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数不清的图像、数据、结果等？更复杂的是，你是否还曾经需要手动完成这些评估？当然，这会耗费大量时间。

对于 Martin Schätz 来说，Ultralytics YOLOv5 已被证明是一款非常实用的工具，能够减少传染病研究与监测中图像分析所需的时间。Martin 同时承担多项工作，但他的核心工作是生物图像分析，这是一个他称为“计算机科学与生物学之间的交汇点”的领域。我们希望进一步了解 Martin 在菌落监测和计数方面的工作，因此与他交流并提出了一些问题。

你究竟如何使用 Ultralytics YOLOv5？#

Martin 在项目中实施 Ultralytics YOLOv5 的思路源于自动化现有目标检测、分类和计数流程的需求。Martin 还计划将 YOLOv5 用于长期进化实验等场景。

细菌菌落计数#

在实验室中，技术人员通常会对培养在琼脂平板上的细菌菌落进行人工计数。遗憾的是，人工计数容易产生错误结果。为了解决这一问题，Martin 利用 Ultralytics YOLOv5 自动化了计数流程。这种方法大幅减少了菌落检测和分类所需的时间，并降低了相关错误率。

显微目标检测与分类#

要在微观世界中开展测试，就必须对涂片进行评估。这一过程目前仍主要依靠人工完成。众所周知，人工流程更容易产生错误，结果也更具不确定性。此外，虽然已经存在用于检测特定形状目标的合适工具，但仍需要更专业的工具来自动计数和分类各种目标。

野生动物检测与监测#

“我的同事会在森林和其他地点记录野生动物，通常还要手动浏览视频，也就是说，他们必须坐下来逐一查看数百段视频。”

考虑到在视频中手动寻找野猪或鹿的踪迹可能耗费极长时间，Martin 知道目标检测完全可以优化这一流程。在这里，Ultralytics YOLOv5 被用于在动物进入摄像机视野时，轻松且即时地检测野生动物。

你是如何进入机器学习和视觉 AI 领域的？#

Martin 在攻读硕士学位期间，研究了他喜欢称为“图像分析的经典方法”的内容。在完成学位的过程中，深度学习逐渐受到越来越多的关注，而在当时，它还只是被称为“卷积网络”。

在此期间，Martin 从事数据挖掘工作，但这些数据并不太实用。Martin 希望能够亲自深入处理数据，于是选择投身机器学习和视觉 AI 领域。

对于刚开始使用 Ultralytics YOLOv5 的人，你有什么建议？#

目前，学习 ML 和视觉 AI 的过程可能相当复杂。作为一名使用视觉 AI 已有一段时间的人，Martin 为任何希望入门的人提出了三点建议：

1. “作为一名科学家，我更喜欢先把所有内容读一遍，这样就能重新阅读第一次没有完全理解的内容。”在开始训练模型之前，先建立基础理解，会让整个过程对新手来说容易得多。
2. 此外，Martin 还提到了研究他人应用案例的价值。了解其他人在做什么，可以为你自己的用途和项目带来灵感。
3. 反复运行和测试你的项目。如果你发现需要更改某些内容，就返回去完成修改，然后继续通过更多测试和迭代向前推进。

Martin Schätz 是一名研究人员，同时也专注于共聚焦显微镜中的生物图像分析和数据处理教学。Martin 正在开展这一项目的动机，是优化传染病研究与监测中的图像分析流程。你可以在 Martin 的 GitHub 代码仓库中找到其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，包括这些经过训练的深度学习模型所在的模型 Zoo。

我们也希望重点介绍你的 YOLOv5 应用案例！在社交媒体上使用 #YOLOvME 标记 @Ultralytics，就有机会获得 featured 展示。