YOLOvME：菌落计数、涂片评估和野生动物检测

您是否曾经需要评估无数的图像、数据和结果等？更复杂的是，您还必须手动完成这些评估工作吗？当然，这非常耗时。

对于 Martin Schätz 来说，YOLOv5 被证明是一种有用的工具，可以缩短传染病研究和监测所需的图像分析时间。虽然马丁身兼数职，但他的工作重点是生物图像分析，他将这一领域描述为 "计算机科学与生物学之间的结合点"。我们想更多地了解马丁在菌落监测和计数方面的工作，因此我们坐下来问了他几个问题。

使用 YOLOv5 到底要做什么？

Martin 在其项目中实施 YOLOv5 的逻辑源于将现有的物体检测、分类和计数流程自动化的需要。马丁还希望将 YOLOv5 用于长期进化实验（Long-Term Evolution Experiment）等情况。

细菌菌落计数

在实验室中，琼脂平板上生长的细菌菌落通常由技术人员手动计数。遗憾的是，人工计数容易导致结果出错。为了解决这个问题，Martin 利用 YOLOv5 实现了计数过程的自动化。这种方法大大减少了与菌落检测和分类相关的误差和时间。

微观物体检测与分类

要在显微镜下进行检测，就必须对涂片进行评估。这仍然是一个主要由人工完成的过程。我们知道，人工操作更容易出错，结果也更容易变化。此外，虽然有适当的工具来检测特定形状的物体，但自动计数和分类各种物体的工具更为专业。

野生动物探测和监测

"我的同事们在森林和其他地方录制野生动物，通常都是手动处理视频，这意味着他们必须坐下来处理数百个视频"。

考虑到手动搜索视频中的野猪或鹿可能会耗费大量时间，Martin 知道物体检测绝对可以优化这一过程。在这里，YOLOv5 的应用允许在动物进入摄像机视线时轻松、即时地检测到野生动物。

您是如何进入机器学习和视觉人工智能领域的？

在攻读硕士学位时，马丁学习了他喜欢称之为 "图像分析的经典方法"。在完成学业的同时，深度学习开始被越来越多的人所关注，当时它还只是被称为 "卷积网络"。

在此期间，马丁从事的是数据挖掘工作，但数据的可用性并不高。马丁希望能够亲自动手处理数据，于是他选择进入机器学习和视觉人工智能领域。

对于刚开始使用 YOLOv5 的人，您有什么建议？

目前，学习 ML 和视觉人工智能的过程可能相当复杂。作为一个使用视觉人工智能已有一段时间的人，马丁为希望入门的人提到了三点：

1. "作为一名科学家，我更喜欢先阅读所有的东西，这样我就可以重新阅读我第一次没有完全理解的东西"。在深入训练模型之前获得基本的理解会让新手更容易上手。
2. 此外，马丁还提到了研究他人用例的作用。看看别人在做什么可以为你的用途和项目带来灵感。
3. 反复运行和测试你的项目。如果发现需要修改，就回去修改，然后继续进行更多的测试和迭代。

马丁-沙茨马丁-沙茨（Martin Schätz）是一名研究员，同时也是一名教师，主要研究生物图像分析和共聚焦显微镜数据处理。马丁所从事项目的动机是优化传染病研究和监测的图像分析流程。您可以在马丁的 GitHub 仓库.此外，马丁还是 NEUBIAS组织的一员，该组织致力于推广生物学/显微学领域最常用的科学图像分析工具，包括这些 训练有素的深度学习模型在模型 Zoo 中。

我们也想关注您的 YOLOv5 使用案例！在社交媒体 @Ultralytics 上用 #YOLOvME 标记我们，就有机会被报道。