Descubre cómo Martin Schätz aprovecha YOLOv5 para un análisis eficaz de imágenes en la investigación de enfermedades infecciosas, el recuento de colonias y la vigilancia de la fauna salvaje.
¿Alguna vez has tenido que evaluar innumerables imágenes, datos, resultados, etc.? Para complicar más el proceso, ¿alguna vez has tenido que hacer estas evaluaciones manualmente? Por supuesto, lleva muchísimo tiempo.
Para Martin Schätz, YOLOv5 ha demostrado ser una herramienta útil para reducir el tiempo necesario para el análisis de imágenes que implica la investigación y el seguimiento de las enfermedades infecciosas. Aunque Martin realiza varios trabajos en uno, la esencia de su trabajo se centra en el análisis de bioimágenes, un sector que él describe como "el punto entre la informática y la biología". Queríamos saber más sobre el trabajo de Martin en el seguimiento y recuento de colonias, así que nos sentamos y le hicimos algunas preguntas.
La lógica de Martin al implantar YOLOv5 en sus proyectos surge de la necesidad de automatizar los procesos existentes de detección, clasificación y recuento de objetos. Martin también pretende utilizar YOLOv5 para casos como el Experimento de Evolución a Largo Plazo.
En los laboratorios, las colonias bacterianas cultivadas en placas de agar suelen ser contadas manualmente por los técnicos. Por desgracia, el recuento manual puede dar lugar a resultados propensos a errores. Para abordar este problema, Martin utilizó YOLOv5 para automatizar el proceso de recuento. Este enfoque ha reducido en gran medida el error y el tiempo asociados a la detección y clasificación de colonias.
Para realizar pruebas en el mundo microscópico, es necesario evaluar frotis. Éste sigue siendo un proceso que se realiza principalmente de forma manual. Y como sabemos, los procesos manuales son más propensos al error y a la variabilidad de los resultados. Además, aunque existen herramientas adecuadas para la detección de objetos de formas específicas, no existen herramientas más especializadas para el recuento y la clasificación automáticos de diversos objetos.
"Mis colegas graban la vida salvaje en bosques y otros lugares y suelen revisar los vídeos manualmente, lo que significa que tienen que sentarse y revisar cientos de vídeos".
Teniendo en cuenta que buscar manualmente un caso de jabalí o ciervo en un vídeo puede llevar una cantidad de tiempo desorbitada, Martin sabía que la detección de objetos podía optimizar definitivamente este proceso. En este caso, se implementó YOLOv5 , que permite detectar fácil e instantáneamente la vida salvaje cuando un animal entra en la línea de visión de la cámara.
Para su máster, Martin estudió lo que a él le gusta llamar "enfoques clásicos del análisis de imágenes". Mientras terminaba su licenciatura, cada vez se hablaba más del aprendizaje profundo, que en aquel momento sólo se llamaba "redes convolucionales".
Durante este periodo, Martin estuvo trabajando en la minería de datos, que no era muy aprovechable. Deseoso de poder ensuciarse las manos con los datos, Martin optó por sumergirse en el mundo del aprendizaje automático y la IA de visión.
En la actualidad, el proceso de aprendizaje de ML y la IA de visión puede ser bastante complicado. Como alguien que ha estado utilizando la IA de visión durante algún tiempo, Martin mencionó tres puntos para cualquiera que quiera empezar:
Martin Schätz es un investigador que también imparte clases centradas en el análisis de bioimágenes y el procesamiento de datos en microscopía confocal. La motivación del proyecto en el que trabaja Martin es optimizar el proceso de análisis de imágenes para la investigación y el seguimiento de enfermedades infecciosas. Puedes encontrar documentación y detalles sobre los tres proyectos de Martin en su repositorio GitHub. Además, Martin forma parte de NEUBIASuna organización que promueve las herramientas más utilizadas para el análisis científico de imágenes en biología/microscopía, incluyendo estos modelos de aprendizaje profundo entrenados en el Zoo de modelos.
¡Queremos destacar también tu caso de uso de YOLOv5 ! Etiquétanos en las redes sociales @Ultralytics con #YOLOvME para tener la oportunidad de aparecer.
Comienza tu viaje con el futuro del aprendizaje automático
