YOLOvME: Conteggio delle colonie, valutazione dello striscio e rilevamento della fauna selvatica

Cosa si fa esattamente con YOLOv5?

La logica con cui Martin ha implementato YOLOv5 per i suoi progetti deriva dalla necessità di automatizzare i processi esistenti per il rilevamento, la classificazione e il conteggio degli oggetti. Martin intende utilizzare YOLOv5 anche per casi come il Long-Term Evolution Experiment.

Conteggio delle colonie batteriche

Nei laboratori, le colonie batteriche coltivate su piastre di agar vengono generalmente contate manualmente dai tecnici. Sfortunatamente, il conteggio manuale può portare a risultati errati. Per risolvere questo problema, Martin ha utilizzato YOLOv5 per automatizzare il processo di conteggio. Questo approccio ha ridotto notevolmente gli errori e il tempo associati al rilevamento e alla classificazione delle colonie.

Rilevamento e classificazione di oggetti microscopici

Per eseguire esami nel mondo microscopico, è necessario valutare gli strisci. Si tratta ancora di un processo che viene eseguito per lo più manualmente. E come sappiamo, i processi manuali sono più inclini all'errore e alla variabilità dei risultati. Inoltre, mentre esistono strumenti adeguati per il rilevamento di oggetti di forme specifiche, esistono strumenti più specializzati per il conteggio e la classificazione automatica di vari oggetti.

Rilevamento e monitoraggio della fauna selvatica

"I miei colleghi registrano la fauna selvatica nelle foreste e in altri luoghi e in genere esaminano i video manualmente, il che significa che devono sedersi e analizzare centinaia di video".

Considerando che la ricerca manuale di un maiale selvatico o di un cervo in un video può richiedere una quantità di tempo esorbitante, Martin sapeva che il rilevamento degli oggetti avrebbe potuto ottimizzare questo processo. In questo caso è stato implementato YOLOv5, che consente di rilevare facilmente e istantaneamente la fauna selvatica quando un animale entra nella linea di vista della telecamera.

Come è entrato nel mondo del Machine Learning e della Vision AI?

Per il suo master, Martin ha studiato quelli che ama definire "approcci classici all'analisi delle immagini". Mentre terminava la laurea, si parlava sempre più di deep learning, che all'epoca si chiamava semplicemente "reti convoluzionali".

Durante questo periodo, Martin lavorava all'estrazione di dati, che non erano molto utilizzabili. Desideroso di potersi sporcare le mani con i dati, Martin ha scelto di immergersi nel mondo dell'apprendimento automatico e dell'IA visiva.

Cosa suggerisce a chi inizia a usare YOLOv5?

Al momento, il processo di apprendimento dell'intelligenza artificiale ML e della visione può essere piuttosto complicato. Come persona che utilizza l'IA della visione da tempo, Martin ha menzionato tre punti per chiunque voglia iniziare:

1. "Come scienziato, preferisco leggere tutto prima, in modo da poter rileggere tutto ciò che non ho capito bene la prima volta". Acquisire un livello di comprensione di base prima di immergersi nell'addestramento dei modelli renderà il processo molto più semplice per i neofiti.
2. Inoltre, Martin ha sottolineato l'utilità di studiare i casi d'uso degli altri. Vedere cosa fanno gli altri può essere fonte di ispirazione per i vostri usi e progetti.
3. Eseguite ripetutamente prove e test sui vostri progetti. Se vi accorgete di dover cambiare qualcosa, tornate indietro e apportate la modifica, e continuate ad andare avanti con altri test e iterazioni.

Martin Schätz è un ricercatore che svolge anche attività di docenza e si occupa di analisi delle immagini biologiche ed elaborazione dei dati in microscopia confocale. La motivazione alla base del progetto a cui Martin sta lavorando è quella di ottimizzare il processo di analisi delle immagini per la ricerca e il monitoraggio delle malattie infettive. La documentazione e i dettagli dei tre progetti di Martin sono disponibili sul suo repository repository GitHub. Inoltre, Martin fa parte di NEUBIAS, un'organizzazione che promuove gli strumenti più utilizzati per l'analisi scientifica delle immagini in biologia/microscopia, tra cui questi modelli di apprendimento profondo addestrati in Model Zoo.

Vogliamo mettere in evidenza anche il vostro caso d'uso di YOLOv5! Taggaci sui social media @Ultralytics con #YOLOvME per avere la possibilità di essere presentato.