Découvre comment Martin Schätz exploite YOLOv5 pour une analyse efficace des images dans la recherche sur les maladies infectieuses, le comptage des colonies et la surveillance de la faune.
As-tu déjà dû évaluer d'innombrables images, données, résultats, etc. Pour rendre le processus encore plus compliqué, as-tu déjà dû faire ces évaluations manuellement ? Bien sûr, c'est incroyablement chronophage.
Pour Martin Schätz, YOLOv5 s'est avéré être un outil utile pour réduire le temps nécessaire à l'analyse des images impliquées dans la recherche et le suivi des maladies infectieuses. Bien que Martin fasse plusieurs métiers en un, l'essentiel de son travail se concentre sur l'analyse des bio-images, un secteur qu'il décrit comme "le point entre l'informatique et la biologie." Nous voulions en savoir plus sur le travail de Martin en matière de surveillance et de comptage des colonies, alors nous nous sommes assis et lui avons posé quelques questions.
La logique qui a poussé Martin à mettre en œuvre YOLOv5 pour ses projets découle de la nécessité d'automatiser les processus existants de détection, de classification et de comptage des objets. Martin a également l'intention d'utiliser YOLOv5 pour des projets tels que l'expérience sur l'évolution à long terme.
Dans les laboratoires, les colonies bactériennes cultivées sur des plaques de gélose sont généralement comptées manuellement par les techniciens. Malheureusement, le comptage manuel peut donner lieu à des résultats entachés d'erreurs. Pour résoudre ce problème, Martin a utilisé YOLOv5 pour automatiser le processus de comptage. Cette approche a permis de réduire considérablement les erreurs et le temps associés à la détection et à la classification des colonies.
Pour effectuer des tests dans le monde microscopique, il est nécessaire d'évaluer les frottis. Il s'agit encore d'un processus qui est réalisé principalement manuellement. Et comme nous le savons, les processus manuels sont plus sujets aux erreurs et à la variabilité des résultats. En outre, s'il existe des outils appropriés pour la détection d'objets de formes spécifiques, il existe des outils plus spécialisés pour le comptage et la classification automatiques de divers objets.
"Mes collègues enregistrent des animaux sauvages dans les forêts et d'autres endroits et passent généralement les vidéos manuellement, ce qui signifie qu'ils doivent s'asseoir et passer en revue des centaines de vidéos."
Sachant que la recherche manuelle d'un cochon ou d'un cerf sauvage sur une vidéo peut prendre un temps exorbitant, Martin savait que la détection d'objets pouvait définitivement optimiser ce processus. C'est ainsi que le site YOLOv5 a été mis en place, ce qui permet de détecter facilement et instantanément les animaux sauvages lorsqu'ils entrent dans le champ de vision de la caméra.
Pour son master, Martin a étudié ce qu'il aime appeler les "approches classiques de l'analyse d'images." Alors qu'il terminait son diplôme, on parlait de plus en plus de l'apprentissage profond, qui, à l'époque, était simplement appelé "réseaux convolutifs."
Pendant cette période, Martin travaillait sur l'exploitation de données, qui n'étaient pas très exploitables. Voulant pouvoir mettre les mains dans le cambouis des données, Martin a choisi de plonger dans le monde de l'apprentissage automatique et de l'IA de vision.
À l'heure actuelle, le processus d'apprentissage de la ML et de l'IA de vision peut être assez compliqué. En tant que personne qui utilise l'IA de vision depuis un certain temps, Martin a mentionné trois points pour tous ceux qui cherchent à se lancer :
Martin Schätz est un chercheur qui enseigne également et qui se concentre sur l'analyse des images biologiques et le traitement des données en microscopie confocale. La motivation derrière le projet sur lequel Martin travaille est d'optimiser le processus d'analyse d'images pour la recherche et le suivi des maladies infectieuses. Tu trouveras la documentation et les détails des trois projets de Martin sur son dépôt GitHub. De plus, Martin fait partie de NEUBIASune organisation qui promeut les outils les plus utilisés pour l'analyse d'images scientifiques en biologie/microscopie, y compris les suivants modèles d'apprentissage profond formés dans le modèle Zoo.
Nous voulons également mettre en lumière ton cas d'utilisation YOLOv5 ! Tague-nous sur les médias sociaux @Ultralytics avec #YOLOvME pour avoir une chance d'être mis en avant.
Commence ton voyage avec le futur de l'apprentissage automatique.
