在麦吉尔大学，Michael Shamash正在研究儿童营养不良以及噬菌体在肠道微生物组中的活跃作用。在微生物学中，噬菌体是一种只能感染细菌的病毒。噬菌体在治疗抗生素耐药性感染方面显示出了巨大的潜力。Michael通过一个年轻女孩的案例，展示了噬菌体如何成功治疗了她的感染。
为了帮助简化研究和准备噬菌体的单调工作，Michael利用计算机视觉和人工智能的力量，开发了OnePetri。这是一个机器学习模型集合和移动应用程序（目前仅限iOS），它使用AI加速了微生物学领域中常见的Petri培养皿实验。这项工作原本需要微生物学家每培养皿花费数分钟（考虑到通常一次需要分析数十个培养皿，这个时间会迅速累积！）现在，通过计算机视觉，大部分工作可以自动化，并在几秒钟内完成。
OnePetri在Petri培养皿中识别出许多圆形的噬菌体菌斑，每个菌斑周围都画有边界框，并在OnePetri中提供了总计数。用户可以通过访问https://onepetri.ai/获取更多信息并下载OnePetri。此外，数据集也可在Roboflow Universe上获得。
在开发OnePetri的过程中，Michael使用了Roboflow的注释和图像处理工具。在Roboflow的帮助下，他仅用五周时间就从一个想法发展到了一个完全功能的iOS应用程序。OnePetri的后端采用了两个YOLOv5目标检测模型，用于识别Petri培养皿和菌斑。这些模型是在HHMI的SEA-PHAGES计划的多样化图像集上训练的。Michael对HHMI SEA-PHAGES计划对该项目的贡献表示极大的感激，因为没有他们的支持，这一切都不可能实现。
OnePetri的菌斑检测模型（v1.0）的初始数据集包括43张图像，分为29张训练图像、9张验证图像和5张测试图像。尽管图像数量相当少，但每张图像都有大量的菌斑（平均每张图像约100个菌斑），为算法提供了大量的训练数据。在训练过程中，Michael应用了自动定向、将图像平铺成5行5列、将平铺的图像调整为416px x 416px大小等预处理步骤。为了进一步增加训练数据集，他还应用了灰度（35%的图像）、色调偏移（-45°至+45°）、模糊至2px、马赛克等增强步骤。
在短短两周内，Michael成功地完成了初始数据集的注释和第一组模型的训练。在将模型转换为与Apple的CoreML API兼容的格式后，他开始了为iOS构建OnePetri的过程。几周后，他有了一个功能性原型，该原型由一群经常使用噬菌体的测试人员进行了测试。OnePetri的Swift源代码现在在GitHub上公开可用，采用GPL-3.0许可。训练好的模型也在GitHub上公开可用。
用户在使用OnePetri时，会被提示选择或拍摄一张待分析的照片，其中可以包含任意数量的Petri培养皿。一旦选择了Petri培养皿，裁剪后的培养皿图像将被平铺成重叠的416px x 416px的正方形，然后在每个平铺的图像上顺序推断菌斑。在菌斑去重后，最终结果会以检测到的菌斑总数和每个菌斑周围的边界框的形式呈现给用户。所有图像处理和推断都是在设备上本地完成的，这意味着即使在没有互联网连接的偏远地区，一旦安装了应用程序，OnePetri也可以使用。
Michael很高兴地宣布，OnePetri现在可以在Apple App Store上免费下载了！未来，他将继续通过将用户提交的图像以及HHMI SEA-PHAGES计划中的其他图像纳入训练数据集，迭代和改进OnePetri中包含的模型。除了菌斑计数外，他还在努力增加对细菌菌落计数和其他实验的支持。最后，他还在努力将OnePetri带到更广泛的平台上，让全球的噬菌体科学家都能使用这个节省时间的工具——敬请期待！