Eine grünere Zukunft mit Vision-KI und Ultralytics YOLO

TrashBestie ist eine neue App, die uns mithilfe von Computer Vision dabei hilft, Abfälle anders und besser zu sortieren und zu verwalten. TrashBestie nutzt Deep Learning und fortschrittliche Technologie, damit Menschen aktiv werden und den Planeten sauberer und nachhaltiger gestalten können.

Das Team hinter TrashBestie stellt sich eine Zukunft vor, in der Abfall keine Belastung mehr ist, sondern eine Chance für positive Veränderungen. Mülltrennung ist wichtig, um die Umwelt zu schützen, Ressourcen zu schonen und die Verschmutzung zu verringern. Mit diesem Ziel vor Augen wurde TrashBestie als digitale Lösung entwickelt, die Menschen dabei unterstützt, fundierte Entscheidungen zur Abfallwirtschaft einfach zu treffen. Das Ziel ist klar: eine gemeinsame Bewegung für einen verantwortungsvollen Umgang mit Abfall anzustoßen und für kommende Generationen eine sauberere Erde zu schaffen.

Lerne das Team hinter TrashBestie kennen#

Bevor wir uns die Technologie hinter TrashBestie ansehen, lernen wir die Entwickler kennen:

• Helge Rölleke: Nach seiner Erfahrung im Vertrieb im Gesundheitswesen wechselte Helge in die Datenwissenschaft und untersuchte die Unternehmensleistung und Vergütung von Führungskräften. Außerdem begeistert er sich für Pilze und ist offen für neue Möglichkeiten in der Datenwissenschaft.
• My: Data Scientist und Frontend-Entwicklerin, die ihre Fähigkeiten verbindet, um komplexe Herausforderungen zu bewältigen und benutzerfreundliche Webanwendungen zu entwickeln.
• Simantini Shinde: Junior Data Scientist mit Fachkenntnissen in Datenanalyse, maschinellem Lernen und mehr. Simantini setzt sich stark für die Entwicklung von Open-Source-Software ein, erkundet ständig neue Technologien und strebt einen ausgewogenen, nachhaltigen Lebensstil an.

Der Weg zu maschinellem Lernen und Computer Vision#

Helge begann während seiner Masterarbeit mit dem Studium des maschinellen Lernens. Dabei untersuchte er, wie die Vergütung einer Führungskraft mit dem Erfolg eines Unternehmens zusammenhängt. Dafür nutzte er Regressionsmodelle und Verfahren des maschinellen Lernens. Bei einem Bootcamp der Spiced Academy konnte Helge tiefer in die Welt der Computer Vision eintauchen. Dort experimentierte er mit Deep Learning und erkannte den Nutzen der Ultralytics-YOLO-Modelle.

My hatte eine Freundin, die ihre Data-Science-Projekte mit ihr teilte und so ihr Interesse am maschinellen Lernen weckte. Sie war fasziniert davon, wie sich mithilfe von Daten Erkenntnisse gewinnen und Prozesse optimieren ließen. Deshalb nahm sie am Bootcamp teil, wo sie Simantini und Helge kennenlernte.

Simantini begann während ihrer Masterarbeit, sich mit maschinellem Lernen zu beschäftigen. Sie entdeckte dessen Potenzial in ihrem Arbeitsgebiet, in dem sie Gebäudeschäden infolge von Erdbeben beurteilt. Nach ihrem Abschluss hatte Simantini verschiedene Tätigkeiten im Datenbereich. Diese führten sie schließlich zu einem Data-Science-Bootcamp und weckten ihr Interesse an maschinellem Lernen und Computer Vision.

Warum TrashBestie Ultralytics YOLO ausgewählt hat#

TrashBestie hat sich aus strategischen Gründen für Ultralytics YOLOv8 als wichtigstes Werkzeug entschieden.

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

Wie funktioniert TrashBestie?#

TrashBestie fungiert als persönlicher Assistent für die Mülltrennung und vereinfacht den Vorgang mithilfe künstlicher Intelligenz in vier einfache Schritte:

1. Mit der Kamera erfassen. Nutze die Kamera deines Geräts, um ein Bild des Abfalls aufzunehmen, bei dessen Entsorgung du dir unsicher bist.
2. Sofortige Erkennung. Mit der Objekterkennung von Ultralytics YOLOv8 kann die App Bilder schnell analysieren und verschiedene Abfallarten erkennen.
3. Wissenswertes für die richtige Entsorgung. TrashBestie beschränkt sich nicht auf Empfehlungen. Das Tool vermittelt den Nutzern Wissenswertes, damit sie die vorgeschlagenen Entsorgungsmethoden verstehen. So fördert es langfristiges Lernen und einen bewussten Umgang mit der Abfallentsorgung.
4. Einfach und barrierefrei. Die App ist benutzerfreundlich und für alle zugänglich. So kann jeder, der ein Android-Gerät nutzt, Abfälle umweltbewusst trennen.

Probiere es aus

Objekterkennung mit der Webcam

TrashBestie entwickeln#

Die Entwicklung von TrashBestie umfasst eine Reihe wichtiger Schritte:

1. Beschriftung und Annotation. Bilder werden sorgfältig mit Tools wie Roboflow beschriftet und annotiert, um einen robusten Trainingsdatensatz zu erstellen.
2. Export des Datensatzes. Nach dem Export des beschrifteten Datensatzes ist der Objekterkennungsdatensatz bereit für das Training.
3. Training mit Ultralytics YOLOv8. Das YOLOv8-Modell wird mit dem exportierten Datensatz trainiert. Dabei werden seine Parameter feinabgestimmt, um die Genauigkeit der Objekterkennung zu verbessern.
4. Bereitstellung mit Streamlit. Das Ultralytics-YOLOv8-Modell ist in die Streamlit-Anwendung integriert und ermöglicht so eine effiziente und präzise Objekterkennung. Diese App wird auf GitHub gehostet und verwendet YOLOv8 und Streamlit zur Objekterkennung und -verfolgung.

Die Zukunft von TrashBestie#

TrashBestie wird kontinuierlich weiterentwickelt: Die App erhält Lokalisierungsfunktionen, wird für iOS und Android besser zugänglich und nutzt optimierte Bildverarbeitungstechniken. Das Team arbeitet kontinuierlich daran, Leistung und Genauigkeit der App zu verbessern.

Sieh dir das Projekt auf Devpost an. Dort findest du eine Bildergalerie und ein YouTube-Video, das die Einzelheiten der Arbeit zeigt.

TrashBestie möchte die Abfallwirtschaft vereinfachen und dazu beitragen, den Planeten sauberer und nachhaltiger zu halten. Das ist ein erster Schritt, der auch die Einstellung der Menschen zu Berufen in der Abfallwirtschaft verändern könnte. Verfolge den Fortschritt auf dem Weg in eine grünere Zukunft!

Kontaktiere das TrashBestie-Team:#

Helge: LinkedIn, GitHub

Simantini: LinkedIn, GitHub, Medium

My: LinkedIn