YOLOvME: Đếm khuẩn lạc, đánh giá tiêu bản và phát hiện động vật hoang dã

Bạn đã từng phải đánh giá vô số hình ảnh, dữ liệu, kết quả, v.v. chưa? Để quy trình thêm phức tạp, bạn đã từng phải thực hiện các đánh giá đó theo cách thủ công chưa? Chắc chắn việc này cực kỳ tốn thời gian.

Với Martin Schätz, Ultralytics YOLOv5 là một công cụ hữu ích giúp rút ngắn thời gian cần thiết để phân tích hình ảnh trong nghiên cứu và giám sát bệnh truyền nhiễm. Martin đảm nhiệm nhiều công việc khác nhau, nhưng trọng tâm công việc của ông là phân tích ảnh sinh học — lĩnh vực mà ông mô tả là “điểm giao 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 đã gặp ông để đặt một vài câu hỏi.

Chính xác thì bạn làm gì với Ultralytics YOLOv5?#

Lý do Martin triển khai Ultralytics YOLOv5 trong các dự án của mình là nhu cầu tự động hóa những quy trình hiện có để phát hiện, phân loại và đếm đối tượng. Martin cũng dự định dùng YOLOv5 cho các trường hợp như Thí nghiệm Tiến hóa Dài hạn.

Đếm khuẩn lạc vi khuẩn#

Trong phòng thí nghiệm, kỹ thuật viên thường đếm thủ công các khuẩn lạc vi khuẩn được nuôi trên đĩa thạch. Đáng tiếc là việc đếm thủ công dễ xảy ra 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 giúp giảm đáng kể sai sót và thời gian cần thiết cho việc phát hiện và phân loại khuẩn lạc.

Phát hiện và phân loại đối tượng hiển vi#

Để thực hiện xét nghiệm trong thế giới hiển vi, cần đánh giá các mẫu phết. Quy trình này hiện vẫn chủ yếu được thực hiện thủ công. Như chúng ta đã biết, các quy trình thủ công dễ phát sinh lỗi và khiến kết quả biến thiên hơn. Ngoài ra, dù đã có các công cụ phù hợp để phát hiện đối tượng có hình dạng cụ thể, vẫn cần những công cụ chuyên biệt hơn để tự động đếm và phân loại nhiều loại đối tượng.

Phát hiện và giám sát động vật hoang dã#

“Đồng nghiệp của tôi ghi lại hình ảnh động vật hoang dã trong rừng và những địa điểm khác, rồi thường phải xem video theo cách thủ công, nghĩa là họ phải ngồi xem hàng trăm video.”

Biết rằng việc tìm thủ công một con lợn rừng hoặc hươu xuất hiện trong video có thể mất rất nhiều thời gian, Martin hiểu rằng phát hiện đối tượng chắc chắn có thể tối ưu hóa quy trình này. Tại đây, Ultralytics YOLOv5 được triển khai để dễ dàng và tức thời phát hiện động vật hoang dã khi chúng lọt vào tầm quan sát của camera.

Bạn đến với lĩnh vực Machine Learning và AI thị giác như thế nào?#

Trong chương trình thạc sĩ, Martin nghiên cứu những gì ông gọi là “các phương pháp phân tích hình ảnh cổ điển”. Khi ông sắp hoàn thành chương trình, học sâu ngày càng được nhắc đến nhiều; vào thời điểm đó, lĩnh vực này chỉ được gọi là “mạng tích chập”.

Trong giai đoạn này, Martin làm công việc khai thác dữ liệu nhưng dữ liệu thu được không hữu dụng lắm. Muốn trực tiếp bắt tay vào xử lý dữ liệu, Martin quyết định tìm hiểu sâu về machine learning và AI thị giác.

Bạn đề xuất điều gì cho người mới bắt đầu với Ultralytics YOLOv5?#

Hiện nay, việc học ML và AI thị giác có thể khá phức tạp. Là người đã sử dụng AI thị giác một thời gian, Martin chia sẻ ba gợi ý cho bất kỳ ai muốn bắt đầu:

1. “Là một nhà khoa học, trước tiên tôi thích đọc mọi thứ để có thể đọc lại những phần mình chưa hiểu đầy đủ trong lần đầu.” Nắm được kiến thức nền tảng trước khi bắt đầu huấn luyện model sẽ giúp người mới thực hiện quy trình dễ dàng hơn nhiều.
2. Ngoài ra, Martin nhắc đến lợi ích của việc nghiên cứu các trường hợp sử dụng của người khác. Quan sát công việc của người khác có thể khơi gợi ý tưởng cho cách sử dụng và các dự án của bạn.
3. Liên tục thử nghiệm các dự án của bạn. Nếu nhận thấy cần thay đổi điều gì, hãy quay lại thực hiện thay đổi đó rồi tiếp tục với nhiều lần kiểm thử và lặp lại hơn.

Martin Schätz là nhà nghiên cứu đồng thời là giảng viên, tập trung vào Phân tích ảnh sinh học và xử lý dữ liệu trong kính hiển vi đồng tiêu. Dự án Martin đang thực hiện hướng đến tối ưu hóa quy trình phân tích hình ảnh phục vụ nghiên cứu và giám sát bệnh truyền nhiễm. Bạn có thể tìm tài liệu và thông tin chi tiết về ba dự án của Martin trong repository GitHub của anh. Ngoài ra, Martin là thành viên của NEUBIAS, một tổ chức quảng bá các công cụ được sử dụng phổ biến nhất trong phân tích ảnh khoa học ở lĩnh vực sinh học/hiển vi, bao gồm cả các model deep learning đã huấn luyện trong model Zoo.

Chúng tôi cũng muốn giới thiệu trường hợp sử dụng YOLOv5 của bạn! Gắn thẻ @Ultralytics trên mạng xã hội cùng hashtag #YOLOvME để có cơ hội được giới thiệu.