YOLOvME: Подсчет колоний, оценка мазков и обнаружение диких животных

Приходилось ли вам когда-нибудь оценивать бесчисленные изображения, данные, результаты и т. д.? А чтобы усложнить процесс, приходилось ли вам делать эти оценки вручную? Конечно, это отнимает невероятно много времени.

Для Мартина Шетца YOLOv5 оказался полезным инструментом, позволяющим сократить время, необходимое для анализа изображений при исследовании и мониторинге инфекционных заболеваний. Хотя Мартин выполняет несколько задач в одной, суть его работы сосредоточена на анализе биоизображений - области, которую он описывает как "точку между информатикой и биологией". Мы хотели узнать больше о работе Мартина по мониторингу и подсчету колоний, поэтому мы сели за стол и задали ему несколько вопросов.

Что именно вы делаете с YOLOv5?

Логика Мартина при внедрении YOLOv5 в свои проекты обусловлена необходимостью автоматизировать существующие процессы обнаружения, классификации и подсчета объектов. Мартин также планирует использовать YOLOv5 в таких проектах, как эксперимент "Долгосрочная эволюция".

Подсчет колоний бактерий

В лабораториях колонии бактерий, выращенные на агаровых пластинах, обычно подсчитываются вручную техническим персоналом. К сожалению, ручной подсчет может привести к ошибкам. Чтобы решить эту проблему, Мартин использовал YOLOv5 для автоматизации процесса подсчета. Такой подход позволил значительно сократить количество ошибок и времени, связанных с обнаружением и классификацией колоний.

Обнаружение и классификация микроскопических объектов

Для проведения исследований в микроскопическом мире необходимо оценить мазки. Этот процесс до сих пор выполняется в основном вручную. А как известно, ручные процессы более подвержены ошибкам и вариабельности результатов. Кроме того, если для обнаружения объектов определенной формы существуют соответствующие инструменты, то для автоматического подсчета и классификации различных объектов требуются более специализированные средства.

Обнаружение и мониторинг диких животных

"Мои коллеги снимают диких животных в лесах и других местах и обычно просматривают видео вручную, то есть им приходится садиться и просматривать сотни видеозаписей".

Учитывая, что поиск дикой свиньи или оленя на видео вручную может занять непомерно много времени, Мартин знал, что обнаружение объектов может оптимизировать этот процесс. Здесь была применена технология YOLOv5, позволяющая легко и мгновенно обнаруживать диких животных, когда они попадают в поле зрения камеры.

Как вы вошли в мир машинного обучения и искусственного интеллекта?

Получая степень магистра, Мартин изучал то, что он любит называть "классическими подходами к анализу изображений". Во время получения степени все больше и больше говорили о глубоком обучении, которое в то время называли просто "сверточными сетями".

В этот период Мартин работал над добычей данных, которые были не очень удобны для использования. Желая иметь возможность запачкать руки в данных, Мартин решил погрузиться в мир машинного обучения и искусственного интеллекта.

Что вы посоветуете тем, кто только начинает осваивать YOLOv5?

В настоящее время процесс изучения ML и ИИ для зрения может быть довольно сложным. Как человек, который уже некоторое время использует ИИ для зрения, Мартин отметил три момента для тех, кто хочет начать:

1. "Как ученый, я предпочитаю сначала все прочитать, чтобы потом перечитать то, что не до конца понял с первого раза". Базовый уровень понимания перед тем, как погрузиться в обучение своих моделей, значительно облегчит процесс для новичков.
2. Кроме того, Мартин отметил полезность изучения чужих примеров использования. Увидев, что делают другие, вы можете вдохновиться на создание своих проектов.
3. Многократно воспроизводите и тестируйте свои проекты. Если вы обнаружите, что вам нужно что-то изменить, вернитесь и внесите изменения, и продолжайте двигаться вперед, проводя все больше тестов и итераций.

Мартин Шетц Научный сотрудник и преподаватель, специализирующийся на анализе биоизображений и обработке данных в конфокальной микроскопии. Мотивацией проекта, над которым работает Мартин, является оптимизация процесса анализа изображений для исследования и мониторинга инфекционных заболеваний. Документацию и подробную информацию о трех проектах Мартина можно найти на его репозиторий GitHub. Кроме того, Мартин является членом NEUBIASорганизации, которая продвигает наиболее используемые инструменты для научного анализа изображений в биологии/микроскопии, включая эти обученные модели глубокого обучения в модельном зоопарке.

Мы хотим рассказать о вашем примере использования YOLOv5! Отметьте нас в социальных сетях @Ultralytics с пометкой #YOLOvME, чтобы получить шанс попасть в список.