YOLOvME: Koloni Sayımı, Yayma Değerlendirmesi ve Yaban Hayatı Tespiti
Martin Schätz'in bulaşıcı hastalık araştırmalarında verimli görüntü analizi, koloni sayımı ve yaban hayatı izleme için YOLOv5'ten nasıl yararlandığını keşfet.
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 Ultralytics YOLOv5, bulaşıcı hastalık araştırmalarında ve izlenmesinde görüntü analizi için gereken süreyi kısaltmada yararlı bir araç olduğunu kanıtladı. Martin birkaç işi bir arada yapsa da, işinin özü kendisinin “bilgisayar bilimi ile biyoloji arasındaki nokta” olarak tanımladığı bir sektör olan biyolojik görüntü analizine odaklanıyor. Martin’in koloni izleme ve sayma çalışmaları hakkında daha fazla şey öğrenmek istedik, bu yüzden onunla oturup birkaç soru sorduk.
Ultralytics YOLOv5 ile Tam Olarak Ne Yapıyorsun?#
Martin'in projeleri için Ultralytics YOLOv5'i uygulama mantığı; nesne tespiti, sınıflandırma ve sayım için mevcut süreçleri otomatikleştirme ihtiyacından kaynaklanmaktadır. Martin ayrıca YOLOv5'i Long-Term Evolution Experiment gibi durumlar için kullanmayı amaçlamaktadır.
Bakteriyel Koloni Sayımı#
Laboratuvarlarda agar plakaları üzerinde büyütülen bakteri kolonileri genellikle teknisyenler tarafından elle sayılır. Ne yazık ki elle sayım, hataya açık sonuçlara elverişli olabilir. Bu sorunla başa çıkmak için Martin, sayım sürecini otomatikleştirmek üzere Ultralytics YOLOv5 kullandı. Bu yaklaşım, koloni tespiti ve sınıflandırmasıyla ilgili hata ve süreyi büyük ölçüde azalttı.
Mikroskobik 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.
Yaban 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 derecede zaman alabileceğini aklında bulunduran Martin, nesne tespitinin bu süreci kesinlikle optimize edebileceğini biliyordu. Burada Ultralytics YOLOv5, bir hayvan kameranın görüş alanına girdiğinde yaban hayatının kolayca ve anında tespit edilmesini sağlayacak şekilde uygulandı.
Makine 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.
Ultralytics YOLOv5 ile 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:
- "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.
- Ek olarak Martin, başkalarının kullanım durumlarını incelemenin faydasına değindi. Başkalarının neler yaptığını görmek, kendi kullanımların ve projelerin için sana ilham verebilir.
- 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, konfokal mikroskopide BiyoGörüntü Analizi ve veri işleme odaklı dersler de veren bir araştırmacıdır. Martin'in üzerinde çalıştığı projenin arkasındaki motivasyon, bulaşıcı hastalık araştırmaları ve izleme için görüntü analizi sürecini optimize etmektir. Martin'in üç projesinin arkasındaki belgeleri ve detayları GitHub repository adresinde bulabilirsin. Ek olarak Martin, biyoloji/mikroskopide bilimsel görüntü analizi için en çok kullanılan araçları teşvik eden NEUBIAS organizasyonunun bir parçasıdır ve buna bu trained deep learning models model havuzundakiler dahildir.
Senin YOLOv5 kullanım durumunu da öne çıkarmak istiyoruz! Sosyal medyada bizi @Ultralytics etiketle ve #YOLOvME ile paylaş, öne çıkma şansı yakala.
