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 khuẩn lạc và giám sát 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.
Đối với Martin Schätz, YOLOv5 đã chứng tỏ 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. Trong khi Martin thực hiện nhiều công việc trong một, bản chất công việc của anh tập trung vào phân tích hình ảnh sinh học, một lĩnh vực mà anh 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 anh một vài câu hỏi.
Lý do Martin triển khai YOLOv5 cho các dự án của mình xuất phát từ nhu cầu tự động hóa các quy trình hiện có cho việc 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 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 kết quả dễ bị sai sót. Để giải quyết vấn đề này, Martin đã sử dụng YOLOv5 để tự động hóa quy trình đếm. Cách tiếp cận này đã 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 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."
Nhận thấy rằng việc tìm kiếm thủ công một cá thể lợn rừng hoặc hươu trong video có thể mất một lượng thời gian quá lớn, Martin biết rằng object detection 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 một cách dễ dàng và tức thì khi một con vật đi vào tầm nhìn của máy ảnh.
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 là giảng viên, 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 mà Martin đang thực hiện là tối ưu hóa quy trình phân tích hình ảnh cho 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 là thành viên của NEUBIAS, một tổ chức quảng bá các công cụ được sử dụng nhiều nhất để phân tích hình ảnh khoa học trong sinh học/kính hiển vi, bao gồm cả các mô hình deep learning đã được huấn luyện trong Model Zoo.
Chúng tôi cũng muốn làm nổi bật trường hợp sử dụng YOLOv5 của bạn! Hãy gắn thẻ chúng tôi trên mạng xã hội @Ultralytics bằng #YOLOvME để có cơ hội được giới thiệu.
.webp)