Descobre como Martin Schätz utiliza o YOLOv5 para uma análise de imagem eficiente na investigação de doenças infecciosas, contagem de colónias e monitorização da vida selvagem.
Já alguma vez tiveste de avaliar inúmeras imagens, dados, resultados, etc.? Para complicar ainda mais o processo, alguma vez tiveste de fazer estas avaliações manualmente? Claro que sim, consome imenso tempo.
Para Martin Schätz, o YOLOv5 provou ser uma ferramenta útil para reduzir o tempo necessário para a análise de imagens envolvidas na investigação e monitorização de doenças infecciosas. Embora Martin faça vários trabalhos num só, a essência do seu trabalho centra-se na análise de bioimagens, um sector que descreve como "o ponto entre a informática e a biologia". Queríamos saber mais sobre o trabalho de Martin na monitorização e contagem de colónias, por isso sentámo-nos e fizemos-lhe algumas perguntas.
A lógica de Martin para implementar o YOLOv5 nos seus projectos deriva da necessidade de automatizar os processos existentes de deteção, classificação e contagem de objectos. Martin também pretende utilizar o YOLOv5 em casos como a Experiência de Evolução a Longo Prazo.
Nos laboratórios, as colónias de bactérias cultivadas em placas de ágar são geralmente contadas manualmente pelos técnicos. Infelizmente, a contagem manual pode conduzir a resultados propensos a erros. Para resolver este problema, a Martin utilizou o YOLOv5 para automatizar o processo de contagem. Esta abordagem reduziu significativamente o erro e o tempo associados à deteção e classificação das colónias.
Para efetuar testes no mundo microscópico, é necessário avaliar esfregaços. Este é ainda um processo que é realizado maioritariamente de forma manual. E como sabemos, os processos manuais são mais propensos a erros e à variabilidade dos resultados. Além disso, embora existam ferramentas adequadas para a deteção de objectos de formas específicas, não existem ferramentas mais especializadas para a contagem e classificação automática de vários objectos.
"Os meus colegas gravam a vida selvagem em florestas e outros locais e, normalmente, analisam os vídeos manualmente, o que significa que têm de se sentar e analisar centenas de vídeos."
Tendo em conta que a procura manual de uma instância de um porco selvagem ou veado num vídeo pode demorar uma quantidade exorbitante de tempo, Martin sabia que a deteção de objectos poderia definitivamente otimizar este processo. Neste caso, foi implementado o YOLOv5 , que permite que a vida selvagem seja fácil e instantaneamente detectada quando um animal entra na linha de visão da câmara.
Para o seu mestrado, Martin estudou o que gosta de chamar de "abordagens clássicas à análise de imagens". Enquanto terminava o curso, falava-se cada vez mais de aprendizagem profunda, que na altura se chamava apenas "redes convolucionais".
Durante este período, Martin trabalhava na extração de dados, que não eram muito utilizáveis. Querendo poder sujar as mãos com os dados, Martin optou por mergulhar no mundo da aprendizagem automática e da IA de visão.
Atualmente, o processo de aprendizagem do ML e da IA de visão pode ser bastante complicado. Como alguém que tem vindo a utilizar a IA de visão há algum tempo, Martin mencionou três pontos para quem quer começar:
Martin Schätz é um investigador que também lecciona com foco na Análise de BioImagens e processamento de dados em microscopia confocal. A motivação por detrás do projeto em que Martin está a trabalhar é otimizar o processo de análise de imagens para a investigação e monitorização de doenças infecciosas. Podes encontrar documentação e detalhes sobre os três projectos do Martin no seu repositório GitHub. Além disso, o Martin faz parte do NEUBIASuma organização que promove as ferramentas mais usadas para análise de imagens científicas em biologia/microscopia, incluindo estes modelos de aprendizagem profunda treinados no modelo Zoo.
Também queremos destacar o teu caso de utilização YOLOv5 ! Marca-nos nas redes sociais @Ultralytics com #YOLOvME para teres a oportunidade de ser destacado.
Começa a tua viagem com o futuro da aprendizagem automática
