YOLOvME: подсчёт колоний, оценка мазков и обнаружение диких животных

Тебе когда-нибудь приходилось оценивать бесчисленное количество изображений, данных, результатов и прочего? А чтобы усложнить задачу, приходилось ли делать всё это вручную? Конечно, это отнимает невероятно много времени.

Для Мартина Шеца Ultralytics YOLOv5 оказался полезным инструментом, который сократил время анализа изображений для исследований и мониторинга инфекционных заболеваний. Мартин совмещает несколько ролей, но в основе его работы лежит анализ биоизображений — область, которую он описывает как «пересечение информатики и биологии». Мы хотели больше узнать о работе Мартина по мониторингу и подсчёту колоний, поэтому встретились с ним и задали несколько вопросов.

Чем именно ты занимаешься с помощью Ultralytics YOLOv5?#

Martin решил использовать Ultralytics YOLOv5 в своих проектах, чтобы автоматизировать существующие процессы детекции, классификации и подсчёта объектов. Он также планирует применять YOLOv5 в таких задачах, как эксперимент по долгосрочной эволюции.

Подсчёт бактериальных колоний#

В лабораториях бактериальные колонии, выращенные на чашках с агаром, обычно подсчитывают вручную лаборанты. К сожалению, ручной подсчёт часто приводит к ошибкам. Чтобы решить эту проблему, Мартин использовал Ultralytics YOLOv5, чтобы автоматизировать подсчёт. Этот подход значительно сократил количество ошибок и время, необходимые для обнаружения и классификации колоний.

Детекция и классификация микроскопических объектов#

Для проведения исследований в микромире необходимо анализировать мазки. Эту работу до сих пор в основном выполняют вручную. Как известно, ручные процессы чаще приводят к ошибкам и нестабильным результатам. Кроме того, хотя для детекции объектов определённых форм существуют подходящие инструменты, для автоматического подсчёта и классификации различных объектов нужны более специализированные решения.

Обнаружение и мониторинг диких животных#

«Мои коллеги записывают диких животных в лесах и других местах, а затем обычно просматривают видео вручную — им приходится садиться и разбирать сотни видеозаписей».

Помня о том, что поиск на видео дикого кабана или оленя вручную может занять уйму времени, Martin понимал, что детекция объектов определённо поможет оптимизировать этот процесс. В этой задаче применили Ultralytics YOLOv5, благодаря чему дикое животное можно обнаружить быстро и автоматически, как только оно попадает в поле зрения камеры.

Как ты пришёл в машинное обучение и ИИ для компьютерного зрения?#

Во время обучения в магистратуре Мартин изучал то, что он называет «классическими методами анализа изображений». К моменту окончания учёбы всё чаще говорили о глубоком обучении, которое тогда просто называли «свёрточными сетями».

В этот период Martin занимался добычей данных, которые было сложно использовать. Желая самостоятельно работать с данными, Martin решил погрузиться в мир машинного обучения и ИИ для компьютерного зрения.

Что ты посоветуешь тем, кто только начинает работать с Ultralytics YOLOv5?#

Сейчас освоить машинное обучение и ИИ для компьютерного зрения бывает довольно сложно. Martin уже некоторое время работает с ИИ для компьютерного зрения и назвал три совета для тех, кто хочет начать:

1. «Как учёный, я предпочитаю сначала всё прочитать, чтобы потом вернуться к тому, что не до конца понял с первого раза». Начинающим будет гораздо проще обучать модели, если сначала получить базовое представление о теме.
2. Кроме того, Martin отметил, насколько полезно изучать примеры использования других людей. То, что делают другие, может вдохновить тебя на собственные решения и проекты.
3. Регулярно запускай и тестируй свои проекты. Если поймёшь, что нужно что-то изменить, вернись и внеси правки, а затем продолжай тестирование и итерации.

Martin Schätz — исследователь и преподаватель, специализирующийся на анализе биоизображений и обработке данных конфокальной микроскопии. Цель проекта, над которым работает Martin, — оптимизировать анализ изображений для исследований и мониторинга инфекционных заболеваний. Документацию и подробности о трёх проектах Martin можно найти в его репозитории на GitHub. Кроме того, Martin входит в NEUBIAS — организацию, которая продвигает наиболее распространённые инструменты для научного анализа изображений в биологии и микроскопии, включая эти обученные модели глубокого обучения в Zoo моделей.

Мы тоже хотим рассказать о твоём примере использования YOLOv5! Отметь нас в соцсетях: @Ultralytics и #YOLOvME — возможно, мы расскажем о тебе.