Eine grünere Zukunft durch Vision AI und Ultralytics YOLO

Triff das Team hinter TrashBestie

Bevor wir uns mit der innovativen Technologie hinter TrashBestie beschäftigen, stellen wir dir die Macher vor:

• Helge Rölleke: Nach seiner Erfahrung im Vertrieb im Gesundheitswesen wechselte Helge in die Datenwissenschaft und führte bahnbrechende Untersuchungen zur Unternehmensleistung und zur Vergütung von Führungskräften durch. Er ist außerdem ein Pilzliebhaber und offen für neue Möglichkeiten in der Datenwissenschaft.
  ‍
• Ich: Ein Data Scientist und Frontend-Entwickler, der seine Fähigkeiten kombiniert, um komplexe Herausforderungen zu meistern und benutzerfreundliche Webanwendungen zu erstellen.
  ‍
• Simantini Shinde: Ein Junior Data Scientist mit Erfahrung in Datenanalyse, maschinellem Lernen und mehr. Simantini ist ein starker Verfechter der Open-Source-Entwicklung, der ständig neue Technologien erforscht und einen ausgewogenen, nachhaltigen Lebensstil verfolgt.
  

Die Reise zu Machine Learning und Vision AI

Helge begann sich während seiner Masterarbeit mit maschinellem Lernen zu beschäftigen und untersuchte, wie das Gehalt eines Managers mit dem Erfolg eines Unternehmens zusammenhängt. Dazu verwendete er Regressionsmodelle und Techniken des maschinellen Lernens. Im Bootcamp der Spiced Academy konnte Helge tiefer in die Welt der KI eintauchen. Dort experimentierte er mit Deep Learning und ermittelte die Nützlichkeit von Ultralytics YOLO Modellen.

Ein Freund von mir erzählte ihr von seinen Data-Science-Projekten, was ihr Interesse am maschinellen Lernen weckte. Die Art und Weise, wie Daten Erkenntnisse aufdecken und Prozesse optimieren können, faszinierte sie. Deshalb nahm sie am Bootcamp teil, wo sie Simantini und Helge kennenlernte.

Simantini begann sich während ihrer Masterarbeit mit maschinellem Lernen zu beschäftigen. Sie entdeckte das Potenzial des maschinellen Lernens in ihrem Arbeitsbereich, in dem es um die Bewertung von Gebäudeschäden durch Erdbeben geht. Nach ihrem Abschluss hatte Simanti verschiedene Jobs, die mit Daten zu tun hatten. Diese Jobs führten sie schließlich zu einem Data Science Bootcamp und weckten ihr Interesse an maschinellem Lernen und KI.

Auswahl von Ultralytics YOLO für TrashBestie

TrashBesties Verwendung von Ultralytics YOLOv8 als Hauptinstrument ist strategisch.

• Benutzerfreundlich: Da YOLOv8 als Open-Source-Projekt entwickelt wurde und einfach zu bedienen ist, war es für das Team sehr zugänglich.
  ‍
• Genauigkeit: YOLOv8 lieferte eine bessere Genauigkeit, insbesondere bei den Präzisionswerten.
  ‍
• Flexibilität: Das Team konnte YOLOv8 nahtlos in Roboflow integrieren und so seinen Arbeitsablauf verbessern.
  

Wie funktioniert TrashBestie?

TrashBestie funktioniert wie ein persönlicher Assistent für die Mülltrennung und nutzt künstliche Intelligenz, um den Prozess in vier einfachen Schritten zu vereinfachen:

1. Erkenne mit deiner Kamera. Verwende die Kamera deines Geräts, um ein Bild des Abfalls zu machen, bei dem du dir nicht sicher bist, wie er entsorgt werden soll.
   ‍
2. Sofortige Erkennung. Dank der Bilderkennungstechnologie von YOLOv8 kann die App Bilder schnell analysieren und verschiedene Arten von Abfall identifizieren.
   ‍
3. Pädagogische Einblicke. TrashBestie beschränkt sich nicht nur auf Empfehlungen. Das Tool bietet den Nutzern pädagogische Einblicke, um die vorgeschlagenen Abfallentsorgungsmethoden zu verstehen. Das wiederum fördert langfristiges Lernen und bewusste Abfallentsorgungsgewohnheiten.
   ‍
4. Einfach zu benutzen und zugänglich. Die App ist benutzerfreundlich und für alle zugänglich, so dass jeder, der ein Gerät von Android benutzt, umweltbewusste Mülltrennung betreiben kann.

Probiere es aus

TrashBestie bauen

Die Entwicklung von TrashBestie umfasst eine Reihe von entscheidenden Schritten:

1. Beschriftung und Annotation. Die Bilder werden mit Tools wie Roboflow sorgfältig beschriftet und kommentiert, um einen robusten Datensatz für das Training zu erstellen.
   ‍
2. Exportieren des Datensatzes. Nachdem du den beschrifteten Datensatz exportiert hast, ist der Objekterkennungsdatensatz bereit für das Training.
   ‍
3. Training mit YOLOv8. Das YOLOv8 wird auf dem exportierten Datensatz trainiert, wobei der Schwerpunkt auf der Feinabstimmung der Parameter für eine verbesserte Genauigkeit der Objekterkennung liegt.
   ‍
4. Streamlit-Einsatz. Das Modell YOLOv8 ist in die Streamlit-Anwendung integriert und gewährleistet eine effiziente und genaue Objekterkennung. Diese App wird auf GitHub gehostet und nutzt YOLOv8 und Streamlit für die Objekterkennung und -verfolgung.
   

Die Zukunft von TrashBestie

TrashBestie wird weiter verbessert, indem die App lokalisiert, auf iOS und Android besser zugänglich gemacht und die Bildverarbeitungstechniken verfeinert werden. Das Team ist bestrebt, die Leistung und Präzision der App kontinuierlich zu verbessern.

Schau dir ihr Projekt auf Devpost an, wo es auch eine Bildergalerie und ein YouTube-Video gibt, das die Details ihrer Arbeit zeigt.

TrashBestie hat es sich zur Aufgabe gemacht, die Abfallwirtschaft zu revolutionieren und unseren Planeten sauberer und nachhaltiger zu machen. Dies ist ein erster Schritt in die Zukunft, der sogar das Konzept der Abfallwirtschaftskarrieren revolutionieren könnte. Begleite sie auf dieser spannenden Reise in eine grünere Zukunft!

Nimm Kontakt mit dem TrashBestie-Team auf:

Helge: LinkedIn, GitHub

Simantini: LinkedIn, GitHub, Medium

Meine: LinkedIn