YOLOvME：菌落计数、涂片评估与野生动物检测

你是否曾需要评估无数的图像、数据、结果等？更复杂的是，你是否曾被迫手动完成这些评估？当然，这极其耗时。

对于 Martin Schätz 来说，Ultralytics YOLOv5 被证明是一个非常有用的工具，能够缩短传染病研究和监测中图像分析所需的时间。虽然 Martin 身兼数职，但他的工作核心专注于生物图像分析，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，因此我们坐下来向他提出了几个问题。

你究竟用 Ultralytics YOLOv5 做什么？#

Martin 在他的项目中实现 Ultralytics YOLOv5 的逻辑源于自动化现有对象检测、分类和计数流程的需求。Martin 还旨在将 YOLOv5 用于诸如长期演进实验之类的案例。

细菌菌落计数#

在实验室中，在琼脂平板上培养的细菌菌落通常由技术人员手动计数。不幸的是，手动计数往往容易产生错误的结果。为了解决这个问题，Martin 利用 Ultralytics 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。

显微目标检测与分类#

为了在微观世界中进行测试，必须评估涂片。这仍然是一个主要依靠手动执行的过程。众所周知，手动过程更容易产生误差和结果偏差。此外，虽然存在用于特定形状目标检测的适当工具，但仍需要更专业的工具来进行各种目标的自动计数与分类。

野生动物检测与监测#

“我的同事在森林和其他地点记录野生动物，通常会手动观看视频，这意味着他们必须坐下来看完数百段视频。”

考虑到在视频中手动搜索野猪或鹿的目标可能需要大量时间，Martin 知道目标检测绝对可以优化这个过程。在这里，Ultralytics YOLOv5 得以应用，当动物进入摄像机的视线时，能够轻松且即时地检测到野生动物。

你是如何进入机器学习和视觉 AI 世界的？#

在攻读硕士学位期间，Martin 研究了他所谓的“经典图像分析方法”。在他快毕业时，深度学习开始受到越来越多的关注，当时它仅被称为“卷积网络”。

在此期间，Martin 一直在从事数据挖掘工作，但那些数据并不太好用。为了能亲自处理数据，Martin 选择深入探索机器学习和视觉 AI 的世界。

对于刚开始接触 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 已久的人，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，这样如果第一次没有完全理解，我可以重新阅读。”在深入训练模型之前获得基础知识，会让新手更容易上手。
2. 此外，Martin 还提到了研究他人用例的实用性。观察他人的做法可以为你的用途和项目带来灵感。
3. 反复操作并测试你的项目。如果你发现需要更改某些内容，请回头进行修改，并通过更多的测试和迭代继续推进。

Martin Schätz 是一名研究员，同时从事教学工作，专注于共聚焦显微镜中的生物图像分析和数据处理。Martin 正在从事的项目背后的动机是优化传染病研究和监测的图像分析流程。你可以在他的GitHub 仓库上找到 Martin 三个项目背后的文档和详细信息。此外，Martin 还是 NEUBIAS 的成员，该组织致力于推广生物/显微镜领域最常用的科学图像分析工具，包括模型 Zoo 中的这些已训练深度学习模型。

我们也想重点展示你的 YOLOv5 用例！在社交媒体上带上 #YOLOvME 标签并 @Ultralytics，即有机会获得推荐。