Yapay Zeka ve Vizyon ile Daha Yeşil Bir Gelecek Ultralytics YOLO

‍TrashBestie, bilgisayar görüşü kullanarak atıkları farklı ve daha iyi bir şekilde ayırmamıza ve yönetmemize yardımcı olan yeni bir uygulamadır. TrashBestie, insanların gezegeni daha temiz ve daha sürdürülebilir hale getirmek için harekete geçmelerine yardımcı olmak amacıyla derin öğrenme ve ileri teknoloji kullanmaktadır.

TrashBestie'nin arkasındaki ekip, atıkların artık bir sıkıntı değil, olumlu değişim için bir fırsat olduğu bir gelecek hayal ediyor. Atıkların ayrıştırılması çevrenin korunması, kaynakların korunması ve kirliliğin azaltılması için önemlidir. Bu düşünceyle TrashBestie, bireyleri zahmetsizce bilinçli atık yönetimi kararları almaları için güçlendiren dijital bir çözüm haline geldi. Amaç açık: sorumlu atık yönetimine yönelik kolektif bir harekete ilham vermek ve gelecek nesiller için daha temiz bir gezegeni teşvik etmek.

TrashBestie'nin Arkasındaki Ekip ile Tanışın

TrashBestie'nin arkasındaki yenilikçi teknolojiye geçmeden önce, yaratıcılarıyla tanışalım:

• Helge Rölleke: Sağlık hizmetleri satışında deneyimli olan Helge, veri bilimine geçiş yaptı ve şirket performansı ve yönetici ücretleri konusunda çığır açan araştırmalar yaptı. Kendisi aynı zamanda bir mantar meraklısı ve yeni veri bilimi fırsatlarına açık.
• Benim: Karmaşık zorlukların üstesinden gelmek ve kullanıcı dostu web uygulamaları oluşturmak için becerilerini birleştiren bir Veri Bilimcisi ve Ön Uç Geliştiricisi.
• Simantini Shinde: Veri analizi, makine öğrenimi ve daha fazlası konusunda uzmanlığa sahip bir Genç Veri Bilimcisi. Simantini, sürekli olarak yeni teknolojileri keşfeden ve dengeli, sürdürülebilir bir yaşam tarzı sürdüren açık kaynaklı geliştirmenin güçlü bir savunucusudur.
  

Makine Öğrenimi ve Görme Yapay Zekasına Yolculuk

Helge, yüksek lisans tezi sırasında makine öğrenimi üzerine çalışmaya başladı ve bir yöneticinin maaşının bir şirketin başarısıyla nasıl ilişkili olduğunu inceledi. Bu çalışmada regresyon modelleri ve makine öğrenimi teknikleri kullanıldı. Helge, Spiced Academy'nin Bootcamp'inde görsel yapay zeka dünyasına daha derinlemesine dalabildi. Burada derin öğrenmeyi denedi ve Ultralytics YOLO modellerinin kullanışlılığını belirledi.

Veri bilimi projelerini paylaşan bir arkadaşım vardı ve bu da onun makine öğrenimine olan ilgisini artırdı. Verilerin içgörüleri ortaya çıkarma ve süreçleri optimize etme şekli onu büyüledi. Bu yüzden Simantini ve Helge ile tanıştığı Bootcamp'e katıldı.

Simantini makine öğrenimini keşfetmeye yüksek lisans tezi sırasında başladı. Depremlerin neden olduğu bina hasarlarının değerlendirilmesini içeren çalışma alanındaki potansiyelini keşfetti. Mezuniyetinin ardından Simanti, veri içeren farklı işlerde çalıştı. Bu işler sonunda onu bir veri bilimi bootcamp'ine yönlendirdi ve makine öğrenimi ve görsel yapay zekaya olan ilgisini artırdı.

TrashBestie için Ultralytics YOLO adresini seçme

TrashBestie'nin kullandığı Ultralytics YOLOv8 birincil araç olarak stratejiktir.

• Kullanıcı Dostu: YOLOv8 açık kaynaklı ve kullanımı kolay olduğu için ekip tarafından son derece erişilebilirdi.
• Doğruluk: YOLOv8 özellikle hassasiyet puanlarında daha iyi doğruluk sağlamıştır.
• Esneklik: Ekip, YOLOv8 adresini Roboflow ile sorunsuz bir şekilde entegre ederek iş akışlarını geliştirebildi.
  

TrashBestie Nasıl Çalışır?

TrashBestie, süreci dört basit adımda basitleştirmek için yapay zeka kullanan kişisel bir atık ayırma asistanı olarak çalışır:

1. Kameranızla Tespit Edin. Nasıl imha edeceğinizden emin olmadığınız atık maddenin görüntüsünü yakalamak için cihazınızın kamerasını kullanın.
2. Anında Tanıma. YOLOv8 'un görüntü tanıma teknolojisinden yararlanan uygulama, görüntüleri hızlı bir şekilde analiz edebiliyor ve farklı atık türlerini tanımlayabiliyor.
3. Eğitim Anlayışları. TrashBestie önerilerle yetinmez. Bu araç, önerilen atık imha yöntemlerini anlamaları için kullanıcılara eğitici bilgiler sağlar. Bu da uzun vadeli öğrenmeyi ve bilinçli atık imha alışkanlıklarını teşvik eder.
4. Kullanımı Kolay ve Erişilebilir. Uygulama kullanıcı dostu ve herkes tarafından erişilebilir olup, çevreye duyarlı atık ayrıştırma işlemini Android cihazı kullanan herkes için ulaşılabilir kılmaktadır.

Dene bakalım

Building TrashBestie

TrashBestie'nin gelişim yolculuğu bir dizi önemli adımı içeriyor:

1. Etiketleme ve Açıklama. Eğitim için sağlam bir veri kümesi oluşturmak amacıyla Roboflow gibi araçlar kullanılarak görüntüler dikkatlice etiketlenir ve açıklama eklenir.
2. Veri Kümesini Dışa Aktarma. Etiketli veri kümesi dışa aktarıldıktan sonra, nesne algılama veri kümesi eğitim için hazırdır.
3. YOLOv8 ile eğitim. YOLOv8 modeli, dışa aktarılan veri kümesi üzerinde eğitilir ve gelişmiş nesne algılama doğruluğu için parametrelerine ince ayar yapmaya odaklanır.
4. Streamlit Dağıtımı. YOLOv8 modeli Streamlit uygulamasına entegre edilerek verimli ve doğru nesne tespiti sağlanır. Bu uygulama, nesne algılama ve izleme için YOLOv8 ve Streamlit kullanılarak GitHub'da barındırılmaktadır.
   

TrashBestie'nin Geleceği

TrashBestie, yerelleştirme ekleyerek, iOS ve Android adreslerinde daha erişilebilir hale getirerek ve görüntü işleme tekniklerini iyileştirerek gelişmeye devam ediyor. Ekip, uygulamanın performansını ve hassasiyetini sürekli olarak geliştirmeye kararlıdır.

Çalışmalarının ayrıntılarını gösteren bir resim galerisi ve bir YouTube videosu içeren Devpost'taki projelerine göz atın.

TrashBestie, atık yönetiminde devrim yaratma ve gezegenimizi daha temiz ve sürdürülebilir hale getirme misyonuyla yola çıktı. Bu, atık yönetimi kariyer anlayışında bile devrim yaratabilecek, geleceğe atılan bir ilk adımdır. Daha yeşil bir geleceğe doğru bu heyecan verici yolculukta onlara katılın!

‍

TrashBestie ekibi ile iletişime geçin:

Helge: LinkedIn, GitHub

Simantini: LinkedIn, GitHub, Medium

Benim: LinkedIn