YOLOvME：菌落计数、涂片评估与野生动物检测

你是否曾经需要评估大量图像、数据、结果等？更复杂的是，你是否还得手动完成这些评估？这当然会耗费大量时间。

对 Martin Schätz 来说，Ultralytics YOLOv5是一个实用工具，帮助他缩短了传染病研究和监测中图像分析所需的时间。Martin 身兼数职，但他的工作核心是生物图像分析；他将这个领域称为“计算机科学与生物学的交汇点”。我们想进一步了解 Martin 在菌落监测和计数方面的工作，于是与他进行了交谈。

你具体用 Ultralytics YOLOv5 做什么？#

Martin 在项目中采用 Ultralytics YOLOv5，源于他希望将现有的目标检测、分类和计数流程自动化。他还计划在长期演化实验等场景中使用 YOLOv5。

细菌菌落计数#

在实验室中，技术人员通常会在琼脂平板上对培养出的细菌菌落进行人工计数。遗憾的是，人工计数容易出错。为解决这一问题，Martin 使用 Ultralytics YOLOv5 实现计数流程自动化。这种方法大幅减少了菌落检测和分类过程中的错误，也缩短了所需时间。

显微物体检测与分类#

要在微观世界中进行测试，就必须评估涂片。这项工作目前仍主要依靠人工完成。众所周知，人工流程更容易出现错误，结果也更不稳定。此外，虽然已有用于检测特定形状物体的合适工具，但自动计数和分类各种物体仍需要更专业的工具。

野生动物检测与监测#

“我的同事会记录森林和其他地点的野生动物，通常要手动查看视频，也就是说，他们得坐下来逐一查看数百个视频。”

考虑到在视频中手动寻找野猪或鹿可能耗费极长时间，Martin 深知目标检测一定能优化这一流程。在这里，他们采用了 Ultralytics YOLOv5，让动物进入摄像头视野时就能轻松、即时地检测到野生动物。

你是如何进入机器学习和视觉 AI 领域的？#

攻读硕士学位时，Martin 研究了他所说的“传统图像分析方法”。在他即将完成学位时，深度学习逐渐受到越来越多的关注；当时，人们只称之为“卷积网络”。

那段时间，Martin 在处理数据挖掘工作，但这些数据并不太实用。Martin 希望亲自处理数据，于是决定投身机器学习和视觉 AI 领域。

对于想开始使用 Ultralytics YOLOv5 的人，你有什么建议？#

目前，学习机器学习和视觉 AI 的过程可能相当复杂。作为一名使用视觉 AI 多年的从业者，Martin 为所有想要入门的人提出了三点建议：

1. “作为一名科学家，我喜欢先把所有内容读一遍，这样遇到第一次没完全理解的部分时，就能再读一遍。”在开始训练模型之前先打好基础，会让初学者更容易完成整个过程。
2. 此外，Martin 还提到了研究他人应用案例的价值。看看其他人在做什么，能为你的用途和项目带来灵感。
3. 反复运行并测试你的项目。如果发现需要修改某些内容，就回头进行修改，然后继续推进，开展更多测试和迭代。

Martin Schätz 是一名研究人员，也从事教学工作，专注于生物图像分析和共聚焦显微镜数据处理。Martin 开展该项目的初衷，是优化传染病研究和监测中的图像分析流程。你可以在他的 GitHub 代码库中找到关于 Martin 三个项目的文档和详细信息。此外，Martin 还是 NEUBIAS 的成员。该组织致力于推广生物学/显微镜科学图像分析中最常用的工具，包括模型库中的这些已训练深度学习模型。

我们也想重点介绍你的 YOLOv5 应用案例！在社交媒体上标记 @Ultralytics 并添加 #YOLOvME，就有机会获得专题介绍。