YOLOvME: Đếm khuẩn lạc, Đánh giá vết phết và Phát hiện động vật hoang dã
Khám phá cách Martin Schätz tận dụng YOLOv5 để phân tích hình ảnh hiệu quả trong nghiên cứu bệnh truyền nhiễm, đếm khuẩn lạc và theo dõi động vật hoang dã.
Bạn đã bao giờ phải đánh giá vô số hình ảnh, dữ liệu, kết quả, v.v. chưa? Để làm cho quy trình phức tạp hơn, bạn đã bao giờ phải thực hiện các đánh giá này theo cách thủ công chưa? Tất nhiên, điều đó cực kỳ tốn thời gian.
Đối với Martin Schätz, YOLOv5 đã chứng tỏ là một công cụ hữu ích trong việc cắt giảm thời gian cần thiết cho quá trình phân tích hình ảnh trong nghiên cứu và giám sát bệnh truyền nhiễm. Mặc dù Martin đảm nhận nhiều công việc cùng lúc, nhưng cốt lõi công việc của anh tập trung vào phân tích bioimage, một lĩnh vực mà anh mô tả là “điểm giao thoa giữa khoa học máy tính và sinh học.” Chúng tôi muốn tìm hiểu thêm về công việc giám sát và đếm khuẩn lạc của Martin, vì vậy chúng tôi đã ngồi lại và đặt cho anh một vài câu hỏi.
Link to this sectionChính xác thì bạn làm gì với YOLOv5?#
Logic của Martin đằng sau việc triển khai YOLOv5 cho các dự án của mình bắt nguồn từ nhu cầu tự động hóa các quy trình hiện có để phát hiện, phân loại và đếm đối tượng. Martin cũng đặt mục tiêu sử dụng YOLOv5 cho các trường hợp như Thí nghiệm tiến hóa dài hạn.
Link to this sectionĐếm khuẩn lạc vi khuẩn#
Trong các phòng thí nghiệm, các khuẩn lạc vi khuẩn nuôi cấy trên đĩa thạch thường được đếm thủ công bởi các kỹ thuật viên. Thật không may, việc đếm thủ công có thể dẫn đến kết quả dễ sai sót. Để giải quyết vấn đề này, Martin đã sử dụng YOLOv5 để tự động hóa quy trình đếm. Cách tiếp cận này đã giúp giảm đáng kể sai sót và thời gian liên quan đến việc phát hiện và phân loại khuẩn lạc.
Link to this sectionPhát hiện và Phân loại Đối tượng vi mô#
Để thực hiện các xét nghiệm trong thế giới vi mô, cần phải đánh giá các vết phết. Đây vẫn là một quy trình chủ yếu được thực hiện thủ công. Và như chúng ta đã biết, các quy trình thủ công dễ bị lỗi và biến động kết quả hơn. Ngoài ra, trong khi các công cụ phù hợp để phát hiện đối tượng với hình dạng cụ thể đã tồn tại, vẫn cần có các công cụ chuyên biệt hơn để đếm và phân loại tự động các đối tượng khác nhau.
Link to this sectionPhát hiện và Giám sát Động vật hoang dã#
“Các đồng nghiệp của tôi ghi lại cảnh động vật hoang dã trong rừng và các địa điểm khác và thường xem qua các video theo cách thủ công, nghĩa là họ phải ngồi xuống và xem qua hàng trăm video.”
Với suy nghĩ rằng việc tìm kiếm thủ công một cá thể lợn rừng hoặc hươu trên video có thể mất một lượng thời gian quá lớn, Martin biết rằng phát hiện đối tượng chắc chắn có thể tối ưu hóa quy trình này. Tại đây, YOLOv5 đã được triển khai cho phép động vật hoang dã được phát hiện dễ dàng và tức thì khi một con vật đi vào tầm nhìn của camera.
Link to this sectionBạn đã bước vào thế giới Học máy và Vision AI như thế nào?#
Đối với bằng thạc sĩ của mình, Martin đã nghiên cứu những gì anh thích gọi là “các phương pháp tiếp cận cổ điển trong phân tích hình ảnh.” Trong khi hoàn thành bằng cấp của mình, deep learning ngày càng được nhắc đến nhiều hơn, mà vào thời điểm đó, chỉ được gọi là “mạng tích chập”.
Trong giai đoạn này, Martin đang làm việc trên dữ liệu khai thác, thứ không thực sự hữu dụng lắm. Muốn có thể trực tiếp làm việc với dữ liệu, Martin đã chọn đi sâu vào thế giới học máy và Vision AI.
Link to this sectionBạn có gợi ý gì cho những người mới bắt đầu với YOLOv5 không?#
Hiện tại, quá trình học ML và Vision AI có thể khá phức tạp. Là một người đã sử dụng Vision AI được một thời gian, Martin đã đề cập đến ba điểm cho bất kỳ ai muốn bắt đầu:
- “Là một nhà khoa học, tôi thích đọc mọi thứ trước để có thể đọc lại bất cứ điều gì tôi chưa hiểu rõ ngay từ lần đầu.” Việc đạt được mức độ hiểu cơ bản trước khi đi sâu vào huấn luyện model của bạn sẽ giúp quá trình này dễ dàng hơn nhiều đối với những người mới bắt đầu.
- Ngoài ra, Martin đã tham khảo tính hữu ích của việc nghiên cứu các trường hợp sử dụng của người khác. Việc nhìn thấy những gì người khác đang làm có thể truyền cảm hứng cho bạn trong các mục đích sử dụng và dự án của riêng bạn.
- Liên tục chạy và kiểm tra các dự án của bạn. Nếu bạn thấy mình cần thay đổi điều gì đó, hãy quay lại và thực hiện thay đổi đó, sau đó tiếp tục tiến về phía trước với nhiều thử nghiệm và lần lặp hơn.
Martin Schätz là một nhà nghiên cứu cũng là người giảng dạy với trọng tâm là phân tích BioImage và xử lý dữ liệu trong kính hiển vi đồng tiêu. Động lực đằng sau dự án mà Martin đang thực hiện là tối ưu hóa quy trình phân tích hình ảnh cho nghiên cứu và giám sát bệnh truyền nhiễm. Bạn có thể tìm thấy tài liệu và chi tiết đằng sau ba dự án của Martin trên kho lưu trữ GitHub của anh ấy. Ngoài ra, Martin là một phần của NEUBIAS, một tổ chức thúc đẩy các công cụ được sử dụng nhiều nhất cho phân tích hình ảnh khoa học trong sinh học/kính hiển vi, bao gồm các model deep learning đã được huấn luyện này trong model Zoo.
Chúng tôi cũng muốn làm nổi bật trường hợp sử dụng YOLOv5 của bạn! Hãy gắn thẻ chúng tôi trên mạng xã hội @Ultralytics với #YOLOvME để có cơ hội được giới thiệu.
