YOLOvME：菌落计数、涂片评估与野生动物检测
了解 Martin Schätz 如何利用 YOLOv5 在传染病研究、菌落计数和野生动物监测中进行高效的图像分析。
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 而言，YOLOv5 是缩短传染病研究与监测中图像分析所需时间的实用工具。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”。为了深入了解 Martin 在菌落监测与计数方面的工作，我们特意采访了他。
Link to this section你具体是如何使用 YOLOv5 的？#
Martin 在项目中实施 YOLOv5 的初衷，源于对现有的目标检测、分类和计数流程进行自动化的需求。Martin 还旨在将 YOLOv5 用于诸如 长期进化实验 等案例中。
Link to this section细菌菌落计数#
在实验室中，生长在琼脂平板上的细菌菌落通常由技术人员手动计数。遗憾的是，手动计数容易导致结果出错。为了解决这个问题，Martin 利用 YOLOv5 将计数过程自动化。这种方法极大地减少了菌落检测和分类过程中的误差与时间消耗。
Link to this section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。
Link to this section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。”
考虑到手动在视频中寻找野猪或鹿的踪迹会花费大量时间，Martin 知道目标检测绝对可以优化这一过程。在这里，YOLOv5 的实施使得当动物进入相机视线时，能够轻松且即时地被检测出来。
Link to this section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。
Link to this section对于刚开始接触 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：
- “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。
- 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。
- 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 是一位研究人员，同时也从事教学工作，专注于共聚焦显微镜中的生物图像分析和数据处理。Martin 所参与项目的驱动力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 中找到他三个项目的文档和详细信息。此外，Martin 是 NEUBIAS 的成员，该组织推广生物/显微镜领域最常用的科学图像分析工具，包括 模型 Zoo 中的这些训练好的深度学习模型。
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。
