Assessing Foundation Models for Mold Colony Detection with Limited Training Data

对培养皿样本上霉菌孢子的定量过程对于评估室内空气质量至关重要，因为高孢子计数可能指示潜在的健康风险和通风系统的缺陷。传统上，这种自动化的劳动密集型过程以及其他微生物学任务的自动化依赖于对大型数据集的手动标注以及后续对YoloV9等模型的大规模训练。为演示在处理新视觉任务时，大量详尽标注不再是必需的，我们编译了5000个培养皿图像的数据集，标注有边界框，模拟传统数据收集方法以及well-curated子集的few-shot和low-shot情景，包含实例级别的掩码。我们对三种视觉基础模型与传统基线进行基准测试，使用特定于任务的指标反映真实世界要求。值得注意的是，MaskDINO仅通过在150张图像上微调即可达到与 extensively训练的YoloV9模型相当的性能，同时即使只用25张图像也能保持竞争性能，在约70%的样本上仍可靠。我们的结果表明，数据高效的基础模型可以仅用所需数据的一小部分即可匹配传统方法，使自动化微生物学系统的早期开发和更快的迭代改进成为可能，其表现优于传统模型将实现的更高上限性能。