通过使用SAHI的高性能深度学习框架，克服自动化菌落计数中的分辨率限制

《Scientific Reports》：Overcoming resolution constraints in automated colony counting via a high-performance deep learning framework using SAHI

　　

摘要

当高分辨率的培养皿图像被缩放到640×640像素时，轻量级模型在细菌菌落计数方面的表现较差。本研究采用分块训练和基于SAHI的分块推理流程来解决这一问题。将全分辨率图像划分为重叠的640×640像素块（重叠率为20%），从而保留了原始分辨率并降低了每个块中的菌落密度。使用了一个包含24个类别的公共细菌菌落数据集来评估所提出的方法。分块策略显著增加了训练样本的数量，同时保留了局部菌落细节。评估了三种纳米级模型（YOLOv5n、YOLOv8n、YOLOv11n）。传统的图像缩放方法仅获得了44.9%–66.3%的mAP@0.5分数，而分块方法分别达到了95.4%–96.9%的mAP@0.5和55.4%–58.4%的mAP@0.5:0.95分数。其中，YOLOv11n在使用仅260万个参数的情况下获得了最高的mAP@0.5分数，达到了96.9%的mAP@0.5和58.2%的mAP@0.5:0.95，且在24个类别中的23个类别上，验证集的混淆矩阵显示类别正确预测率均超过了95%。在配备RTX 3050 GPU的笔记本电脑上，整个培养皿的推理过程耗时不到320毫秒。对于像细菌菌落这样体积小且密集排列的物体，具有中等重叠率的分块推理方法显著优于传统的图像缩放技术和最新的YOLO架构改进。所提出的轻量级流程适用于常规实验室应用。