YOLOvME: Đếm khuẩn lạc, đánh giá tiêu bản 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 giám sát động vật hoang dã.
Bạn đã bao giờ phải đánh giá vô số hình ảnh, dữ liệu, kết quả, v.v. chưa? Để quy trình trở nên phức tạp hơn, bạn đã bao giờ phải thực hiện những đánh giá này theo cách thủ công chưa? Chắc chắn là việc này cực kỳ tốn thời gian.
Đối với Martin Schätz, Ultralytics YOLOv5 đã chứng minh là một công cụ hữu ích giúp rút ngắn thời gian cần thiết cho việc phân tích hình ảnh trong nghiên cứu và giám sát bệnh truyền nhiễm. Mặc dù Martin đảm nhiệm nhiều công việc khác nhau, trọng tâm công việc của anh là phân tích ảnh sinh học, một lĩnh vực mà anh 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 anh để đặt một vài câu hỏi.
Chính xác thì bạn làm gì với Ultralytics YOLOv5?#
Lý do Martin triển khai Ultralytics 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 hướng đến việc sử dụng YOLOv5 cho những trường hợp như Thí nghiệm Tiến hóa Dài hạn.
Đếm khuẩn lạc vi khuẩn#
Trong phòng thí nghiệm, các khuẩn lạc vi khuẩn phát triển trên đĩa thạch thường được kỹ thuật viên đếm thủ công. Đáng tiếc là việc đếm thủ công có thể dẫn đến kết quả dễ sai lệch. Để giải quyết vấn đề này, Martin đã sử dụng Ultralytics YOLOv5 để tự động hóa quy trình đếm. Phương pháp này đã giúp giảm đáng kể sai số và thời gian liên quan đến việc phát hiện và phân loại khuẩn lạc.
Phát hiện và phân loại đối tượng qua kính hiển vi#
Để thực hiện các xét nghiệm trong thế giới hiển vi, cần phải đánh giá các tiêu bản. Đây vẫn chủ yếu là một quy trình được thực hiện thủ công. Và như chúng ta đã biết, các quy trình thủ công dễ phát sinh sai số và tạo ra kết quả biến thiên hơn. Ngoài ra, mặc dù đã có các công cụ phù hợp để phát hiện những đối tượng có hình dạng cụ thể, vẫn cần các công cụ chuyên dụng hơn để tự động đếm và phân loại nhiều loại đối tượng khác nhau.
Phát hiện và giám sát động vật hoang dã#
“Các đồng nghiệp của tôi ghi hình động vật hoang dã trong rừng và những địa điểm khác, rồi thường xem qua các video theo cách thủ công, nghĩa là họ phải ngồi xem hàng trăm video.”
Vì việc tìm kiếm thủ công một con lợn rừng hoặc hươu xuất hiện trong video có thể mất rất nhiều thời gian, Martin biết rằng phát hiện đối tượng chắc chắn có thể tối ưu hóa quy trình này. Trong trường hợp này, Ultralytics YOLOv5 đã được triển khai, cho phép phát hiện động vật hoang dã dễ dàng và ngay lập tức khi một con vật đi vào tầm quan sát của camera.
Bạn đã bước vào thế giới Machine Learning và Vision AI như thế nào?#
Trong chương trình thạc sĩ, Martin nghiên cứu điều mà anh thích gọi là “các phương pháp cổ điển để phân tích hình ảnh.” Khi đang hoàn tất chương trình, deep learning ngày càng được nhắc đến nhiều hơn; vào thời điểm đó, lĩnh vực này chỉ được gọi là “mạng tích chập.”
Trong giai đoạn này, Martin làm việc với hoạt động khai phá dữ liệu, nhưng dữ liệu thu được không mấy hữu ích. Muốn trực tiếp làm việc sâu hơn với dữ liệu, Martin đã chọn dấn thân vào thế giới machine learning và vision AI.
Bạn đề xuất điều gì cho người mới bắt đầu với Ultralytics YOLOv5?#
Hiện nay, quá trình học ML và vision AI có thể khá phức tạp. Là người đã sử dụng vision AI trong một thời gian, Martin đã nêu ra ba điểm dành cho bất kỳ ai muốn bắt đầu:
- “Là một nhà khoa học, tôi thích đọc mọi thứ trước để có thể đọc lại những phần mà lần đầu tôi chưa hoàn toàn hiểu.” Việc xây dựng nền tảng hiểu biết cơ bản trước khi bắt đầu training model sẽ giúp quy trình dễ dàng hơn nhiều đối với người mới.
- Ngoài ra, Martin đề cập đến tính hữu ích của việc nghiên cứu các use case của người khác. Quan sát cách người khác đang làm có thể truyền cảm hứng cho việc sử dụng và các dự án của bạn.
- Hãy liên tục chạy thử và kiểm thử các dự án của bạn. Nếu nhận thấy cần thay đổi điều gì đó, hãy quay lại thực hiện thay đổi, rồi tiếp tục tiến lên với nhiều lần kiểm thử và lặp lại hơn.
Martin Schätz là một nhà nghiên cứu đồng thời giảng dạy, tập trung vào Phân tích ảnh sinh học và xử lý dữ liệu trong kính hiển vi đồng tiêu. Động lực đằng sau dự án Martin đang thực hiện là tối ưu hóa quy trình phân tích hình ảnh phục vụ nghiên cứu và giám sát bệnh truyền nhiễm. Bạn có thể tìm thấy 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 thúc đẩy những công cụ được sử dụng phổ biến nhất cho phân tích hình ảnh khoa học trong sinh học/kính hiển vi, bao gồm cả những model deep learning đã được training trong model Zoo.
Chúng tôi cũng muốn giới thiệu use case YOLOv5 của bạn! Hãy tag chúng tôi trên mạng xã hội @Ultralytics với #YOLOvME để có cơ hội được giới thiệu.
