25 мая 2022 г.
Узнайте, как Мартин Шетц использует YOLOv5 для эффективного анализа изображений при исследовании 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, 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.
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 по долгосрочной эволюции.
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.
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 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.
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 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.
