مستقبل أكثر خضرة من خلال Vision AI و Ultralytics YOLO

TrashBestie هو تطبيق جديد يساعدنا في فرز وإدارة النفايات بطريقة مختلفة وأفضل باستخدام الرؤية الحاسوبية. يستخدم TrashBestie التعلم العميق والتكنولوجيا المتقدمة لمساعدة الناس على اتخاذ إجراءات لجعل الكوكب أنظف وأكثر استدامة.

يتصور الفريق القائم على TrashBestie مستقبلاً لا تُعد فيه النفايات مصدر إزعاج بل فرصة للتغيير الإيجابي. إن فرز النفايات مهم لحماية البيئة، وتوفير الموارد، والحد من التلوث. ومع وضع هذا في الاعتبار، أصبح TrashBestie الحل الرقمي الذي يمكّن الأفراد من اتخاذ قرارات مستنيرة بشأن إدارة النفايات بسهولة. الهدف واضح: إلهام حركة جماعية نحو إدارة مسؤولة للنفايات وتعزيز كوكب أنظف للأجيال القادمة.

Link to this sectionتعرف على الفريق القائم على TrashBestie#

قبل أن نتعمق في التكنولوجيا المبتكرة وراء TrashBestie، دعونا نتعرف على مبدعيه:

• Helge Rölleke: يتمتع بخبرة في مبيعات الرعاية الصحية، انتقل Helge إلى علم البيانات وأجرى بحثاً رائداً حول أداء الشركات وتعويضات المديرين التنفيذيين. وهو أيضاً من عشاق الفطر ومنفتح على فرص جديدة في مجال علم البيانات.
• My: عالمة بيانات ومطورة واجهات أمامية تجمع بين مهاراتها لمعالجة التحديات المعقدة وإنشاء تطبيقات ويب سهلة الاستخدام.
• Simantini Shinde: عالمة بيانات مبتدئة ذات خبرة في تحليل البيانات، والتعلم الآلي، والمزيد. Simantini هي مناصرة قوية للتطوير مفتوح المصدر وتستكشف باستمرار تقنيات جديدة وتتبع أسلوب حياة متوازناً ومستداماً.

Link to this sectionالرحلة إلى التعلم الآلي ورؤية الذكاء الاصطناعي#

بدأ Helge دراسة التعلم الآلي خلال رسالة الماجستير الخاصة به، حيث فحص العلاقة بين أجر المدير ونجاح الشركة. تضمن ذلك استخدام نماذج الانحدار وتقنيات التعلم الآلي. تمكن Helge من الغوص بشكل أعمق في عالم رؤية الذكاء الاصطناعي في معسكر Spiced Academy. وهنا، جرب التعلم العميق وحدد مدى فائدة نماذج Ultralytics YOLO.

كان لدى My صديق شاركها مشاريع علم البيانات الخاصة به، مما أثار اهتمامها بالتعلم الآلي. إن الطريقة التي يمكن أن تكشف بها البيانات عن رؤى وتحسن العمليات سحرته. ولهذا السبب انضمت إلى المعسكر التدريبي، حيث التقت بـ Simantini وHelge.

بدأت Simantini في استكشاف التعلم الآلي خلال رسالة الماجستير الخاصة بها. اكتشفت إمكاناته في مجال عملها، والذي يتضمن تقييم أضرار المباني الناجمة عن الزلازل. بعد تخرجها، عملت Simantini في وظائف مختلفة تتعلق بالبيانات. قادتها هذه الوظائف في النهاية إلى معسكر تدريبي لعلوم البيانات وأثارت اهتمامها بالتعلم الآلي ورؤية الذكاء الاصطناعي.

Link to this sectionاختيار Ultralytics YOLO لـ TrashBestie#

يعد استخدام TrashBestie لـ Ultralytics YOLOv8 كأداة أساسية أمراً استراتيجياً.

• سهل الاستخدام: نظراً لأن YOLOv8 مفتوح المصدر وسهل الاستخدام، فقد كان متاحاً للغاية للفريق.
• الدقة: وفر YOLOv8 دقة أفضل، خاصة في درجات الدقة (precision scores).
• المرونة: تمكن الفريق من دمج YOLOv8 بسلاسة مع Roboflow، مما عزز سير عملهم.

Link to this sectionكيف يعمل TrashBestie؟#

يعمل TrashBestie كمساعد شخصي لفرز النفايات، ويستخدم الذكاء الاصطناعي لتبسيط العملية إلى أربع خطوات مباشرة:

1. الاكتشاف باستخدام كاميرتك. استخدم كاميرا جهازك لالتقاط صورة لعنصر النفايات الذي لا تعرف كيفية التخلص منه.
2. التعرف الفوري. بفضل تقنية التعرف على الصور في YOLOv8، يمكن للتطبيق تحليل الصور بسرعة وتحديد أنواع مختلفة من النفايات.
3. رؤى تعليمية. لا يتوقف TrashBestie عند التوصيات. توفر هذه الأداة رؤى تعليمية للمستخدمين لفهم طرق التخلص من النفايات المقترحة. وهذا بدوره يعزز التعلم طويل الأمد وعادات التخلص الواعي من النفايات.
4. سهل الاستخدام ويمكن الوصول إليه. التطبيق سهل الاستخدام ومتاح للجميع، مما يجعل فرز النفايات المسؤول بيئياً أمراً ممكناً لأي شخص يستخدم جهاز Android.

جربه

اكتشاف الكائنات عبر كاميرا الويب

Link to this sectionبناء TrashBestie#

تتضمن رحلة تطوير TrashBestie سلسلة من الخطوات الحاسمة:

1. التوسيم والتعليق التوضيحي. يتم توسيم الصور والتعليق عليها بعناية باستخدام أدوات مثل Roboflow لإنشاء مجموعة بيانات قوية للتدريب.
2. تصدير مجموعة البيانات. بعد تصدير مجموعة البيانات الموسومة، تصبح مجموعة بيانات اكتشاف الكائنات جاهزة للتدريب.
3. التدريب باستخدام YOLOv8. يتم تدريب نموذج YOLOv8 على مجموعة البيانات المصدرة، مع التركيز على ضبط معلماته لتحسين دقة اكتشاف الكائنات.
4. النشر عبر Streamlit. يتم دمج نموذج YOLOv8 في تطبيق Streamlit، مما يضمن اكتشافاً فعالاً ودقيقاً للكائنات. تتم استضافة هذا التطبيق على GitHub باستخدام YOLOv8 وStreamlit لاكتشاف الكائنات وتتبعها.

Link to this sectionمستقبل TrashBestie#

يواصل TrashBestie التحسن من خلال إضافة التوطين (localization)، وجعله أكثر سهولة في الاستخدام على iOS وAndroid، وصقل تقنيات معالجة الصور. يلتزم الفريق بتحسين أداء التطبيق ودقته باستمرار.

تحقق من مشروعهم على Devpost، والذي يتضمن معرض صور وفيديو على YouTube يعرض تفاصيل عملهم.

يضع TrashBestie على عاتقه مهمة إحداث ثورة في إدارة النفايات وجعل كوكبنا أكثر نظافة واستدامة. هذه خطوة أولى نحو المستقبل، يمكن أن تحدث ثورة حتى في مفهوم مهن إدارة النفايات. انضم إليهم في هذه الرحلة المثيرة نحو مستقبل أكثر خضرة!

Link to this sectionتواصل مع فريق TrashBestie:#

Helge: LinkedIn، GitHub

Simantini: LinkedIn، GitHub، Medium

My: LinkedIn