Pixelabs 通过 Ultralytics YOLO 驱动的自动化实现了 95% 的召回率
了解 Pixelabs 如何利用 Ultralytics YOLO 模型自动化工作流程并实现 95% 的召回率。
Problem
Pixelabs 希望实现可视化工作流程的自动化，这些流程原本仍依赖于人工检查。此类流程不仅耗时、不稳定，而且难以扩展，特别是在用于早期阿尔茨海默病检测的视网膜成像等用例中。
Solution
通过将 Ultralytics YOLO 模型集成到 Pixelabs AI-Engine 中，Pixelabs 成功实现了可视化工作流程的自动化。例如，在用于早期阿尔茨海默病检测的视网膜成像中，这提高了识别指标的一致性，召回率高达 95%。
如今，许多工业、运营和研究工作流程仍依赖人工审查图像来检查流程或发现模式。随着数据量的增长，这种方式很快会变得缓慢、不一致且难以扩展。
在视网膜成像用于早期阿尔茨海默病检测等研究环境中尤其如此，因为在图像中识别微小指标既困难又耗时。
Pixelabs 通过 Pixelabs AI-Engine 解决了这一问题，这是一个专为实时图像和视频分析设计的视觉 AI 平台。通过使用 计算机视觉 模型（如 Ultralytics YOLO 模型），该平台可以更轻松地实现可视化工作流程自动化、提高一致性并扩展分析规模。
Link to this section应用计算机视觉实现实际工作流程的自动化#
Pixelabs 开发了视觉 AI 解决方案，使企业能够利用计算机视觉实现现有流程的自动化和改进。公司总部位于马德里，在巴塞罗那和英国设有办事处，专注于构建可应用于各行业的实用 AI 工具。
特别是其平台 Pixelabs AI-Engine，能够为目标检测、缺陷识别、表面分析和光学字符识别 (OCR) 等任务提供实时图像和视频分析。这些功能让用户能更高效地处理视觉数据，并减少对人工审查的依赖。
该平台旨在集成到现有系统中，使组织能够更轻松地采用计算机视觉，而不会中断业务运营。这种灵活性使 Pixelabs 能够支持广泛的用例，并随着需求的增长扩展解决方案。
Link to this section集成和扩展计算机视觉的挑战#
在许多行业中，日常运营仍依赖手动工作流程和有限的自动化。操作员、工程师和研究人员经常需要手动审查图像、验证结果并跨多个工具管理数据。
这使得流程变得更慢、更难标准化，且更容易出现不一致，尤其是在数据量增加时。即使组织寻求引入计算机视觉，这种过渡也并不总是顺利的。
将 AI 集成到现有系统中可能需要更改既定工作流程、建立新基础设施或投入额外的工程工作。这就是为什么许多解决方案难以随时间扩展或维护。
例如，在视网膜成像用于早期阿尔茨海默病检测等研究环境中，这些挑战变得更加复杂。研究人员需要检测非常微小的特征、管理大型图像数据集，并确保结果在不同条件下保持一致。
图 1. 小鼠眼睛视网膜成像的示例图像。
如果没有一种简化的方式来处理分析、数据管理和输出，那么扩展这些工作流程并保持可靠的结果将变得非常困难。
Link to this section利用 Ultralytics YOLO 模型实现视网膜图像分析自动化#
Pixelabs 通过将 Ultralytics YOLO 模型集成到 Pixelabs AI-Engine 中解决了这些挑战。该平台作为其视觉 AI 解决方案的核心，使得在不同应用中运行实时图像和视频分析变得更加顺畅，且不会中断现有工作流程。
它支持多种任务，包括目标和缺陷检测、表面和纹理分析、色彩管理以及 OCR。由于它是硬件无关的，且设计为通过 API 集成，因此可以跨不同环境部署并进行扩展。
这种方法被应用于最近与 CIBIR 阿尔茨海默病研究团队的合作中，Pixelabs 开发了一个系统，利用视网膜成像支持小鼠早期阿尔茨海默病的检测。目标是识别微小指标，例如淀粉样蛋白沉积，这些指标可能是该疾病早期阶段的信号。
为了做到这一点，Pixelabs 构建了一个连接数据存储、图像处理和用户界面的工作流程。使用实验室专用眼底成像设备捕获的视网膜图像，首先通过安全文件传输协议 (SFTP) 传输并存储在集中式系统中，从而更易于管理和访问大型数据集。
为了确保结果一致，随后会应用预处理步骤来处理图像质量和光照方面的差异。这有助于系统在不同样本和条件下保持准确性。
图像随后会使用视觉 AI 模型进行分析，包括经过自定义训练的 Ultralytics YOLOv8 模型。使用中型和大型的 YOLOv8 变体来平衡性能和准确性。
在此管道中，Ultralytics YOLO 模型用于 目标检测 和 图像分类，以直接在视网膜图像中识别和定位感兴趣的微小区域，例如淀粉样蛋白沉积。
图 2. 像 Ultralytics YOLOv8 这样的计算机视觉模型可以帮助检测淀粉样蛋白沉积。
最后，结果通过基于 Web 的平台呈现，用户可以在该平台上上传图像，按年龄、性别或表型等属性过滤数据，并查看检测到的特征以及置信度分数。这使得从原始图像数据到清晰、可用见解的转化变得更加简单。
Link to this section为何选择 Ultralytics YOLO 模型？#
对于 Pixelabs 而言，Ultralytics YOLO 模型非常契合，为构建可以快速适应不同用例的 计算机视觉解决方案 提供了实用且灵活的基础。它们易于训练和优化，让团队能够更快地迭代并应对新需求，而无需重新设计系统。
这种灵活性对开发速度产生了直接影响。通过利用 YOLO，Pixelabs 能够加速其开发周期，更快速地将解决方案推向生产，缩短了新应用的上市时间。同时，模型提供了更准确且一致的结果。
Link to this section在提高效率的同时实现高达 95% 的召回率#
将 Ultralytics YOLO 模型集成到 Pixelabs AI-Engine 中，明显提高了分析性能。在阿尔茨海默病研究用例中，该系统的召回率达到了约 90%，随着疾病进展、指标变得更明显，召回率提升至最高 95%。
这使得研究人员能够更可靠地检测大型图像数据集中的微小特征，例如淀粉样蛋白沉积。结果分析变得更加一致，减少了变异性，并有助于确保不会遗漏重要的指标。
除此用例之外，Pixelabs 还收到了使用其解决方案进行不同应用领域的客户的一致好评。用户强调了在流程执行方式上的改进，特别是在效率和可靠性方面。
影响因具体用例而异，这反映了平台的灵活性及其适应不同运营需求的能力。总体而言，这些增强功能使大规模管理和分析视觉数据变得更容易，从而支持了更可靠的结果和更高效的工作流程。
Link to this section推动各行业的视觉 AI 发展#
Pixelabs 正在继续将其视觉 AI 平台的应用扩展到新的用例和行业中。基于在阿尔茨海默病检测等研究应用方面的工作，团队专注于优化模型，并利用 Ultralytics YOLO 模型等技术推进视觉分析。
通过不断改进其技术，Pixelabs 旨在帮助组织更有效地实现流程自动化，并将计算机视觉应用于更广泛的实际工作流程中。
想要简化你的公司工作流程吗？请查看我们的 GitHub repository 以深入了解 Vision AI。探索 YOLO 模型如何推动 AI in healthcare 和 computer vision in retail 等领域的创新。若想亲手尝试 YOLO，请了解我们的授权选项如何为你的项目提供支持。
