Un futuro più verde grazie all'IA visiva e a Ultralytics YOLO

TrashBestie è una nuova app che ci aiuta a differenziare e gestire i rifiuti in modo diverso e migliore, usando la visione artificiale. TrashBestie usa il deep learning e tecnologie avanzate per aiutare le persone ad agire e rendere il pianeta più pulito e sostenibile.

Il team di TrashBestie immagina un futuro in cui i rifiuti non siano più un problema, ma un'opportunità di cambiamento positivo. Separare i rifiuti è importante per proteggere l'ambiente, risparmiare risorse e ridurre l'inquinamento. Con questo obiettivo, TrashBestie è diventata una soluzione digitale che consente alle persone di prendere facilmente decisioni consapevoli sulla gestione dei rifiuti. L'obiettivo è chiaro: ispirare un movimento collettivo verso una gestione responsabile dei rifiuti e promuovere un pianeta più pulito per le generazioni future.

Scopri il team dietro TrashBestie#

Prima di esaminare la tecnologia alla base di TrashBestie, conosciamo i suoi creatori:

• Helge Rölleke: esperto di vendite nel settore sanitario, Helge è passato alla data science e ha svolto ricerche sulle prestazioni aziendali e sulla remunerazione dei dirigenti. È anche appassionato di funghi ed è aperto a nuove opportunità nel campo della data science.
• My: data scientist e sviluppatrice frontend che combina le proprie competenze per affrontare sfide complesse e creare applicazioni web intuitive.
• Simantini Shinde: junior data scientist esperta in analisi dei dati, machine learning e altro. Simantini sostiene con convinzione lo sviluppo open source, esplora costantemente nuove tecnologie e persegue uno stile di vita equilibrato e sostenibile.

Il percorso verso il machine learning e l'IA visiva#

Helge ha iniziato a studiare machine learning durante la tesi magistrale, esaminando il rapporto tra la retribuzione di un manager e il successo di un'azienda. Il lavoro prevedeva l'uso di modelli di regressione e tecniche di machine learning. Helge ha potuto approfondire il mondo dell'IA visiva durante il Bootcamp di Spiced Academy. Qui ha sperimentato il deep learning e ha scoperto l'utilità dei modelli Ultralytics YOLO.

My aveva un amico che condivideva i suoi progetti di data science, suscitando in lei interesse per il machine learning. La affascinava il modo in cui i dati potevano far emergere intuizioni e ottimizzare i processi. Per questo ha partecipato al Bootcamp, dove ha conosciuto Simantini e Helge.

Simantini ha iniziato a esplorare il machine learning durante la tesi magistrale. Ne ha scoperto il potenziale nel suo settore lavorativo, che consiste nel valutare i danni agli edifici causati dai terremoti. Dopo la laurea, Simantini ha svolto diversi lavori legati ai dati. Queste esperienze l'hanno infine portata a un bootcamp di data science e hanno suscitato il suo interesse per il machine learning e l'IA visiva.

La scelta di Ultralytics YOLO per TrashBestie#

L'uso di Ultralytics YOLOv8 come strumento principale da parte di TrashBestie è una scelta strategica.

• Facile da usare: essendo open source e facile da usare, Ultralytics YOLOv8 era molto accessibile al team.
• Precisione: Ultralytics YOLOv8 ha offerto una precisione migliore, soprattutto nei punteggi di precisione.
• Flessibilità: il team ha potuto integrare Ultralytics YOLOv8 con Roboflow, migliorando il proprio flusso di lavoro.

Come funziona TrashBestie?#

TrashBestie funziona come assistente personale per la raccolta differenziata, usando l'intelligenza artificiale per semplificare il processo in quattro semplici passaggi:

1. Rileva con la fotocamera. Usa la fotocamera del tuo dispositivo per acquisire un'immagine del rifiuto di cui non sai come disfarti.
2. Riconoscimento immediato. Grazie al rilevamento di oggetti di Ultralytics YOLOv8, l'app può analizzare rapidamente le immagini e identificare diversi tipi di rifiuti.
3. Approfondimenti educativi. TrashBestie non si limita a fornire consigli. Questo strumento offre agli utenti approfondimenti per comprendere i metodi di smaltimento suggeriti. In questo modo, promuove l'apprendimento a lungo termine e abitudini consapevoli di smaltimento dei rifiuti.
4. Facile da usare e accessibile. L'app è intuitiva e accessibile a tutti, rendendo la raccolta differenziata responsabile dal punto di vista ambientale alla portata di chiunque utilizzi un dispositivo Android.

Provala

Rilevamento di oggetti con webcam

Sviluppare TrashBestie#

Il percorso di sviluppo di TrashBestie comprende una serie di passaggi fondamentali:

1. Etichettatura e annotazione. Le immagini vengono etichettate e annotate con cura usando strumenti come Roboflow per creare un solido dataset di addestramento.
2. Esportazione del dataset. Dopo aver esportato il dataset etichettato, il dataset per il rilevamento di oggetti è pronto per l'addestramento.
3. Addestramento con Ultralytics YOLOv8. Il modello YOLOv8 viene addestrato sul dataset esportato, concentrandosi sulla messa a punto dei suoi parametri per migliorare la precisione del rilevamento degli oggetti.
4. Distribuzione con Streamlit. Il modello Ultralytics YOLOv8 è integrato nell'applicazione Streamlit, garantendo un rilevamento degli oggetti efficiente e accurato. Questa app è ospitata su GitHub e utilizza YOLOv8 e Streamlit per il rilevamento e il tracciamento degli oggetti.

Il futuro di TrashBestie#

TrashBestie continua a migliorare aggiungendo la localizzazione, diventando più accessibile su iOS e Android e perfezionando le tecniche di elaborazione delle immagini. Il team si impegna a migliorare costantemente le prestazioni e la precisione dell'app.

Dai un'occhiata al loro progetto su Devpost, che include una galleria di immagini e un video di YouTube che illustra i dettagli del loro lavoro.

TrashBestie mira a semplificare la gestione dei rifiuti e a contribuire a mantenere il pianeta più pulito e sostenibile. È un primo passo che potrebbe anche cambiare il modo in cui le persone considerano le carriere nella gestione dei rifiuti. Segui il loro percorso verso un futuro più verde!

Contatta il team di TrashBestie:#

Helge: LinkedIn, GitHub

Simantini: LinkedIn, GitHub, Medium

My: LinkedIn