Ngày 25 tháng 5 năm 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, v.v. chưa? Để làm cho quá trình phức tạp hơn, bạn đã bao giờ phải thực hiện các đánh giá này theo cách thủ công chưa? Tất nhiên, việc này tốn rất nhiều thời gian.
Đối với Martin Schätz, YOLOv5 đã chứng minh là một công cụ hữu ích trong việc cắt giảm thời gian cần thiết cho phân tích hình ảnh liên quan đến nghiên cứu và giám sát bệnh truyền nhiễm. Mặc dù Martin làm nhiều công việc trong một, nhưng bản chất công việc của ông tập trung vào phân tích hình ảnh sinh học, một lĩnh vực mà ông mô tả là "điểm giữa khoa học máy tính và sinh học". Chúng tôi muốn tìm hiểu thêm về công việc của Martin với việc giám sát và đếm khuẩn lạc, vì vậy chúng tôi đã ngồi lại và hỏi ông một vài câu hỏi.
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 hướng đến việc sử dụng YOLOv5 cho các trường hợp như Thí nghiệm tiến hóa dài hạn .
Trong phòng thí nghiệm, các khuẩn lạc vi khuẩn được nuôi cấy trên đĩa thạch thường được các kỹ thuật viên đếm thủ công . Thật không may, việc đếm thủ công có thể dẫn đến kết quả dễ xảy ra lỗi. Để giải quyết vấn đề này, Martin đã sử dụng YOLOv5 để tự động hóa quy trình đếm. Phương pháp này đã cắt giảm đáng kể lỗi 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 bôi. Đây vẫn là một quy trình được thực hiện chủ yếu theo cách thủ công. Và như chúng ta đã biết, các quy trình thủ công dễ xảy ra lỗi và biến đổi kết quả hơn. Ngoài ra, trong khi có các công cụ thích hợp để phát hiện vật thể có hình dạng cụ thể, thì vẫn có các công cụ chuyên dụng hơn để đếm và phân loại tự động các vật thể khác nhau.
“Các đồng nghiệp của tôi ghi lại cảnh động vật hoang dã trong rừng và những địa điểm khác và thường phải chạy qua chạy lại các video theo cách thủ công, nghĩa là họ phải ngồi xuống và chạy 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 quy trình này. Ở đây, YOLOv5 đã được triển khai cho phép phát hiện động vật hoang dã dễ dàng và ngay lập tức khi một con vật lọt vào tầm nhìn của camera.
Trong quá trình học thạc sĩ, Martin đã nghiên cứu những gì anh gọi là "phương pháp tiếp cận cổ điển để phân tích hình ảnh". Trong khi hoàn thành chương trình học, học sâu ngày càng được nhắc đến nhiều hơn, vào thời điểm đó, nó chỉ được gọi là "mạng tích chập".
Trong thời gian này, Martin đang làm việc về khai thác dữ liệu, một công việc không mấy hữu ích. Muốn có thể tự tay làm việc với dữ liệu, Martin đã chọn dấn thân vào thế giới học máy và AI thị giác.
Hiện tại, quá trình học ML và AI thị giác có thể khá phức tạp. Là người đã sử dụng AI thị giác trong một thời gian, Martin đã đề cập đến ba điểm cho bất kỳ ai muốn bắt đầu:
Martin Schätz là một nhà nghiên cứu cũng giảng dạy tập trung vào 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 để nghiên cứu và theo dõi 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 một phần của NEUBIAS , một tổ chức thúc đẩy các công cụ được sử dụng nhiều nhất để phân tích hình ảnh khoa học trong sinh học/kính hiển vi, bao gồm các mô hình học sâu được đào tạo này trong mô hình Zoo.
Chúng tôi cũng muốn nêu 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.
.webp)