Eine grünere Zukunft durch Vision AI und Ultralytics YOLO

TrashBestie ist eine neue App, die uns mithilfe von Computer Vision dabei hilft, Abfall auf eine andere und bessere Weise zu sortieren und zu verwalten. TrashBestie nutzt Deep Learning und fortschrittliche Technologie, um Menschen dabei zu unterstützen, aktiv zu werden und den Planeten sauberer und nachhaltiger zu machen.

Das Team hinter TrashBestie stellt sich eine Zukunft vor, in der Abfall kein Ärgernis mehr ist, sondern eine Chance für positive Veränderungen. Mülltrennung ist wichtig, um die Umwelt zu schützen, Ressourcen zu schonen und die Umweltverschmutzung zu verringern. Vor diesem Hintergrund wurde TrashBestie zur digitalen Lösung, die es Einzelpersonen ermöglicht, mühelos fundierte Entscheidungen bei der Abfallentsorgung zu treffen. Das Ziel ist klar: eine kollektive Bewegung in Richtung verantwortungsvoller Abfallwirtschaft zu inspirieren und einen saubereren Planeten für kommende Generationen zu fördern.

Link to this sectionLerne das Team hinter TrashBestie kennen#

Bevor wir in die innovative Technologie hinter TrashBestie eintauchen, lernen wir die Entwickler kennen:

• Helge Rölleke: Mit Erfahrung im Vertrieb im Gesundheitswesen wechselte Helge in den Bereich Data Science und führte bahnbrechende Forschungen zur Unternehmensleistung und zur Vergütung von Führungskräften durch. Er ist außerdem ein Pilz-Enthusiast und offen für neue Data-Science-Möglichkeiten.
• My: Eine Data Scientist und Frontend-Entwicklerin, die ihre Fähigkeiten kombiniert, um komplexe Herausforderungen anzugehen und benutzerfreundliche Webanwendungen zu erstellen.
• Simantini Shinde: Eine Junior Data Scientist mit Expertise in Datenanalyse, Machine Learning und mehr. Simantini setzt sich stark für Open-Source-Entwicklung ein, erforscht ständig neue Technologien und verfolgt einen ausgewogenen, nachhaltigen Lebensstil.

Link to this sectionDer Weg zu Machine Learning und Vision AI#

Helge begann während seiner Masterarbeit mit dem Studium des Machine Learning und untersuchte den Zusammenhang zwischen der Bezahlung eines Managers und dem Erfolg eines Unternehmens. Dies beinhaltete den Einsatz von Regressionsmodellen und Machine-Learning-Techniken. Beim Bootcamp der Spiced Academy konnte Helge tiefer in die Welt der Vision AI eintauchen. Dort experimentierte er mit Deep Learning und stellte den Nutzen der Ultralytics YOLO Modelle fest.

My hatte einen Freund, der seine Data-Science-Projekte teilte, was ihr Interesse am Machine Learning weckte. Die Art und Weise, wie Daten Erkenntnisse liefern und Prozesse optimieren konnten, faszinierte sie. Deshalb nahm sie an dem Bootcamp teil, wo sie Simantini und Helge kennenlernte.

Simantini begann während ihrer Masterarbeit, Machine Learning zu erforschen. Sie entdeckte dessen Potenzial in ihrem Arbeitsbereich, der die Bewertung von Gebäudeschäden durch Erdbeben umfasst. Nach ihrem Abschluss hatte Simantini verschiedene Jobs im Datenbereich. Diese Tätigkeiten führten sie schließlich zu einem Data-Science-Bootcamp und weckten ihr Interesse an ML und Vision AI.

Link to this sectionDie Wahl von Ultralytics YOLO für TrashBestie#

Der Einsatz von Ultralytics YOLOv8 als primäres Werkzeug bei TrashBestie ist strategisch gewählt.

• Benutzerfreundlich: Da YOLOv8 Open Source und einfach zu bedienen ist, war es für das Team leicht zugänglich.
• Genauigkeit: YOLOv8 bot eine bessere Genauigkeit, insbesondere bei den Präzisionswerten.
• Flexibilität: Das Team konnte YOLOv8 nahtlos mit Roboflow integrieren, was ihren Workflow verbesserte.

Link to this sectionWie funktioniert TrashBestie?#

TrashBestie fungiert als persönlicher Assistent für die Mülltrennung und nutzt künstliche Intelligenz, um den Prozess in vier einfache Schritte zu unterteilen:

1. Erkennen mit der Kamera. Nutze die Kamera deines Geräts, um ein Bild des Abfallgegenstands aufzunehmen, bei dem du dir unsicher bist, wie du ihn entsorgen sollst.
2. Soforterkennung. Dank der Bilderkennungstechnologie von YOLOv8 kann die App Bilder schnell analysieren und verschiedene Abfallarten identifizieren.
3. Bildungsinhalte. TrashBestie bleibt nicht bei Empfehlungen stehen. Dieses Tool bietet den Benutzern hilfreiche Informationen, um die vorgeschlagenen Entsorgungsmethoden zu verstehen. Dies fördert wiederum langfristiges Lernen und ein bewusstes Abfallentsorgungsverhalten.
4. Einfach zu bedienen und zugänglich. Die App ist benutzerfreundlich und für jeden zugänglich, wodurch eine umweltbewusste Mülltrennung für jeden mit einem Android-Gerät möglich wird.

Probiere es aus

Webcam-Objekterkennung

Link to this sectionTrashBestie entwickeln#

Die Entwicklungsreise von TrashBestie umfasst eine Reihe entscheidender Schritte:

1. Labeling und Annotation. Bilder werden sorgfältig mit Tools wie Roboflow gelabelt und annotiert, um einen robusten Datensatz für das Training zu erstellen.
2. Exportieren des Datensatzes. Nach dem Exportieren des gelabelten Datensatzes ist der Objekterkennungs-Datensatz bereit für das Training.
3. Training mit YOLOv8. Das YOLOv8-Modell wird auf dem exportierten Datensatz trainiert, wobei der Schwerpunkt auf der Feinabstimmung der Parameter für eine verbesserte Genauigkeit der Objekterkennung liegt.
4. Streamlit-Bereitstellung. Das YOLOv8-Modell wird in die Streamlit-Anwendung integriert, um eine effiziente und genaue Objekterkennung zu gewährleisten. Diese App wird auf GitHub unter Verwendung von YOLOv8 und Streamlit zur Objekterkennung und -verfolgung gehostet.

Link to this sectionDie Zukunft von TrashBestie#

TrashBestie entwickelt sich ständig weiter, indem Lokalisierung hinzugefügt wird, die App auf iOS und Android zugänglicher gemacht wird und die Bildverarbeitungstechniken verfeinert werden. Das Team ist bestrebt, die Leistung und Präzision der App kontinuierlich zu verbessern.

Schau dir ihr Projekt auf Devpost an, das eine Bildergalerie und ein YouTube-Video enthält, die die Details ihrer Arbeit zeigen.

TrashBestie hat es sich zur Aufgabe gemacht, die Abfallwirtschaft zu revolutionieren und unseren Planeten sauberer und nachhaltiger zu gestalten. Dies ist ein erster Schritt in die Zukunft, der sogar die Konzeption von Berufen in der Abfallwirtschaft revolutionieren könnte. Begleite sie auf dieser spannenden Reise in eine grünere Zukunft!

Link to this sectionNimm Kontakt mit dem TrashBestie-Team auf:#

Helge: LinkedIn, GitHub

Simantini: LinkedIn, GitHub, Medium

My: LinkedIn