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、结果等？更复杂的是，您是否曾经需要手动进行这些评估？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，可以减少传染病研究和监测中涉及的图像分析所需的时间。虽然 Martin 一人身兼数职，但他工作的本质是专注于生物图像分析，他将生物图像分析描述为“计算机科学和生物学之间的交汇点”。我们想更多地了解 Martin 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。

您用 YOLOv5 到底做什么？

Martin 在其项目中实施 YOLOv5 的逻辑源于需要自动化现有流程，以实现目标检测、分类和计数。Martin 还计划将 YOLOv5 用于诸如 长期演进实验 等案例。

细菌菌落计数

在实验室中，在琼脂培养皿上生长的细菌菌落通常由技术人员手动计数。不幸的是，手动计数容易导致错误的结果。为了解决这个问题，Martin 利用 YOLOv5 来自动化计数过程。这种方法大大减少了与菌落检测和分类相关的错误和时间。

显微物体检测与分类

要在微观世界中进行测试，有必要评估涂片。这仍然是一个主要通过手动执行的过程。而且我们知道，手动过程更容易出错，结果也更容易出现差异。此外，虽然存在用于对象检测特定形状的适当工具，但更需要用于自动计数和分类各种对象的更专业的工具。

野生动物检测与监测

“我的同事们在森林和其他地方录制野生动物，通常会手动浏览视频，这意味着他们必须坐下来浏览数百个视频。”

Martin 意识到，在视频上手动搜索野猪或鹿的实例可能需要花费大量时间，因此目标检测绝对可以优化此过程。 在这里，YOLOv5 的实施使得当动物进入摄像机的视线时，可以轻松且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？

马丁在他的硕士学位期间，研究了他喜欢称之为“图像分析的经典方法”的课题。在完成学位的过程中，深度学习越来越受到关注，当时它只是被称为“卷积网络”。

在此期间，Martin 一直在从事数据挖掘工作，但这些数据并不是很有用。为了能够亲身处理数据，Martin 选择投身于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 AI 的过程可能非常复杂。作为一名已经使用视觉 AI 一段时间的人，Martin 为任何想要入门的人提出了三点建议：

1. “作为一名科学家，我更喜欢先阅读所有内容，这样我就可以重新阅读第一次没有完全理解的任何内容。” 在开始训练模型之前，先获得一个基本的理解水平，这将使新手更容易上手。
2. 此外，Martin 提到了研究他人用例的效用。了解他人在做什么可以激发您自己的用途和项目。
3. 反复运行和测试您的项目。如果您发现需要更改某些内容，请返回并进行更改，然后继续进行更多测试和迭代。

Martin Schätz 是一位研究员，同时也是一位教师，专注于生物图像分析和共聚焦显微镜中的数据处理。Martin 从事该项目的动机是优化传染病研究和监测的图像分析过程。您可以在他的 GitHub 存储库中找到 Martin 三个项目背后的文档和详细信息。此外，Martin 还是 NEUBIAS 的成员，该组织推广生物学/显微镜科学图像分析中最常用的工具，包括模型 Zoo 中的这些 经过训练的深度学习模型。

我们也希望重点介绍您的 YOLOv5 用例！在社交媒体上 @Ultralytics 并添加 #YOLOvME 标签，您就有机会被推荐。