YOLOvME: Recuento de Colonias, Evaluación de Frotis y Detección de 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.

¿Qué haces exactamente con YOLOv5?

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.

Recuento de colonias bacterianas

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.

Detección y clasificación de objetos microscópicos

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.

Detección y vigilancia de la fauna

"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.

¿Cómo entraste en el mundo del aprendizaje automático y la IA de visión?

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.

¿ Qué sugieres a alguien que se inicia en YOLOv5?

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:

1. "Como científico, prefiero leerlo todo primero para poder releer cualquier cosa que no entienda del todo la primera vez". Adquirir un nivel básico de comprensión antes de sumergirte en el entrenamiento de tus modelos hará que el proceso sea mucho más fácil para los novatos.
2. Además, Martin se refirió a la utilidad de estudiar los casos de uso de otros. Ver lo que hacen los demás puede inspirarte para tus usos y proyectos.
3. Reproduce y prueba repetidamente tus proyectos. Si descubres que necesitas cambiar algo, vuelve atrás y haz el cambio, y sigue avanzando con más pruebas e iteraciones.

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.

‍