مستقبل أكثر اخضرارًا بفضل الذكاء الاصطناعي البصري وUltralytics YOLO

TrashBestie تطبيق جديد يساعدنا على فرز النفايات وإدارتها بطريقة مختلفة وأفضل باستخدام الرؤية الحاسوبية. ويستخدم TrashBestie التعلم العميق والتقنيات المتقدمة لمساعدة الناس على اتخاذ خطوات تجعل الكوكب أنظف وأكثر استدامة.

يتطلع فريق TrashBestie إلى مستقبل لا تعود فيه النفايات مصدر إزعاج، بل تصبح فرصة لإحداث تغيير إيجابي. ويُعد فرز النفايات مهمًا لحماية البيئة وتوفير الموارد والحد من التلوث. وانطلاقًا من ذلك، أصبح TrashBestie حلًا رقميًا يمكّن الأفراد من اتخاذ قرارات مدروسة بشأن إدارة النفايات بسهولة. والهدف واضح: إلهام حركة جماعية نحو إدارة مسؤولة للنفايات وتعزيز كوكب أنظف للأجيال القادمة.

تعرّف على فريق TrashBestie#

قبل استعراض التقنية التي تقف وراء TrashBestie، لنتعرف على مبتكريه:

• Helge Rölleke: انتقل Helge، الذي يمتلك خبرة في مبيعات الرعاية الصحية، إلى علم البيانات وأجرى أبحاثًا حول أداء الشركات وتعويضات المديرين التنفيذيين. وهو أيضًا شغوف بالفطر ومنفتح على فرص جديدة في علم البيانات.
• My: عالمة بيانات ومطوّرة واجهات أمامية تجمع بين مهاراتها للتعامل مع التحديات المعقدة وإنشاء تطبيقات ويب سهلة الاستخدام.
• Simantini Shinde: عالمة بيانات مبتدئة تتمتع بخبرة في تحليل البيانات وتعلم الآلة وغيرهما. وتدعم Simantini بقوة التطوير مفتوح المصدر، وتستكشف التقنيات الجديدة باستمرار وتسعى إلى أسلوب حياة متوازن ومستدام.

الرحلة إلى تعلم الآلة والذكاء الاصطناعي البصري#

بدأ Helge دراسة تعلم الآلة أثناء إعداد أطروحة الماجستير، حيث بحث العلاقة بين أجر المدير ونجاح الشركة. وشمل ذلك استخدام نماذج الانحدار وتقنيات تعلم الآلة. وتمكن Helge من التعمق في عالم الذكاء الاصطناعي البصري خلال المعسكر التدريبي في Spiced Academy، حيث جرّب التعلم العميق وتحقق من فائدة نماذج Ultralytics YOLO.

كان لدى My صديق يشاركها مشاريعه في علم البيانات، مما أثار اهتمامها بتعلم الآلة. وقد أبهرتها قدرة البيانات على كشف الرؤى وتحسين العمليات. لذلك انضمت إلى المعسكر التدريبي، حيث التقت Simantini وHelge.

بدأت Simantini استكشاف تعلم الآلة أثناء إعداد أطروحة الماجستير. واكتشفت إمكاناته في مجال عملها، الذي يتضمن تقييم الأضرار التي تسببها الزلازل للمباني. وبعد تخرجها، شغلت Simantini وظائف مختلفة تتعلق بالبيانات. وقادتها هذه الوظائف في نهاية المطاف إلى معسكر تدريبي في علم البيانات، وأثارت اهتمامها بتعلم الآلة والذكاء الاصطناعي البصري.

اختيار Ultralytics YOLO لتطبيق TrashBestie#

يمثل استخدام TrashBestie لـUltralytics YOLOv8 بوصفه الأداة الأساسية خيارًا استراتيجيًا.

• سهولة الاستخدام: كان Ultralytics YOLOv8 متاحًا للفريق بدرجة كبيرة، لأنه مفتوح المصدر وسهل الاستخدام.
• الدقة: حقق Ultralytics YOLOv8 دقة أفضل، لا سيما في درجات الإحكام.
• المرونة: تمكن الفريق من دمج Ultralytics YOLOv8 مع Roboflow، ما عزز سير عملهم.

كيف يعمل TrashBestie؟#

يعمل TrashBestie كمساعد شخصي لفرز النفايات، مستعينًا بالذكاء الاصطناعي لتبسيط العملية في أربع خطوات مباشرة:

1. التعرّف باستخدام الكاميرا. استخدم كاميرا جهازك لالتقاط صورة للعنصر الذي لا تعرف كيفية التخلص منه.
2. التعرّف الفوري. باستخدام اكتشاف الكائنات في Ultralytics YOLOv8، يستطيع التطبيق تحليل الصور بسرعة وتحديد أنواع النفايات المختلفة.
3. رؤى تثقيفية. لا يقتصر TrashBestie على تقديم التوصيات، بل توفر هذه الأداة للمستخدمين رؤى تثقيفية تساعدهم على فهم طرق التخلص المقترحة من النفايات. وهذا بدوره يعزز التعلّم على المدى الطويل وعادات التخلص الواعي من النفايات.
4. سهولة الاستخدام وإمكانية الوصول. التطبيق سهل الاستخدام ومتاح للجميع، ما يجعل فرز النفايات بمسؤولية بيئية ممكنًا لكل من يستخدم جهاز Android.

جرّبه

الكشف عن الأجسام باستخدام كاميرا الويب

تطوير TrashBestie#

تشمل رحلة تطوير TrashBestie سلسلة من الخطوات الأساسية:

1. وضع التسميات والتعليقات التوضيحية. تُوضع التسميات والتعليقات التوضيحية على الصور بعناية باستخدام أدوات مثل Roboflow لإنشاء مجموعة بيانات متينة للتدريب.
2. تصدير مجموعة البيانات. بعد تصدير مجموعة البيانات الموسومة، تصبح مجموعة بيانات الكشف عن الأجسام جاهزة للتدريب.
3. التدريب باستخدام Ultralytics YOLOv8. يُدرَّب نموذج YOLOv8 على مجموعة البيانات المُصدَّرة، مع التركيز على ضبط معلماته بدقة لتحسين دقة الكشف عن الأجسام.
4. النشر باستخدام Streamlit. دُمج نموذج Ultralytics YOLOv8 في تطبيق Streamlit، ما يضمن اكتشاف الكائنات بكفاءة ودقة. ويُستضاف هذا التطبيق على GitHub، ويستخدم YOLOv8 وStreamlit لاكتشاف الكائنات وتتبعها.

مستقبل TrashBestie#

يواصل TrashBestie التحسن عبر إضافة دعم التوطين، وتوسيع إمكانية استخدامه على iOS وAndroid، وتحسين تقنيات معالجة الصور. ويلتزم الفريق بمواصلة تحسين أداء التطبيق ودقته.

اطّلع على مشروعهم على Devpost، حيث يضم معرضًا للصور وفيديو على YouTube يستعرض تفاصيل عملهم.

يهدف TrashBestie إلى تسهيل إدارة النفايات والمساعدة في الحفاظ على كوكب أنظف وأكثر استدامة. وهذه خطوة أولى قد تغيّر أيضًا نظرة الناس إلى المهن في مجال إدارة النفايات. تابعوا تقدمهم نحو مستقبل أكثر اخضرارًا!

تواصل مع فريق TrashBestie:#

Helge: LinkedIn، GitHub

Simantini: LinkedIn، GitHub، Medium

My: LinkedIn