مستقبل أكثر استدامة من خلال الذكاء الاصطناعي المرئي وUltralytics YOLO

‏TrashBestie هو 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.

يتصور الفريق الذي يقف وراء TrashBestie مستقبلًا لا تعود فيه النفايات مصدر إزعاج، بل تصبح فرصة لإحداث تغيير إيجابي. ويُعد فرز النفايات مهمًا لحماية البيئة، والحفاظ على الموارد، والحد من التلوث. وانطلاقًا من ذلك، أصبح TrashBestie حلًا رقميًا يمكّن الأفراد من اتخاذ قرارات مستنيرة بشأن إدارة النفايات بسهولة. والهدف واضح: إلهام حركة جماعية نحو إدارة مسؤولة للنفايات، وتعزيز كوكب أنظف للأجيال القادمة.

تعرّف إلى الفريق الذي يقف وراء TrashBestie#

قبل أن نتعمق في التقنية المبتكرة وراء TrashBestie، لنتعرّف إلى منشئيه:

• ‏Helge Rölleke: يتمتع Helge بخبرة في مبيعات الرعاية الصحية، ثم انتقل إلى علم البيانات وأجرى أبحاثًا رائدة حول أداء الشركات وتعويضات التنفيذيين. كما أنه شغوف بالفطر ومنفتح على فرص جديدة في علم البيانات.
• ‏My: عالمة بيانات ومطوّرة واجهات أمامية تجمع بين المهارات لمواجهة التحديات المعقدة وإنشاء تطبيقات ويب سهلة الاستخدام.
• ‏Simantini Shinde: عالمة بيانات مبتدئة تتمتع بخبرة في تحليل البيانات والتعلم الآلي وغير ذلك. وتدافع Simantini بقوة عن التطوير مفتوح المصدر، وتستكشف باستمرار التقنيات الجديدة وتسعى إلى اتباع أسلوب حياة متوازن ومستدام.

الرحلة إلى التعلم الآلي والذكاء الاصطناعي للرؤية#

بدأ Helge دراسة التعلم الآلي خلال أطروحة الماجستير، حيث بحث في علاقة أجر المدير بنجاح الشركة. وشمل ذلك استخدام نماذج الانحدار وتقنيات التعلم الآلي. وتمكن Helge من التعمق أكثر في عالم الذكاء الاصطناعي للرؤية خلال المعسكر التدريبي في Spiced Academy. وهناك، أجرى تجارب على التعلم العميق وحدد مدى فائدة نماذج Ultralytics YOLO.

كان لدى My صديق يشاركها مشروعاته في علم البيانات، ما أثار اهتمامها بالتعلم الآلي. وقد أبهرتها الطريقة التي يمكن بها للبيانات كشف الرؤى وتحسين العمليات. لذلك انضمت إلى المعسكر التدريبي، حيث التقت بـ Simantini وHelge.

بدأت Simantini استكشاف التعلم الآلي خلال أطروحة الماجستير. واكتشفت إمكاناته في مجال عملها، الذي يتضمن تقييم الأضرار التي تلحق بالمباني بسبب الزلازل. وبعد تخرجها، شغلت Simantini وظائف مختلفة تضمنت العمل مع البيانات. وقادتها هذه الوظائف في نهاية المطاف إلى معسكر تدريبي في علم البيانات، وأثارت اهتمامها بالتعلم الآلي والذكاء الاصطناعي للرؤية.

اختيار Ultralytics YOLO لتطبيق TrashBestie#

يُعد استخدام TrashBestie لـ Ultralytics YOLOv8 أداةً أساسية خيارًا استراتيجيًا.

• سهولة الاستخدام: نظرًا إلى أن Ultralytics YOLOv8 مفتوح المصدر وسهل الاستخدام، فقد كان متاحًا بدرجة كبيرة للفريق.
• الدقة: وفّر Ultralytics YOLOv8 دقة أفضل، ولا سيما في درجات الاستدقاق.
• المرونة: تمكن الفريق من دمج Ultralytics YOLOv8 بسلاسة مع Roboflow، ما عزز سير عمله.

كيف يعمل TrashBestie؟#

يعمل TrashBestie كمساعد شخصي لفرز النفايات، إذ يستخدم الذكاء الاصطناعي لتبسيط العملية في أربع خطوات واضحة:

1. الكشف باستخدام الكاميرا. استخدم كاميرا جهازك لالتقاط صورة لعنصر النفايات الذي لا تعرف كيفية التخلص منه.
2. التعرّف الفوري. بفضل تقنية التعرّف على الصور في Ultralytics YOLOv8، يستطيع التطبيق تحليل الصور بسرعة وتحديد أنواع النفايات المختلفة.
3. رؤى تعليمية. لا يكتفي TrashBestie بتقديم التوصيات. إذ توفر هذه الأداة للمستخدمين رؤى تعليمية لفهم طرق التخلص من النفايات المقترحة. ويسهم ذلك بدوره في تعزيز التعلم طويل الأمد وترسيخ عادات واعية للتخلص من النفايات.
4. سهولة الاستخدام وإمكانية الوصول. التطبيق سهل الاستخدام ومتاح للجميع، ما يجعل فرز النفايات بطريقة مسؤولة بيئيًا ممكنًا لأي شخص يستخدم جهاز Android.

‏جرّبه

اكتشاف الأجسام باستخدام كاميرا الويب

بناء TrashBestie#

تتضمن رحلة تطوير TrashBestie سلسلة من الخطوات المهمة:

1. وضع التسميات والتعليقات التوضيحية. تُوضَع التسميات على الصور وتُضاف إليها التعليقات التوضيحية بعناية باستخدام أدوات مثل Roboflow لإنشاء مجموعة بيانات متينة للتدريب.
2. تصدير مجموعة البيانات. بعد تصدير مجموعة البيانات التي تحمل التسميات، تصبح مجموعة بيانات اكتشاف الأجسام جاهزة للتدريب.
3. التدريب باستخدام Ultralytics YOLOv8. يُدرَّب نموذج YOLOv8 على مجموعة البيانات المُصدَّرة، مع التركيز على الضبط الدقيق لمعلمات النموذج لتحسين دقة اكتشاف الأجسام.
4. النشر باستخدام Streamlit. يُدمج نموذج Ultralytics YOLOv8 في تطبيق Streamlit، ما يضمن اكتشاف الأجسام بكفاءة ودقة. ويُستضاف هذا التطبيق على GitHub باستخدام YOLOv8 وStreamlit لاكتشاف الأجسام وتتبعها.

مستقبل TrashBestie#

يواصل TrashBestie التحسن من خلال إضافة التوطين، وجعله متاحًا بدرجة أكبر على iOS وAndroid، وتحسين تقنيات معالجة الصور. ويلتزم الفريق بالتحسين المستمر لأداء التطبيق ودقته.

اطّلع على مشروعهم على Devpost، الذي يتضمن معرضًا للصور وفيديو على YouTube يعرض تفاصيل عملهم.

يسعى TrashBestie إلى إحداث ثورة في إدارة النفايات وجعل كوكبنا أنظف وأكثر استدامة. وهذه خطوة أولى نحو المستقبل، وقد تُحدث ثورة حتى في مفهوم المسارات المهنية في مجال إدارة النفايات. انضم إليهم في هذه الرحلة المشوقة نحو مستقبل أكثر اخضرارًا!

تواصل مع فريق TrashBestie:#

Helge: LinkedIn، ‏GitHub

Simantini: LinkedIn، ‏GitHub، ‏Medium

My: ‏LinkedIn