Eine grünere Zukunft durch Vision AI und Ultralytics YOLO

‍TrashBestie ist eine neue App, die uns hilft, Abfälle mithilfe von Computer Vision anders und besser zu sortieren und zu verwalten. TrashBestie verwendet Deep Learning und fortschrittliche Technologie, um Menschen dabei zu helfen, Maßnahmen zu ergreifen, um den Planeten sauberer und nachhaltiger zu machen.

Das Team hinter TrashBestie hat die Vision einer Zukunft, in der Abfall keine Belästigung mehr ist, sondern eine Chance für positive Veränderungen. Die Mülltrennung ist wichtig, um die Umwelt zu schützen, Ressourcen zu schonen und die Umweltverschmutzung zu reduzieren. Vor diesem Hintergrund wurde TrashBestie zur digitalen Lösung, die es Einzelpersonen ermöglicht, mühelos fundierte Entscheidungen im Bereich der Abfallwirtschaft zu treffen. Das Ziel ist klar: eine kollektive Bewegung hin zu einer verantwortungsvollen Abfallwirtschaft anzustoßen und einen saubereren Planeten für kommende Generationen zu fördern.

Lernen Sie das Team hinter TrashBestie kennen

Bevor wir uns mit der innovativen Technologie hinter TrashBestie befassen, wollen wir die Entwickler kennenlernen:

• Helge Rölleke: Helge hat Erfahrung im Vertrieb im Gesundheitswesen und wechselte zur Data Science. Er führte bahnbrechende Forschungen zur Unternehmensleistung und zur Vergütung von Führungskräften durch. Er ist außerdem ein Pilzliebhaber und offen für neue Data-Science-Möglichkeiten.
  ‍
• My: Ein Data Scientist und Frontend-Entwickler, der seine Fähigkeiten kombiniert, um komplexe Herausforderungen zu meistern und benutzerfreundliche Webanwendungen zu erstellen.
  ‍
• Simantini Shinde: Eine Junior Data Scientist mit Expertise in Datenanalyse, maschinellem Lernen und mehr. Simantini ist eine starke Verfechterin der Open-Source-Entwicklung, die ständig neue Technologien erforscht und einen ausgewogenen, nachhaltigen Lebensstil verfolgt.
  

Die Reise zu maschinellem Lernen und Vision AI

Helge begann sich während seiner Masterarbeit mit maschinellem Lernen zu beschäftigen und untersuchte, wie die Vergütung eines Managers mit dem Erfolg eines Unternehmens zusammenhängt. Dazu wurden Regressionsmodelle und Techniken des maschinellen Lernens eingesetzt. Im Bootcamp der Spiced Academy konnte Helge tiefer in die Welt der Vision AI eintauchen. Dort experimentierte er mit Deep Learning und ermittelte die Nützlichkeit derYOLO Ultralytics .

Meine hatte einen Freund, der seine Data-Science-Projekte teilte, was ihr Interesse an maschinellem Lernen weckte. Die Art und Weise, wie Daten Einblicke aufdecken und Prozesse optimieren konnten, faszinierte sie. Deshalb trat sie dem Bootcamp bei, wo sie Simantini und Helge kennenlernte.

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

Wahl von Ultralytics YOLO für TrashBestie

TrashBestie's Verwendung von Ultralytics YOLOv8 als Hauptinstrument ist strategisch.

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

Wie funktioniert TrashBestie?

TrashBestie fungiert als persönlicher Assistent für die Mülltrennung und vereinfacht den Prozess mithilfe künstlicher Intelligenz in vier einfachen Schritten:

1. Mit Ihrer Kamera erkennen. Verwenden Sie die Kamera Ihres Geräts, um ein Bild des Abfallprodukts aufzunehmen, bei dem Sie sich nicht sicher sind, wie Sie es entsorgen sollen.
   ‍
2. Sofortige Erkennung. Dank der Bilderkennungstechnologie von YOLOv8 kann die App Bilder schnell analysieren und verschiedene Arten von Abfall identifizieren.
   ‍
3. Pädagogische Einblicke. TrashBestie hört nicht bei Empfehlungen auf. Dieses Tool bietet Benutzern pädagogische Einblicke, um die vorgeschlagenen Methoden der Abfallentsorgung zu verstehen. Dies wiederum fördert langfristiges Lernen und bewusste Gewohnheiten bei der Abfallentsorgung.
   ‍
4. Einfach zu benutzen und zugänglich. Die App ist benutzerfreundlich und für alle zugänglich, so dass jeder, der ein Android benutzt, umweltbewusste Mülltrennung betreiben kann.

Probieren Sie es aus

TrashBestie aufbauen

Die Entwicklungsreise von TrashBestie umfasst eine Reihe von entscheidenden Schritten:

1. Kennzeichnung und Beschriftung. Bilder werden mit Tools wie Roboflow sorgfältig beschriftet und kommentiert, um einen robusten Datensatz für das Training zu erstellen.
   ‍
2. Exportieren des Datensatzes. Nach dem Export des beschrifteten Datensatzes ist der Objekterkennungsdatensatz bereit für das Training.
   ‍
3. Training mit YOLOv8. Das YOLOv8 wird auf dem exportierten Datensatz trainiert, wobei der Schwerpunkt auf der Feinabstimmung seiner Parameter für eine verbesserte Genauigkeit der Objekterkennung liegt.
   ‍
4. Streamlit-Bereitstellung. Das YOLOv8 ist in die Streamlit-Anwendung integriert und gewährleistet eine effiziente und genaue Objekterkennung. Diese Anwendung wird auf GitHub gehostet und verwendet YOLOv8 und Streamlit für die Objekterkennung und -verfolgung.
   

Die Zukunft von TrashBestie

TrashBestie wird weiter verbessert, indem die App lokalisiert, auf iOS und Android besser zugänglich gemacht und die Bildverarbeitungstechniken verfeinert werden. Das Team ist bestrebt, die Leistung und Präzision der App kontinuierlich zu verbessern.

Sehen Sie sich ihr Projekt auf Devpost an, das eine Bildergalerie und ein YouTube-Video mit Details zu ihrer Arbeit enthält.

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

Nehmen Sie Kontakt mit dem TrashBestie-Team auf:

Helge: LinkedIn, GitHub

Simantini: LinkedIn, GitHub, Medium

Mein: LinkedIn