YOLOvME: Koloni Sayımı, Yayma Değerlendirmesi ve Yaban Hayatı Tespiti

Hiç sayısız görseli, veriyi, sonucu vb. değerlendirmek zorunda kaldın mı? Süreci daha da karmaşıklaştıran şey ise, bu değerlendirmeleri manuel olarak yapmak zorunda kalman mı? Elbette, bu inanılmaz derecede zaman alıcı bir durum.

Martin Schätz için YOLOv5, bulaşıcı hastalık araştırmaları ve takibini içeren görüntü analizi için gereken süreyi kısaltmada faydalı bir araç olduğunu kanıtladı. Martin tek bir çatı altında birçok işi bir arada yapsa da, işinin özü biyogörüntü analizine odaklanıyor; bunu "bilgisayar bilimi ile biyoloji arasındaki kesişim noktası" olarak tanımlıyor. Martin'in koloni takibi ve sayımı ile ilgili çalışmaları hakkında daha fazla bilgi edinmek istedik ve oturup ona birkaç soru sorduk.

Link to this sectionYOLOv5 ile Tam Olarak Ne Yapıyorsun?#

Martin'in projeleri için YOLOv5'i uygulama mantığı, nesne tespiti, sınıflandırma ve sayım için mevcut süreçleri otomatize etme ihtiyacından kaynaklanıyor. Martin ayrıca YOLOv5'i Uzun Vadeli Evrim Deneyi gibi durumlar için de kullanmayı hedefliyor.

Link to this sectionBakteriyel Koloni Sayımı#

Laboratuvarlarda, agar plakaları üzerinde büyütülen bakteriyel koloniler genellikle teknisyenler tarafından manuel olarak sayılır. Ne yazık ki, manuel sayım hataya açık sonuçlara yol açabilir. Bu sorunu çözmek için Martin, sayım sürecini otomatize etmek amacıyla YOLOv5 kullandı. Bu yaklaşım, koloni tespiti ve sınıflandırmasıyla ilişkili hata payını ve süreyi önemli ölçüde azalttı.

Link to this sectionMikroskobik Nesne Tespiti ve Sınıflandırma#

Mikroskobik dünyada testler gerçekleştirmek için yayma (smear) örneklerini değerlendirmek gerekir. Bu hala çoğunlukla manuel olarak gerçekleştirilen bir süreçtir. Bildiğimiz gibi, manuel süreçler hataya ve sonuçlardaki değişkenliğe daha yatkındır. Ayrıca, belirli şekillerin nesne tespiti için uygun araçlar mevcut olsa da, çeşitli nesnelerin otomatik sayımı ve sınıflandırılması için daha özelleşmiş araçlara ihtiyaç duyulmaktadır.

Link to this sectionYaban Hayatı Tespiti ve Takibi#

"Meslektaşlarım ormanlarda ve diğer konumlarda yaban hayatını kaydediyor ve genellikle videoları manuel olarak izliyorlar; bu da oturup yüzlerce videoyu baştan sona izlemek zorunda kaldıkları anlamına geliyor."

Bir videoda yaban domuzu veya geyik örneğini manuel olarak aramanın aşırı zaman alabileceğini aklında tutan Martin, nesne tespitinin bu süreci kesinlikle optimize edebileceğini biliyordu. Burada, YOLOv5 uygulanarak bir hayvan kameranın görüş alanına girdiğinde kolayca ve anında tespit edilmesi sağlandı.

Link to this sectionMakine Öğrenmesi ve Vizyon AI Dünyasına Nasıl Girdin?#

Yüksek lisans derecesi için Martin, "görüntü analizine klasik yaklaşımlar" olarak adlandırmayı sevdiği alanı çalıştı. Derecesini tamamlarken, derin öğrenme hakkında giderek daha fazla konuşulmaya başlanmıştı ki o zamanlar buna sadece "evrişimli ağlar" deniyordu.

Bu dönemde Martin, pek de kullanılabilir olmayan veriler üzerinde çalışıyordu. Verilerle bizzat uğraşmak isteyen Martin, makine öğrenmesi ve Vizyon AI dünyasına dalmayı seçti.

Link to this sectionYOLOv5'e Yeni Başlayan Birine Ne Önerirsin?#

Şu anda, ML ve Vizyon AI öğrenme süreci oldukça karmaşık olabilir. Bir süredir Vizyon AI kullanan biri olarak Martin, başlamak isteyen herkes için üç noktaya değindi:

1. "Bir bilim insanı olarak, her şeyi önce okumayı tercih ederim, böylece ilk seferinde tam olarak anlamadığım her şeyi tekrar okuyabilirim." Modellerini eğitmeden önce temel bir anlayış kazanmak, yeni başlayanlar için süreci çok daha kolaylaştıracaktır.
2. Ek olarak Martin, başkalarının kullanım durumlarını incelemenin faydasına değindi. Başkalarının neler yaptığını görmek, kendi kullanımların ve projelerin için sana ilham verebilir.
3. Projelerini sürekli olarak çalıştır ve test et. Bir şeyi değiştirmen gerektiğini fark edersen, geri dön ve değişikliği yap, ardından daha fazla test ve yinelemeyle ilerlemeye devam et.

Martin Schätz, aynı zamanda Biyogörüntü Analizi ve konfokal mikroskopide veri işleme konularına odaklanarak dersler veren bir araştırmacıdır. Martin'in üzerinde çalıştığı projenin arkasındaki motivasyon, bulaşıcı hastalık araştırmaları ve takibi için görüntü analizi sürecini optimize etmektir. Martin'in üç projesinin arkasındaki dokümantasyonu ve detayları GitHub deposunda bulabilirsin. Ayrıca Martin, biyoloji/mikroskopi alanında bilimsel görüntü analizi için en çok kullanılan araçları teşvik eden NEUBIAS organizasyonunun bir parçasıdır; buna model Zoo'daki bu eğitilmiş derin öğrenme modelleri de dahildir.

Senin YOLOv5 kullanım durumunu da öne çıkarmak istiyoruz! Sosyal medyada bizi @Ultralytics etiketle ve #YOLOvME ile paylaş, öne çıkma şansı yakala.