ビジョン・AIと環境保護Ultralytics YOLO

TrashBestieは、コンピュータ・ビジョンを使ってゴミの分別と管理を支援する新しいアプリです。TrashBestieは、ディープラーニングと高度なテクノロジーを使って、地球をよりクリーンで持続可能なものにするために人々が行動を起こすのを支援します。

TrashBestieの開発チームは、廃棄物がもはや厄介者ではなく、前向きな変化をもたらす機会となる未来を思い描いている。廃棄物を分別することは、環境を保護し、資源を節約し、汚染を減らすために重要である。このことを念頭に置いて、TrashBestieは、個人が情報に基づいた廃棄物管理の意思決定を簡単に行えるようにするデジタル・ソリューションとなった。目標は明確である。責任ある廃棄物管理への集団的な動きを鼓舞し、次世代のためにクリーンな地球を育てることである。

TrashBestieを支えるチームの紹介

TrashBestieの背後にある革新的な技術に飛び込む前に、そのクリエイターを紹介しよう：

• Helge Rölleke: ヘルスケアの営業で経験を積んだ後、データサイエンスに転向し、企業業績と役員報酬に関する画期的な研究を行う。キノコ愛好家でもあり、新しいデータサイエンスの機会にも積極的。
• マイ複雑な課題に取り組み、ユーザーフレンドリーなウェブアプリケーションを作成するスキルを兼ね備えたデータサイエンティスト兼フロントエンド開発者。
• シマンティーニ・シンデ：データ分析、機械学習などの専門知識を持つジュニア・データサイエンティスト。オープンソース開発の強力な支持者であり、常に新しい技術を探求し、バランスの取れた持続可能なライフスタイルを追求している。
  

機械学習とビジョンAIへの旅

ヘルゲは修士論文で機械学習の研究を始め、マネージャーの給与と企業の成功がどのように関連しているかを調べた。この研究では、回帰モデルと機械学習技術を使用しました。HelgeはSpiced AcademyのBootcampでビジョンAIの世界に深く飛び込むことができました。ここで彼はディープラーニングの実験を行い、Ultralytics YOLO モデルの有用性を判断した。

私の友人にデータサイエンスのプロジェクトを教えてくれる人がいて、それがきっかけで機械学習に興味を持つようになった。データによって洞察を明らかにし、プロセスを最適化する方法に彼女は魅了された。そのため彼女はブートキャンプに参加し、そこでシマンティーニとヘルゲに出会った。

シマンティーニは修士論文で機械学習の研究を始めた。彼女は、地震による建物の損傷を評価するという自分の仕事の分野で、その可能性を見出した。卒業後、シマンティはデータに関わるさまざまな仕事を経験した。これらの仕事は、最終的に彼女をデータサイエンス・ブートキャンプに導き、MLとビジョンAIに興味を抱かせた。

Ultralytics YOLO トラッシュベスティの選択

TrashBestieの Ultralytics YOLOv8は戦略的である。

• ユーザーフレンドリー： YOLOv8 はオープンソースで使いやすいため、チームにとって非常に利用しやすかった。
• 精度： YOLOv8 の方が精度が高く、特に精度のスコアが高かった。
• 柔軟性：チームはYOLOv8 をRoboflow とシームレスに統合し、ワークフローを強化することができた。
  

TrashBestieの仕組み

TrashBestieは、個人的なゴミ分別アシスタントとして動作し、人工知能を使用して、プロセスを4つの簡単なステップに簡素化する：

1. カメラで検出。 デバイスのカメラを使って、処分方法がわからない廃棄物の画像をキャプチャします。
2. 瞬時の認識。 YOLOv8 の画像認識技術を利用し、このアプリは画像を素早く分析し、さまざまな種類の廃棄物を識別することができる。
3. 教育的洞察。TrashBestieは、おすすめをするだけではありません。このツールは、提案された廃棄物処理方法を理解するための教育的洞察をユーザーに提供します。これにより、長期的な学習と意識的な廃棄物処理の習慣が促進されます。
4. 使いやすく、アクセスしやすい。 このアプリはユーザーフレンドリーで誰にでもアクセスできるため、Android のデバイスを使用している人なら誰でも、環境に配慮した廃棄物の分別を実現できる。

試してみる

ビルディング・トラッシュ・ベスティ

TrashBestieの開発には、一連の重要なステップがある：

1. ラベリングとアノテーション。画像は、Roboflow のようなツールを使って慎重にラベル付けと注釈付けが行われ、トレーニング用の堅牢なデータセットが作成されます。
2. データセットのエクスポートラベル付きデータセットをエクスポートすると、物体検出データセットはトレーニングの準備が整います。
3. YOLOv8 でのトレーニング。 YOLOv8 モデルがエクスポートされたデータセットでトレーニングされ、オブジェクト検出精度を向上させるためのパラメータの微調整に重点を置く。
4. Streamlitの展開。 YOLOv8 モデルは Streamlit アプリケーションに統合され、効率的で正確な物体検出を保証する。このアプリケーションは、YOLOv8 と Streamlit を使って GitHub でホストされています。
   

TrashBestieの未来

TrashBestieは、ローカライゼーションの追加、iOS とAndroid でのアクセス性の向上、画像処理技術の改良など、改善を続けています。チームは、アプリのパフォーマンスと精度を継続的に向上させることに尽力しています。

Devpostに掲載された彼らのプロジェクトをチェックしよう。画像ギャラリーと、彼らの仕事の詳細を紹介するYouTubeビデオも掲載されている。

TrashBestieは、廃棄物管理に革命を起こし、地球をよりクリーンで持続可能なものにするという使命を担っている。これは未来への第一歩であり、廃棄物管理のキャリアの概念に革命を起こす可能性さえある。より環境に優しい未来に向けたエキサイティングな旅に、あなたも参加してみませんか？

‍

TrashBestieチームにご連絡ください：

ヘルゲLinkedIn,GitHub

シマンティーニ：LinkedIn、GitHub、Medium

私のLinkedIn