25 мая 2022 г.
Узнайте, как Мартин Шатц использует YOLOv5 для эффективного анализа изображений в исследованиях инфекционных заболеваний, подсчете колоний и мониторинге дикой природы.
Вам когда-нибудь приходилось оценивать бесчисленное количество изображений, данных, результатов и т. д.? Чтобы усложнить процесс, вам когда-нибудь приходилось выполнять эти оценки вручную? Конечно, это невероятно трудоемко.
Для Мартина Шетца YOLOv5 оказался полезным инструментом для сокращения времени, необходимого для анализа изображений, связанного с исследованиями и мониторингом инфекционных заболеваний. Хотя Мартин выполняет несколько работ в одной, суть его работы заключается в анализе биоизображений, секторе, который он описывает как «точку между информатикой и биологией». Мы хотели узнать больше о работе Мартина с мониторингом и подсчетом колоний, поэтому мы сели и задали ему несколько вопросов.
Логика Мартина при внедрении YOLOv5 в его проекты проистекает из необходимости автоматизации существующих процессов для обнаружения объектов, классификации и подсчета. Мартин также планирует использовать YOLOv5 для таких задач, как долгосрочный эксперимент по развитию.
В лабораториях бактериальные колонии, выращенные на агаровых пластинах, обычно подсчитываются вручную техниками. К сожалению, ручной подсчет может привести к ошибкам. Чтобы решить эту проблему, Мартин использовал YOLOv5 для автоматизации процесса подсчета. Этот подход значительно сократил количество ошибок и время, связанные с обнаружением и классификацией колоний.
Для проведения тестов в микроскопическом мире необходимо оценивать мазки. Это по-прежнему процесс, который выполняется в основном вручную. И, как мы знаем, ручные процессы более подвержены ошибкам и вариативности результатов. Кроме того, хотя существуют подходящие инструменты для обнаружения объектов определенной формы, необходимы более специализированные инструменты для автоматического подсчета и классификации различных объектов.
“Мои коллеги записывают дикую природу в лесах и других местах и обычно просматривают видео вручную, а это означает, что они должны сидеть и просматривать сотни видео.”
Учитывая, что ручной поиск экземпляра дикой свиньи или оленя на видео может занять непомерно много времени, Мартин понимал, что обнаружение объектов может определенно оптимизировать этот процесс. Здесь была реализована YOLOv5, позволяющая легко и мгновенно обнаруживать диких животных, когда животное попадает в поле зрения камеры.
Для получения степени магистра Мартин изучал то, что он любит называть «классическими подходами к анализу изображений». Во время завершения учебы все больше и больше говорили о глубоком обучении, которое в то время называлось просто «сверточными сетями».
В этот период Мартин работал над добычей данных, которые были не очень пригодны для использования. Желая иметь возможность поработать с данными, Мартин решил погрузиться в мир машинного обучения и Vision AI.
В настоящее время процесс изучения машинного обучения и vision AI может быть довольно сложным. Мартин, имеющий опыт использования vision AI, выделил три момента для тех, кто хочет начать:
Мартин Шатц — исследователь и преподаватель, специализирующийся на анализе биоизображений и обработке данных в конфокальной микроскопии. Цель проекта, над которым работает Мартин, — оптимизировать процесс анализа изображений для исследований и мониторинга инфекционных заболеваний. Документацию и подробную информацию о трех проектах Мартина можно найти в его репозитории GitHub. Кроме того, Мартин является частью NEUBIAS, организации, которая продвигает наиболее часто используемые инструменты для научного анализа изображений в биологии/микроскопии, включая эти обученные модели глубокого обучения в Model Zoo.
Мы также хотим рассказать о вашем варианте использования YOLOv5! Отмечайте нас в социальных сетях @Ultralytics с хэштегом #YOLOvME, чтобы получить шанс быть представленным.
.webp)