YOLOvME: подсчет колоний, оценка мазков и обнаружение дикой природы
Узнай, как Мартин Шетц использует YOLOv5 для эффективного анализа изображений в исследованиях инфекционных заболеваний, подсчета колоний и мониторинга 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 Шэтца модель Ultralytics YOLOv5 оказалась полезным инструментом для сокращения времени, необходимого для анализа изображений при исследованиях и мониторинге инфекционных заболеваний. Хотя Мартин совмещает несколько ролей, суть его работы сосредоточена на биоанализе изображений — секторе, который он описывает как «точку пересечения компьютерных наук и биологии». Мы хотели узнать больше о работе Мартина с мониторингом и подсчетом колоний, поэтому встретились с ним и задали ему несколько вопросов.
Что именно ты делаешь с помощью Ultralytics YOLOv5?#
Логика Мартина в пользу внедрения Ultralytics YOLOv5 в свои проекты проистекает из необходимости автоматизировать существующие процессы обнаружения, классификации и подсчета объектов. Мартин также планирует использовать YOLOv5 для таких задач, как Long-Term Evolution Experiment.
Подсчет бактериальных колоний#
В лабораториях бактериальные колонии, выращенные на чашках Петри с агаром, обычно считаются вручную лаборантами. К сожалению, ручной подсчет может приводить к результатам с ошибками. Чтобы решить эту проблему, Мартин задействовал Ultralytics YOLOv5 для автоматизации процесса подсчета. Такой подход значительно сократил количество ошибок и время, связанные с обнаружением и классификацией колоний.
Обнаружение 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.
Обнаружение 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».
Принимая во внимание, что ручной поиск особи дикого кабана или оленя на видео может занимать колоссальное количество времени, Мартин знал, что обнаружение объектов определенно способно оптимизировать этот процесс. Здесь была внедрена Ultralytics YOLOv5, позволившая легко и мгновенно обнаруживать диких животных, когда они попадали в поле зрения камеры.
Как 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.
Что ты порекомендуешь тем, кто только начинает работать с Ultralytics 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:
- «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.
- Кроме того, Мартин отметил полезность изучения кейсов других людей. Видя, что делают другие, ты можешь найти вдохновение для своих собственных задач и проектов.
- 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.
Martin Schätz — исследователь, который также преподает, специализируясь на биомедицинском анализе изображений и обработке данных в конфокальной микроскопии. Мотивация проекта, над которым работает Мартин, заключается в оптимизации процесса анализа изображений для исследования и мониторинга инфекционных заболеваний. Документацию и подробности трех проектов Мартина можно найти в его репозитории на GitHub. Кроме того, Мартин входит в состав NEUBIAS — организации, которая продвигает самые популярные инструменты для научного анализа изображений в биологии и микроскопии, включая эти обученные модели глубокого обучения в каталоге моделей.
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.
