YOLOvME: Koloni Sayımı, Sürüntü Değerlendirmesi ve Yaban Hayatı Tespiti

Hiç sayısız görüntüyü, veriyi, sonucu ve benzerlerini değerlendirmek zorunda kaldın mı? Süreci daha da karmaşıklaştıran, bu değerlendirmeleri elle yapmak zorunda kaldığın oldu mu? Bu, elbette inanılmaz derecede zaman alıcı.

Martin Schätz için Ultralytics YOLOv5, bulaşıcı hastalık araştırmaları ve izleme çalışmalarında gereken görüntü analizi süresini kısaltan kullanışlı bir araç olduğunu kanıtladı. Martin aynı anda birçok iş yapsa da çalışmalarının özü, “bilgisayar bilimi ile biyoloji arasındaki nokta” diye tanımladığı biyogörüntü analizine odaklanıyor. Koloni izleme ve sayım çalışmaları hakkında daha fazla bilgi edinmek istedik, bu nedenle Martin'le oturup ona birkaç soru sorduk.

Ultralytics YOLOv5 ile Tam Olarak Ne Yapıyorsun?#

Martin'in projelerinde Ultralytics YOLOv5'i kullanma mantığı, mevcut nesne algılama, sınıflandırma ve sayma süreçlerini otomatikleştirme ihtiyacından kaynaklanıyor. Martin ayrıca YOLOv5'i Uzun Süreli Evrim Deneyi gibi durumlarda kullanmayı amaçlıyor.

Bakteri Kolonilerinin Sayımı#

Laboratuvarlarda agar plaklarında büyütülen bakteri kolonileri genellikle teknisyenler tarafından elle sayılır. Ne yazık ki elle sayım hataya açıktır. Bu sorunu çözmek için Martin, sayım sürecini otomatikleştirmek amacıyla Ultralytics YOLOv5'ten yararlandı. Bu yaklaşım, koloni algılama ve sınıflandırmayla ilişkili hata ve süreyi büyük ölçüde azalttı.

Mikroskobik Nesne Algılama ve Sınıflandırma#

Mikroskobik dünyada testler gerçekleştirmek için yaymaların değerlendirilmesi gerekir. Bu süreç hâlâ çoğunlukla elle yürütülüyor. Bildiğimiz gibi, elle yürütülen süreçlerde hata olasılığı ve sonuçlardaki değişkenlik daha yüksektir. Ayrıca, belirli şekillerdeki nesneleri algılamak için uygun araçlar bulunsa da çeşitli nesnelerin otomatik sayımı ve sınıflandırılması için daha özel araçlara ihtiyaç duyuluyor.

Yaban Hayatı Algılama ve İzleme#

“Meslektaşlarım ormanlarda ve başka yerlerde yaban hayatını kaydediyor ve genellikle videoları elle incelemek zorunda kalıyor; yani oturup yüzlerce videoyu baştan sona izlemeleri gerekiyor.”

Bir videoda yaban domuzu ya da geyik görüntüsü aramanın elle çok uzun sürebileceğini bilen Martin, nesne algılamanın bu süreci kesinlikle iyileştirebileceğini fark etti. Burada Ultralytics YOLOv5 uygulanarak bir hayvan kameranın görüş alanına girdiğinde yaban hayatının kolayca ve anında algılanması sağlandı.

Makine Öğrenimi ve Görsel Yapay Zekâ Dünyasına Nasıl Adım Attın?#

Martin, yüksek lisans eğitimi sırasında kendi deyişiyle “görüntü analizine yönelik klasik yaklaşımlar” üzerine çalıştı. Eğitimini tamamladığı dönemde derin öğrenme giderek daha fazla konuşulmaya başlamıştı; o zamanlar bu yaklaşım yalnızca “evrişimli ağlar” olarak adlandırılıyordu.

Bu dönemde Martin, pek kullanışlı olmayan verileri madenciliği üzerine çalışıyordu. Verilerle doğrudan çalışmak isteyen Martin, makine öğrenimi ve görsel yapay zekâ dünyasına adım atmayı seçti.

Ultralytics YOLOv5'i Kullanmaya Başlayan Birine Ne Önerirsin?#

Şu anda makine öğrenimi ve görsel yapay zekâyı öğrenme süreci oldukça karmaşık olabilir. Bir süredir görsel yapay zekâ kullanan Martin, başlamak isteyenlere üç noktayı hatırlattı:

1. “Bir bilim insanı olarak önce her şeyi okumayı tercih ederim; böylece ilk seferde tam anlamadığım şeyleri yeniden okuyabilirim.” Modellerini eğitmeye başlamadan önce temel düzeyde bilgi edinmek, yeni başlayanlar için süreci çok daha kolaylaştırır.
2. Martin ayrıca başkalarının kullanım örneklerini incelemenin faydasına değindi. Başkalarının neler yaptığını görmek, kendi kullanım alanların ve projelerin için sana ilham verebilir.
3. Projelerini tekrar tekrar çalıştırıp test et. Bir şeyi değiştirmen gerektiğini fark edersen geri dönüp değişikliği yap; ardından daha fazla test ve yinelemeyle ilerlemeye devam et.

Martin Schätz, konfokal mikroskopide Biyogörüntü Analizi ve veri işlemeye odaklanan bir araştırmacı ve eğitmendir. Martin'in üzerinde çalıştığı projenin amacı, bulaşıcı hastalık araştırmaları ve takibi için görüntü analizi sürecini iyileştirmektir. Martin'in üç projesiyle ilgili belgelere ve ayrıntılara GitHub deposundan ulaşabilirsin. Ayrıca Martin, biyoloji ve mikroskopide bilimsel görüntü analizi için en yaygın kullanılan araçları tanıtan NEUBIAS kuruluşunun bir üyesidir; bu araçlar arasında model Zoo'daki eğitilmiş derin öğrenme modelleri de bulunur.

YOLOv5 kullanım örneğini de öne çıkarmak istiyoruz! Öne çıkma şansı için sosyal medyada @Ultralytics hesabını etiketleyip #YOLOvME etiketini kullan.