Tương lai xanh hơn thông qua tầm nhìn, AI và Ultralytics YOLO

TrashBestie là một ứng dụng mới giúp chúng tôi phân loại và quản lý chất thải theo một cách khác và tốt hơn bằng cách sử dụng thị giác máy tính. TrashBestie sử dụng học sâu và công nghệ tiên tiến để giúp mọi người hành động để làm cho hành tinh sạch hơn và bền vững hơn.

Nhóm nghiên cứu đằng sau TrashBestie hình dung ra một tương lai nơi rác thải không còn là mối phiền toái mà là cơ hội để thay đổi tích cực. Phân loại chất thải rất quan trọng để bảo vệ môi trường, tiết kiệm tài nguyên và giảm ô nhiễm. Với suy nghĩ này, TrashBestie đã trở thành giải pháp kỹ thuật số trao quyền cho các cá nhân đưa ra quyết định quản lý chất thải sáng suốt một cách dễ dàng. Mục tiêu rất rõ ràng: truyền cảm hứng cho một phong trào tập thể hướng tới quản lý chất thải có trách nhiệm và thúc đẩy một hành tinh sạch hơn cho các thế hệ mai sau.

Gặp gỡ nhóm đằng sau TrashBestie

Trước khi chúng ta đi sâu vào công nghệ tiên tiến đằng sau TrashBestie, chúng ta hãy gặp gỡ những người tạo ra nó:

• Helge Rölleke: Có kinh nghiệm trong lĩnh vực bán hàng chăm sóc sức khỏe, Helge chuyển sang khoa học dữ liệu và tiến hành nghiên cứu đột phá về hiệu suất của công ty và bồi thường cho giám đốc điều hành. Anh ấy cũng là một người đam mê nấm và cởi mở với các cơ hội khoa học dữ liệu mới.
• My: Một nhà khoa học dữ liệu và nhà phát triển frontend, người kết hợp các kỹ năng để giải quyết các thách thức phức tạp và tạo ra các ứng dụng web thân thiện với người dùng.
• Simantini Shinde: Một nhà khoa học dữ liệu đã có kinh nghiệm với chuyên môn về phân tích dữ liệu, học máy và hơn thế nữa. Simantini là một người ủng hộ mạnh mẽ cho sự phát triển nguồn mở, người không ngừng khám phá các công nghệ mới và theo đuổi một lối sống cân bằng, bền vững.
  

Hành trình đến với Machine Learning và Vision AI

Helge bắt đầu nghiên cứu học máy trong luận án thạc sĩ của mình, kiểm tra mức lương của người quản lý liên quan đến thành công của công ty như thế nào. Điều này liên quan đến việc sử dụng các mô hình hồi quy và kỹ thuật học máy. Helge đã có thể đi sâu hơn vào thế giới AI tầm nhìn tại Bootcamp của Spiced Academy. Tại đây, ông đã thử nghiệm học sâu và xác định tính hữu ích của Ultralytics YOLO Mô hình.

My có một người bạn đã chia sẻ các dự án khoa học dữ liệu của anh ấy, điều này đã khơi dậy sự quan tâm của cô ấy đối với học máy. Cách dữ liệu có thể khám phá ra những hiểu biết sâu sắc và tối ưu hóa các quy trình đã thu hút cô. Đó là lý do tại sao cô tham gia Bootcamp, nơi cô gặp Simantini và Helge.

Simantini bắt đầu khám phá học máy trong luận văn thạc sĩ của mình. Cô đã phát hiện ra tiềm năng của nó trong lĩnh vực công việc của mình, bao gồm đánh giá thiệt hại của tòa nhà do động đất gây ra. Sau khi tốt nghiệp, Simanti đã có những công việc khác nhau liên quan đến dữ liệu. Những công việc này cuối cùng đã dẫn cô đến một bootcamp khoa học dữ liệu và khơi gợi sự quan tâm của cô đối với ML và AI tầm nhìn.

Chọn Ultralytics YOLO cho TrashBestie

TrashBestie sử dụng Ultralytics YOLOv8 vì công cụ chính là chiến lược.

• Thân thiện với người dùng: Vì YOLOv8 có nguồn mở và dễ sử dụng, nhóm rất dễ tiếp cận.
• Chính xác: YOLOv8 cung cấp độ chính xác tốt hơn, đặc biệt là về điểm số chính xác.
• Linh hoạt: Nhóm có thể tích hợp YOLOv8 liền mạch với Roboflow, nâng cao quy trình làm việc của họ.
  

TrashBestie hoạt động như thế nào?

TrashBestie hoạt động như một trợ lý phân loại rác cá nhân, sử dụng trí tuệ nhân tạo để đơn giản hóa quy trình thành bốn bước đơn giản:

1. Phát hiện bằng Máy ảnh của bạn. Sử dụng máy ảnh của thiết bị để chụp ảnh đồ phế thải mà bạn không chắc chắn cách vứt bỏ.
2. Nhận dạng tức thì. Ghi công cho YOLOv8Công nghệ nhận dạng hình ảnh của ứng dụng có thể nhanh chóng phân tích hình ảnh và xác định các loại chất thải khác nhau.
3. Thông tin chi tiết về giáo dục. TrashBestie không dừng lại ở các khuyến nghị. Công cụ này cung cấp thông tin chi tiết giáo dục cho người dùng để hiểu các phương pháp xử lý chất thải được đề xuất. Đổi lại, điều này thúc đẩy học tập lâu dài và thói quen xử lý chất thải có ý thức.
4. Dễ sử dụng và dễ tiếp cận. Ứng dụng này thân thiện với người dùng và có thể truy cập được cho tất cả mọi người, giúp phân loại chất thải có trách nhiệm với môi trường có thể đạt được cho bất kỳ ai sử dụng Android thiết bị.

Dùng thử

Xây dựng TrashBestie

Hành trình phát triển của TrashBestie bao gồm một loạt các bước quan trọng:

1. Ghi nhãn và chú thích. Hình ảnh được dán nhãn và chú thích cẩn thận bằng các công cụ như Roboflow để tạo ra một bộ dữ liệu mạnh mẽ cho đào tạo.
2. Xuất tập dữ liệu. Sau khi xuất tập dữ liệu được gắn nhãn, tập dữ liệu phát hiện đối tượng đã sẵn sàng để đào tạo.
3. Đào tạo với YOLOv8. Các YOLOv8 Mô hình được đào tạo trên tập dữ liệu đã xuất, tập trung vào việc tinh chỉnh các tham số của nó để cải thiện độ chính xác phát hiện đối tượng.
4. Triển khai hợp lý. Các YOLOv8 mô hình được tích hợp vào ứng dụng Streamlit, đảm bảo phát hiện đối tượng hiệu quả và chính xác. Ứng dụng này được lưu trữ trên GitHub bằng cách sử dụng YOLOv8 và Streamlit để phát hiện và theo dõi đối tượng.
   

Tương lai của TrashBestie

TrashBestie đang tiếp tục cải thiện bằng cách thêm bản địa hóa, làm cho nó dễ tiếp cận hơn trên iOS và Androidvà tinh chỉnh kỹ thuật xử lý hình ảnh. Nhóm cam kết liên tục cải thiện hiệu suất và độ chính xác của ứng dụng.

Kiểm tra dự án của họ trên Devpost, bao gồm thư viện hình ảnh và video YouTube giới thiệu chi tiết về công việc của họ.

TrashBestie đang thực hiện sứ mệnh cách mạng hóa việc quản lý chất thải và làm cho hành tinh của chúng ta sạch hơn và bền vững hơn. Đây là bước đầu tiên trong tương lai, thậm chí có thể cách mạng hóa quan niệm về sự nghiệp quản lý chất thải. Tham gia cùng họ trên hành trình thú vị hướng tới một tương lai xanh hơn!

‍

Hãy liên lạc với nhóm TrashBestie:

Helge: LinkedIn, GitHub

Simantini: LinkedIn, GitHub, Trung bình

Của tôi: LinkedIn