Khám phá cách Martin Schätz tận dụng YOLOv5 để phân tích hình ảnh hiệu quả trong nghiên cứu bệnh truyền nhiễm, đếm khuẩn lạc và giám sát động vật hoang dã.
Bạn đã bao giờ phải đánh giá vô số hình ảnh, dữ liệu, kết quả, v.v. chưa? Để làm cho quá trình phức tạp hơn, bạn đã bao giờ phải thực hiện các đánh giá này theo cách thủ công chưa? Tất nhiên, nó cực kỳ tốn thời gian.
Đối với Martin Schätz, YOLOv5 được chứng minh là một công cụ hữu ích trong việc cắt giảm thời gian cần thiết để phân tích hình ảnh liên quan đến nghiên cứu và giám sát bệnh truyền nhiễm. Trong khi Martin làm một số công việc trong một, bản chất công việc của ông tập trung vào phân tích hình ảnh sinh học, một lĩnh vực mà ông mô tả là "điểm giữa khoa học máy tính và sinh học". Chúng tôi muốn tìm hiểu thêm về công việc của Martin với việc theo dõi và đếm thuộc địa, vì vậy chúng tôi đã ngồi xuống và hỏi anh ấy một vài câu hỏi.
Logic của Martin đằng sau việc thực hiện YOLOv5 Đối với các dự án của ông bắt nguồn từ nhu cầu tự động hóa các quy trình hiện có để phát hiện, phân loại và đếm đối tượng. Martin cũng nhằm mục đích sử dụng YOLOv5 cho các trường hợp như Thí nghiệm tiến hóa dài hạn.
Trong phòng thí nghiệm, các khuẩn lạc vi khuẩn được nuôi trên đĩa thạch thường được các kỹ thuật viên đếm thủ công . Thật không may, đếm thủ công có thể có lợi cho kết quả dễ bị lỗi. Để giải quyết vấn đề này, Martin đã sử dụng YOLOv5 để tự động hóa quá trình đếm. Cách tiếp cận này đã cắt giảm đáng kể lỗi và thời gian liên quan đến việc phát hiện và phân loại thuộc địa.
Để thực hiện các xét nghiệm trong thế giới vi mô, cần phải đánh giá phết tế bào. Đây vẫn là một quá trình được thực hiện chủ yếu bằng tay. Và như chúng ta đã biết, các quy trình thủ công dễ bị lỗi và thay đổi trong kết quả. Ngoài ra, trong khi các công cụ thích hợp để phát hiện đối tượng của các hình dạng cụ thể tồn tại, các công cụ chuyên dụng hơn để đếm và phân loại tự động các đối tượng khác nhau.
"Các đồng nghiệp của tôi ghi lại động vật hoang dã trong rừng và các địa điểm khác và thường chạy qua các video theo cách thủ công, có nghĩa là họ phải ngồi xuống và chạy qua hàng trăm video."
Lưu ý rằng việc tìm kiếm thủ công một ví dụ về lợn hoang hoặc hươu trên video có thể mất một khoảng thời gian cắt cổ, Martin biết rằng việc phát hiện đối tượng chắc chắn có thể tối ưu hóa quá trình này. Ở đây YOLOv5 đã được thực hiện cho phép động vật hoang dã dễ dàng và ngay lập tức được phát hiện khi một con vật đi vào tầm nhìn của máy ảnh.
Để lấy bằng thạc sĩ, Martin đã nghiên cứu cái mà ông thích gọi là "phương pháp cổ điển để phân tích hình ảnh". Trong khi hoàn thành bằng cấp của mình, học sâu ngày càng được nhắc đến nhiều hơn, vào thời điểm đó, chỉ được gọi là "mạng tích chập".
Trong thời gian này, Martin đã làm việc trên dữ liệu khai thác, không thể sử dụng được. Muốn có thể làm bẩn tay với dữ liệu, Martin đã chọn đi sâu vào thế giới học máy và AI thị giác.
Ngay bây giờ, quá trình học ML và AI tầm nhìn có thể khá phức tạp. Là một người đã sử dụng AI tầm nhìn trong một thời gian, Martin đã đề cập đến ba điểm cho bất kỳ ai muốn bắt đầu:
Martin Schätz là một nhà nghiên cứu cũng giảng dạy tập trung vào Phân tích hình ảnh sinh học và xử lý dữ liệu trong kính hiển vi đồng tiêu. Động lực đằng sau dự án mà Martin đang thực hiện là tối ưu hóa quá trình phân tích hình ảnh cho nghiên cứu và giám sát bệnh truyền nhiễm. Bạn có thể tìm thấy tài liệu và chi tiết đằng sau ba dự án của Martin trên kho lưu trữ GitHub của anh ấy. Ngoài ra, Martin là một phần của NEUBIAS, một tổ chức thúc đẩy các công cụ được sử dụng nhiều nhất để phân tích hình ảnh khoa học trong sinh học / kính hiển vi, bao gồm các mô hình học sâu được đào tạo trong Sở thú mô hình.
Chúng tôi muốn làm nổi bật của bạn YOLOv5 Trường hợp sử dụng là tốt! Gắn thẻ chúng tôi trên phương tiện truyền thông xã hội @Ultralytics với #YOLOvME để có cơ hội được giới thiệu.
Bắt đầu hành trình của bạn với tương lai của machine learning
