25 tháng 5, 2022
Khám phá cách Martin Schätz tận dụng YOLOv5 để phân tích hình ảnh hiệu quả trong nghiên cứu bệnh truyền nhiễm, đếm đàn và theo dõi động vật hoang dã.
Bạn đã bao giờ phải đánh giá vô số hình ảnh, dữ liệu, kết quả,... chưa? Để làm cho quá trình trở nên phức tạp hơn, bạn đã bao giờ phải thực hiện các đánh giá này theo cách thủ công chưa? Chắc chắn rồi, việc này tốn rất nhiều thời gian.
Gửi Martin Schätz, YOLOv5 đã được chứng minh là một công cụ hữu ích trong việc rút ngắn thời gian cần thiết cho việc phân tích hình ảnh liên quan đến nghiên cứu và giám sát bệnh truyền nhiễm. Mặc dù Martin đảm nhiệm nhiều công việc cùng một lúc, nhưng cốt lõi công việc của anh ấy tập trung vào phân tích hình ảnh sinh học, một lĩnh vực mà anh ấy mô tả là "điểm giao thoa giữa khoa học máy tính và sinh học". Chúng tôi muốn tìm hiểu thêm về công việc của Martin trong lĩnh vực giám sát và đếm khuẩn lạc, vì vậy chúng tôi đã ngồi lại và đặt một vài câu hỏi.
Logic của Martin đằng sau việc thực hiện YOLOv5 cho các dự án của ông xuất phát từ nhu cầu tự động hóa các quy trình hiện có để phát hiện, phân loại và đếm đối tượng. Martin cũng hướng tới việc sử dụng YOLOv5 đối với những trường hợp như Thí nghiệm tiến hóa dài hạn .
Trong phòng thí nghiệm, các khuẩn lạc vi khuẩn nuôi cấy trên đĩa thạch thường được các kỹ thuật viên đếm thủ công . Đáng tiếc là 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 quá trình đếm. Phương pháp này đã giảm đáng kể sai sót và thời gian liên quan đến việc phát hiện và phân loại khuẩn lạc.
Để thực hiện các xét nghiệm trong thế giới vi mô, cần phải đánh giá các vết bẩn. 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 kết quả không nhất quán hơn. Ngoài ra, mặc dù có các công cụ thích hợp để phát hiện đối tượng có hình dạng cụ thể, nhưng cần có các công cụ chuyên dụng hơn để tự động đếm và phân loại các đối tượng khác nhau.
"Các đồng nghiệp của tôi ghi lại động vật hoang dã trong rừng và các địa điểm khác và thường xem qua các video theo cách thủ công, có nghĩa là họ phải ngồi xuống và xem qua hàng trăm video."
Lưu ý rằng việc tìm kiếm thủ công một trường hợp lợn rừng hoặc hươu trên video có thể mất rất nhiều thời gian, Martin biết rằng phát hiện vật thể chắc chắn có thể tối ưu hóa quá trình này. Ở đây, YOLOv5 đã được triển khai cho phép phát hiện động vật hoang dã một cách dễ dàng và ngay lập tức khi chúng xuất hiện trong tầm nhìn của camera.
Để lấy bằng thạc sĩ, Martin đã nghiên cứu những gì anh ấy gọi là “các phương pháp cổ điển để phân tích hình ảnh.” Trong khi hoàn thành bằng cấp của mình, deep learning ngày càng được nhắc đến nhiều hơn, vào thời điểm đó, nó chỉ được gọi là “các mạng tích chập.”
Trong giai đoạn này, Martin đang làm việc về khai thác dữ liệu, vốn không mấy hữu dụng. Vì muốn tự mình thực hành với dữ liệu, Martin đã chọn đi sâu vào thế giới máy học và vision AI.
Hiện tại, quá trình học ML và AI thị giác có thể khá phức tạp. Là một người đã sử dụng AI thị giác một thời gian, Martin đã đề cập đến ba điểm cho bất kỳ ai muốn bắt đầu:
Martin Schätz là một nhà nghiên cứu, đồng thời giảng dạy chuyên sâu về Phân tích hình ảnh sinh học và xử lý dữ liệu trong kính hiển vi cộng hưởng. Động lực đằng sau dự án mà 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 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 để phân tích hình ảnh khoa học trong lĩnh vực sinh học/kính hiển vi, bao gồm các mô hình học sâu được đào tạo trong mô hình Zoo.
Chúng tôi cũng muốn giới thiệu ứng dụng YOLOv5 của bạn! Hãy gắn thẻ chúng tôi trên mạng xã hội Ultralytics với #YOLOvME để có cơ hội được giới thiệu.
