indicadores em imagens pode ser difícil e demorado.

Pixelabs ajuda a resolver isso com o Pixelabs AI-Engine, uma plataforma de IA visual projetada para análise de imagem e vídeo em tempo real. Usando modelos de visão computacional como os modelos Ultralytics YOLO, a plataforma torna mais fácil automatizar fluxos de trabalho visuais, melhorar a consistência e escalar a análise.

Link to this sectionAplicando visão computacional para automatizar fluxos de trabalho do mundo real#

A Pixelabs desenvolve soluções de IA visual que tornam possível para empresas automatizarem e melhorarem processos existentes usando visão computacional. Sediada em Madrid, com escritórios em Barcelona e no Reino Unido, a empresa foca na criação de ferramentas de IA práticas que podem ser aplicadas em vários setores.

Em particular, sua plataforma, Pixelabs AI-Engine, permite a análise de imagem e vídeo em tempo real para tarefas como detecção de objetos, identificação de defeitos, análise de superfície e reconhecimento óptico de caracteres (OCR). Essas capacidades permitem que os usuários processem dados visuais com mais eficiência e reduzam a dependência da revisão manual.

A plataforma foi projetada para se integrar aos sistemas existentes, facilitando a adoção da visão computacional pelas organizações sem interromper as operações. Essa flexibilidade permite que a Pixelabs suporte uma ampla gama de casos de uso e escale soluções à medida que os requisitos crescem.

Link to this sectionOs desafios de integrar e escalar a visão computacional#

Em muitos setores, as operações diárias ainda dependem de fluxos de trabalho manuais e automação limitada. Operadores, engenheiros e pesquisadores frequentemente revisam imagens manualmente, validam resultados e gerenciam dados em múltiplas ferramentas.

Isso torna os processos mais lentos, difíceis de padronizar e mais propensos a inconsistências, especialmente conforme os volumes de dados aumentam. Mesmo quando as organizações buscam introduzir visão computacional, a transição nem sempre é direta.

Integrar IA em sistemas existentes pode exigir mudanças em fluxos de trabalho estabelecidos, nova infraestrutura ou esforço de engenharia adicional. É por isso que muitas soluções são difíceis de escalar ou manter ao longo do tempo.

Por exemplo, em ambientes de pesquisa como imagens da retina para a detecção precoce do Alzheimer, esses desafios tornam-se mais complexos. Os pesquisadores precisam detectar características muito pequenas, gerenciar grandes conjuntos de dados de imagens e garantir que os resultados permaneçam consistentes em diferentes condições.

Fig 1. Uma imagem de exemplo de imagem da retina no olho de um camundongo.

Sem uma maneira simplificada de lidar com a análise, o gerenciamento de dados e as saídas, torna-se difícil escalar esses fluxos de trabalho e manter resultados confiáveis.

Link to this sectionAutomatizando a análise de imagens da retina com modelos Ultralytics YOLO#

A Pixelabs superou esses desafios integrando modelos do Ultralytics YOLO no Pixelabs AI-Engine. A plataforma atua como o núcleo de suas soluções de IA visual, tornando mais simples executar análises de imagem e vídeo em tempo real em diferentes aplicações sem interromper os fluxos de trabalho existentes.

Ela suporta uma gama de tarefas, incluindo detecção de objetos e defeitos, análise de superfície e textura, gerenciamento de cores e OCR. Como é independente de hardware e projetada para se integrar via APIs, ela pode ser implantada em diferentes ambientes e escalada.

Esta abordagem foi aplicada em uma colaboração recente com a equipe de pesquisa de Alzheimer do CIBIR, onde a Pixelabs desenvolveu um sistema para apoiar a detecção precoce do Alzheimer em camundongos usando imagens da retina. O objetivo era identificar pequenos indicadores, como depósitos de beta-amiloide, que podem sinalizar os estágios iniciais da doença.

Para fazer isso, a Pixelabs construiu um fluxo de trabalho que conecta o armazenamento de dados, processamento de imagem e uma interface de usuário. As imagens da retina, capturadas usando dispositivos de imagem de fundo específicos de laboratório, são primeiro transferidas via Secure File Transfer Protocol (SFTP) e armazenadas em um sistema centralizado, facilitando o gerenciamento e o acesso a grandes conjuntos de dados.

Para garantir resultados consistentes, etapas de pré-processamento são então aplicadas para lidar com diferenças na qualidade e iluminação da imagem. Isso ajuda o sistema a manter a precisão em diferentes amostras e condições.

As imagens são então analisadas usando modelos de IA de visão, incluindo modelos Ultralytics YOLOv8 treinados sob medida. Variantes médias e grandes do YOLOv8 são usadas para equilibrar desempenho e precisão.

Dentro deste pipeline, os modelos Ultralytics YOLO são usados para detecção de objetos e classificação de imagem para identificar e localizar 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 detectar depósitos de beta-amiloide.

Finalmente, os resultados são apresentados por meio de uma plataforma baseada na web, onde os usuários podem carregar imagens, filtrar dados por atributos como idade, gênero ou fenótipo, e visualizar as características detectadas junto com as pontuações de confiança. Isso torna mais simples passar de dados de imagem brutos para insights claros e utilizáveis.

Link to this sectionPor que escolher Ultralytics YOLO models?#

Para a Pixelabs, os modelos Ultralytics YOLO foram a escolha perfeita, fornecendo uma base prática e flexível para a construção de soluções de visão computacional que podem ser adaptadas rapidamente a diferentes casos de uso. Eles são fáceis de treinar e refinar, permitindo que a equipe itere mais rápido e responda a novos requisitos sem precisar redesenhar o sistema.

Essa flexibilidade teve um impacto direto na velocidade de desenvolvimento. Ao aproveitar o YOLO, a Pixelabs conseguiu acelerar seus ciclos de desenvolvimento e levar soluções à produção mais rapidamente, reduzindo o tempo de lançamento no mercado para novas aplicações. Ao mesmo tempo, os modelos entregaram resultados mais precisos e consistentes.

Link to this sectionEntregando até 95% de recall enquanto melhora a eficiência#

A integração dos modelos Ultralytics YOLO no Pixelabs AI-Engine levou a melhorias claras no desempenho da análise. No caso de uso de pesquisa de Alzheimer, o sistema atingiu taxas de recall de cerca de 90%, aumentando para até 95% à medida que a doença progredia e os indicadores se tornavam mais visíveis.

Isso permitiu que os pesquisadores detectassem pequenas características, como depósitos de beta-amiloide, com mais confiabilidade 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 perdidos.

Além deste caso de uso, a Pixelabs também recebeu feedback consistentemente positivo de clientes que usam suas soluções em diferentes aplicações. Os usuários destacam melhorias na forma como os processos são realizados, particularmente em termos de eficiência e confiabilidade.

O impacto varia dependendo do caso de uso específico, refletindo a flexibilidade da plataforma e sua capacidade de se adaptar a diferentes necessidades operacionais. No geral, essas melhorias tornaram mais fácil gerenciar e analisar dados visuais em escala, apoiando resultados mais confiáveis e fluxos de trabalho mais eficientes.

Link to this sectionAvançando a IA visual em todos os setores#

A Pixelabs continua expandindo as capacidades de sua plataforma de IA visual em novos casos de uso e setores. Com base em seu trabalho em aplicações de pesquisa como a detecção de Alzheimer, a equipe está focada em refinar seus modelos e avançar na análise visual usando tecnologias como os modelos Ultralytics YOLO.

Ao melhorar continuamente sua tecnologia, a Pixelabs visa ajudar as organizações a automatizar processos de forma mais eficaz e aplicar a visão computacional em uma gama mais ampla de fluxos de trabalho do mundo real.

Interessado em otimizar os fluxos de trabalho da sua empresa? Confira nosso repositório GitHub para saber mais sobre Visão IA. Explore como os modelos YOLO estão impulsionando inovações em áreas como IA na saúde e visão computacional no varejo. Para começar a usar o YOLO, descubra como nossas opções de licenciamento podem apoiar seu projeto.