YOLOvME: Đếm khuẩn lạc, Đánh giá vết phết và Phát hiện 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, Ultralytics YOLOv5 đã chứng minh là một công cụ hữu ích trong việc cắt giảm thời gian cần thiết cho việc phân tích hình ảnh trong nghiên cứu và giám sát bệnh truyền nhiễm. Mặc dù Martin đảm nhận nhiều vai trò cùng lúc, cốt lõi công việc của ông tập trung vào phân tích hình ảnh sinh học (bioimage analysis), một lĩnh vực mà ông 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 có buổi trao đổi và đặt cho ông một số câu hỏi.

Bạn Làm Gì Chính Xác Với Ultralytics YOLOv5?#

Logic của Martin đằng sau việc triển khai Ultralytics YOLOv5 cho các dự án của mình xuất phát từ nhu cầu tự động hóa các quy trình hiện có cho phát hiện đối tượng, phân loại và đếm. Martin cũng hướng đến việc sử dụng YOLOv5 cho các trường hợp như Long-Term Evolution Experiment.

Đếm khuẩn lạc vi khuẩn#

Trong các phòng thí nghiệm, các khuẩn lạc vi khuẩn mọc trên đĩa thạch thường được đếm thủ công bởi các kỹ thuật viên. Thật không may, việc đếm thủ công có thể dẫn đến các kết quả dễ sai sót. Để giải quyết vấn đề này, Martin đã sử dụng Ultralytics YOLOv5 để tự động hóa quy trình đếm. Cách tiếp cận này đã giảm đáng kể sai sót và thời gian liên quan đến việc phát hiện và phân loại khuẩn lạc.

Phát 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.

Phát 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.”

Nhớ rằng việc tìm kiếm thủ công một cá thể lợn rừng hay hươu trên video có thể tốn một khoảng thời gian khổng lồ, Martin biết rằng phát hiện đối tượng chắc chắn có thể tối ưu hóa quy trình này. Ở đây, Ultralytics YOLOv5 đã được triển khai cho phép phát hiện động vật một cách dễ dàng và ngay lập tức khi một con vật bước vào tầm nhìn của camera.

Bạn 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.

Bạn Gợi Ý Gì Cho Ai Bắt Đầu Với Ultralytics YOLOv5?#

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:

1. “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.
2. 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.
3. 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, đồng thời là giảng viên chuyên về Phân tích Ảnh Sinh học 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 quá trình phân tích 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 còn là thành viên của NEUBIAS, một tổ chức thúc đẩy các công cụ được sử dụng nhiều nhất cho phân tích ảnh khoa học trong sinh học/kính hiển vi, bao gồm cả các mô hình học sâu đã được huấn luyện này trong kho mô hình (model Zoo)._I

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.