YOLOvME: подсчет колоний, оценка мазков и обнаружение дикой природы

Тебе когда-нибудь приходилось оценивать бесчисленное множество изображений, данных, результатов и т.д.? А чтобы еще больше усложнить процесс, приходилось ли тебе выполнять эти оценки вручную? Конечно, это отнимает невероятно много времени.

Для Мартина Шетца YOLOv5 оказался полезным инструментом для сокращения времени, необходимого для анализа изображений в рамках исследований и мониторинга инфекционных заболеваний. Хотя Мартин совмещает несколько ролей, суть его работы сосредоточена на биоанализе изображений — сфере, которую он описывает как «стык компьютерных наук и биологии». Мы хотели узнать больше о работе Мартина с мониторингом и подсчетом колоний, поэтому встретились с ним и задали несколько вопросов.

Link to this sectionЧто именно ты делаешь с помощью YOLOv5?#

Логика Мартина при внедрении YOLOv5 в свои проекты проистекает из необходимости автоматизировать существующие процессы обнаружения объектов, классификации и подсчета. Мартин также планирует использовать YOLOv5 для таких случаев, как Long-Term Evolution Experiment.

Link to this sectionПодсчет бактериальных колоний#

В лабораториях бактериальные колонии, выращенные на агаровых чашках, обычно подсчитываются вручную лаборантами. К сожалению, ручной подсчет может приводить к ошибкам. Чтобы решить эту проблему, Мартин использовал YOLOv5 для автоматизации процесса подсчета. Этот подход значительно снизил количество ошибок и время, затрачиваемое на обнаружение и классификацию колоний.

Link to this sectionОбнаружение и классификация микроскопических объектов#

Для проведения тестов в микроскопическом мире необходимо оценивать мазки. Этот процесс до сих пор выполняется преимущественно вручную. А как мы знаем, ручные процессы более подвержены ошибкам и вариативности результатов. Кроме того, хотя существуют надлежащие инструменты для обнаружения объектов определенных форм, существует потребность в более специализированных инструментах для автоматического подсчета и классификации различных объектов.

Link to this sectionОбнаружение и мониторинг дикой природы#

«Мои коллеги записывают диких животных в лесах и других местах и обычно просматривают видео вручную, что означает, что им приходится сидеть и просматривать сотни записей».

Понимая, что ручной поиск появления дикого кабана или оленя на видео может занять огромное количество времени, Мартин знал, что обнаружение объектов определенно может оптимизировать этот процесс. Здесь был внедрен YOLOv5, позволяющий легко и мгновенно обнаруживать диких животных, как только они попадают в поле зрения камеры.

Link to this sectionКак ты пришел в мир машинного обучения и компьютерного зрения?#

Во время обучения в магистратуре Мартин изучал то, что он называет «классическими подходами к анализу изображений». К моменту окончания учебы стало все больше разговоров о глубоком обучении, которое тогда называли просто «сверточными сетями».

В этот период Мартин занимался интеллектуальным анализом данных, которые были малопригодны для использования. Желая поработать с данными самостоятельно, Мартин решил погрузиться в мир машинного обучения и компьютерного зрения.

Link to this sectionЧто ты посоветуешь тем, кто только начинает работать с YOLOv5?#

Прямо сейчас процесс изучения ML и компьютерного зрения может быть довольно сложным. Как человек, который давно занимается компьютерным зрением, Мартин выделил три момента для всех, кто хочет начать:

1. «Как ученый, я предпочитаю сначала прочитать всё, чтобы иметь возможность перечитать то, что я не до конца понял с первого раза». Получение базового уровня знаний перед погружением в обучение своих моделей значительно облегчит процесс для новичков.
2. Кроме того, Мартин отметил полезность изучения кейсов других людей. Видя, что делают другие, ты можешь найти вдохновение для своих собственных задач и проектов.
3. Постоянно играй и тестируй свои проекты. Если ты обнаружишь, что нужно что-то изменить, вернись назад, внеси изменения и продолжай двигаться вперед, проводя больше тестов и итераций.

Мартин Шетц — исследователь, который также преподает с акцентом на биоанализ изображений и обработку данных в конфокальной микроскопии. Цель проекта, над которым работает Мартин, заключается в оптимизации процесса анализа изображений для исследований и мониторинга инфекционных заболеваний. Ты можешь найти документацию и подробности о трех проектах Мартина в его репозитории на GitHub. Кроме того, Мартин является частью NEUBIAS — организации, продвигающей наиболее используемые инструменты для научного анализа изображений в биологии/микроскопии, включая эти обученные модели глубокого обучения в model Zoo.

Мы также хотим рассказать о твоем примере использования YOLOv5! Отмечай нас в социальных сетях @Ultralytics с хэштегом #YOLOvME, чтобы получить шанс попасть в наши публикации.