YOLOvME: Koloni Sayımı, Yayma Değerlendirmesi ve Yaban Hayatı Tespiti
Martin Schätz'in bulaşıcı hastalık araştırmalarında, koloni sayımında ve yaban hayatı izlemede verimli görüntü analizi için YOLOv5'ten nasıl yararlandığını keşfet.
Hiç sayısız görüntüyü, veriyi, sonucu vb. değerlendirmek zorunda kaldın mı? Süreci daha da karmaşık hâle getirmek bir yana, bu değerlendirmeleri hiç manuel olarak yapmak zorunda kaldın mı? Elbette bu inanılmaz derecede zaman alıcıdır.
Martin Schätz için Ultralytics YOLOv5, bulaşıcı hastalık araştırmaları ve izleme çalışmalarında görüntü analizi için gereken süreyi azaltmaya yardımcı olan kullanışlı bir araç olduğunu kanıtladı. Martin aynı anda birçok farklı iş yapıyor olsa da çalışmalarının özü, “bilgisayar bilimi ile biyoloji arasındaki nokta” olarak tanımladığı bir alan olan biyogörüntü analizine odaklanıyor. Martin’in koloni izleme ve sayımı çalışmalarını daha iyi anlamak istedik; bu nedenle kendisiyle oturup birkaç soru sorduk.
Ultralytics YOLOv5 ile Tam Olarak Ne Yapıyorsun?#
Martin’in projelerinde Ultralytics YOLOv5’i kullanmasının ardındaki mantık, nesne tespiti, sınıflandırma ve sayım için mevcut süreçleri otomatikleştirme ihtiyacından kaynaklanıyor. Martin ayrıca YOLOv5’i Uzun Vadeli Evrim Deneyi gibi durumlarda kullanmayı amaçlıyor.
Bakteri Kolonisi Sayımı#
Laboratuvarlarda agar plakaları üzerinde yetiştirilen bakteri kolonileri genellikle teknisyenler tarafından manuel olarak sayılır. Ne yazık ki manuel sayım hataya açık sonuçlara yol açabilir. Martin bu sorunu çözmek için sayım sürecini otomatikleştirmek üzere Ultralytics YOLOv5’i kullandı. Bu yaklaşım, koloni tespiti ve sınıflandırmasıyla ilişkili hata oranını ve süreyi büyük ölçüde azalttı.
Mikroskobik Nesne Tespiti ve Sınıflandırması#
Mikroskobik dünyada testler gerçekleştirmek için yaymaları değerlendirmek gerekir. Bu işlem hâlâ çoğunlukla manuel olarak gerçekleştirilir. Bildiğimiz gibi manuel süreçlerde hata ve sonuçlardaki değişkenlik olasılığı daha yüksektir. Ayrıca belirli şekillerin nesne tespiti için uygun araçlar mevcut olsa da çeşitli nesnelerin otomatik sayımı ve sınıflandırılması için daha özelleşmiş araçlara ihtiyaç vardır.
Yaban Hayatı Tespiti ve İzlenmesi#
“Meslektaşlarım ormanlarda ve diğer konumlarda yaban hayatını kaydediyor ve genellikle videoları manuel olarak inceliyor; bu da yüzlerce videoyu oturup izlemek zorunda oldukları anlamına geliyor.”
Bir videoda yaban domuzu veya geyik örneğini manuel olarak aramanın aşırı miktarda zaman alabileceğini göz önünde bulunduran Martin, nesne tespitinin bu süreci kesinlikle optimize edebileceğini biliyordu. Bu amaçla Ultralytics YOLOv5 kullanıldı ve bir hayvan kameranın görüş alanına girdiğinde yaban hayatının kolayca ve anında tespit edilmesi sağlandı.
Makine Öğrenimi ve Görsel Yapay Zekâ Dünyasına Nasıl Girdin?#
Martin, yüksek lisans derecesi için “görüntü analizine yönelik klasik yaklaşımlar” olarak adlandırmayı sevdiği konuyu inceledi. Derecesini tamamlarken derin öğrenme giderek daha fazla konuşulmaya başlanmıştı; o dönemde bu konuya yalnızca “evrişimli ağlar” deniyordu.
Bu dönemde Martin, pek kullanışlı olmayan veri madenciliği üzerine çalışıyordu. Verilerle bizzat uğraşabilmek isteyen Martin, makine öğrenimi ve görsel yapay zekâ dünyasına dalmayı seçti.
Ultralytics YOLOv5 ile Başlayan Birine Ne Önerirsin?#
Şu anda ML ve görsel yapay zekâyı öğrenme süreci oldukça karmaşık olabilir. Bir süredir görsel yapay zekâ kullanan biri olarak Martin, başlamak isteyen herkes için üç noktadan söz etti:
- “Bir bilim insanı olarak önce her şeyi okumayı tercih ederim; böylece ilk seferde tam olarak anlamadığım her şeyi yeniden okuyabilirim.” Modellerini eğitmeye başlamadan önce temel düzeyde bir anlayış kazanmak, süreci yeni başlayanlar için çok daha kolay hâle getirir.
- Martin ayrıca başkalarının kullanım alanlarını incelemenin faydasına değindi. Başkalarının yaptıklarını görmek, kendi kullanım alanların ve projelerin için sana ilham verebilir.
- Projelerini tekrar tekrar çalıştır ve test et. Bir şeyi değiştirmen gerektiğini fark edersen geri dönüp değişikliği yap ve daha fazla test ve yinelemeyle ilerlemeye devam et.
Martin Schätz, konfokal mikroskopide Biyogörüntü Analizi ve veri işleme odaklı eğitimler de veren bir araştırmacıdır. Martin’in üzerinde çalıştığı projenin ardındaki motivasyon, bulaşıcı hastalık araştırmaları ve izleme çalışmalarında görüntü analizi sürecini optimize etmektir. Martin’in üç projesine ilişkin dokümantasyon ve ayrıntıları GitHub deposunda bulabilirsin. Ayrıca Martin, biyoloji/mikroskopide bilimsel görüntü analizi için en çok kullanılan araçları ve Model Zoo'daki bu eğitilmiş derin öğrenme modellerini tanıtan bir kuruluş olan NEUBIAS bünyesinde yer alıyor.
Senin YOLOv5 kullanım alanını da öne çıkarmak istiyoruz! Öne çıkma şansı yakalamak için sosyal medyada bizi @Ultralytics hesabında #YOLOvME etiketiyle paylaş.
