Eine grünere Zukunft durch Vision AI und Ultralytics YOLO

TrashBestie ist eine neue App, die uns hilft, Abfall mithilfe von Computer Vision auf eine andere und bessere Art und Weise zu sortieren und zu verwalten. TrashBestie nutzt Deep Learning und fortschrittliche Technologie, um Menschen dabei zu unterstützen, Maßnahmen für einen saubereren und nachhaltigeren Planeten zu ergreifen.

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.

Lerne 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 die Data Science und führte bahnbrechende Forschungen zur Unternehmensleistung und zur Vorstandsvergütung durch. Er ist außerdem ein Pilzenthusiast und offen für neue Möglichkeiten im Bereich Data Science.
• My: Eine Data Scientist und Frontend-Entwicklerin, die ihre Fähigkeiten kombiniert, um komplexe Herausforderungen zu bewältigen und benutzerfreundliche Webanwendungen zu erstellen.
• Simantini Shinde: Eine Junior Data Scientist mit Expertise in Datenanalyse, Machine Learning und mehr. Simantini ist eine starke Befürworterin der Open-Source-Entwicklung, die kontinuierlich neue Technologien erforscht und einen ausgeglichenen, nachhaltigen Lebensstil verfolgt.

Der 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.

Die Wahl von Ultralytics YOLO für TrashBestie#

Die Verwendung von Ultralytics YOLOv8 als primäres Werkzeug durch TrashBestie ist strategisch.

• Benutzerfreundlichkeit: Da Ultralytics YOLOv8 Open-Source und einfach zu bedienen ist, war es für das Team sehr zugänglich.
• Genauigkeit: Ultralytics YOLOv8 bot eine bessere Genauigkeit, insbesondere bei den Präzisionswerten.
• Flexibilität: Das Team konnte Ultralytics YOLOv8 nahtlos in Roboflow integrieren und so seinen Workflow verbessern.

Wie 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. Sofortige Erkennung. Dank der Bilderkennungstechnologie von Ultralytics YOLOv8 kann die App Bilder schnell analysieren und verschiedene Arten von Müll 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

TrashBestie 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 Ultralytics YOLOv8. Das YOLOv8-Modell wird anhand des exportierten Datensatzes trainiert, wobei der Schwerpunkt auf der Feinabstimmung seiner Parameter liegt, um die Genauigkeit der Objekterkennung zu verbessern.
4. Streamlit-Bereitstellung. Das Ultralytics YOLOv8-Modell wird in die Streamlit-Anwendung integriert, um eine effiziente und genaue Objekterkennung zu gewährleisten. Diese App wird auf GitHub mithilfe von YOLOv8 und Streamlit für Objekterkennung und Tracking gehostet.

Die 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!

Nimm Kontakt mit dem TrashBestie-Team auf:#

Helge: LinkedIn, GitHub

Simantini: LinkedIn, GitHub, Medium

My: LinkedIn