ビジョンAIとUltralytics YOLOで、より緑豊かな未来へ

TrashBestieは、コンピュータービジョンを活用し、これまでとは異なるより良い方法で廃棄物の分別と管理を支援する新しいアプリです。TrashBestieは、ディープラーニングと先進技術を活用し、人々が地球をよりきれいで持続可能にするための行動を起こせるよう支援します。

TrashBestieのチームは、廃棄物が厄介なものではなく、前向きな変化をもたらす機会となる未来を思い描いています。廃棄物の分別は、環境を守り、資源を節約し、汚染を減らすために重要です。この考えのもと、TrashBestieは、個人が情報に基づいて廃棄物管理の判断を簡単に行えるよう支援するデジタルソリューションとなりました。目標は明確です。責任ある廃棄物管理に向けた集団的な動きを促し、次世代にわたってよりきれいな地球を実現することです。

TrashBestieを手がけるチームをご紹介します#

TrashBestieを支える技術を見る前に、開発者を紹介しましょう。

• Helge Rölleke：医療関連の営業経験を持ち、データサイエンス分野に転向した後、企業の業績と役員報酬に関する調査を行いました。キノコ愛好家でもあり、新たなデータサイエンス分野の仕事にも関心があります。
• My：複雑な課題に取り組み、使いやすいWebアプリケーションを開発するために、データサイエンティストとフロントエンド開発者のスキルを組み合わせています。
• Simantini Shinde：データ分析や機械学習などを専門とするジュニアデータサイエンティストです。Simantiniはオープンソース開発を強く支持し、常に新しい技術を探求しながら、バランスの取れた持続可能なライフスタイルを追求しています。

機械学習とビジョンAIへの道のり#

Helgeは修士論文の研究で機械学習を学び始め、マネージャーの報酬と会社の業績の関係を調べました。その研究では、回帰モデルと機械学習の手法を使用しました。その後、Spiced AcademyのブートキャンプでビジョンAIについて深く学ぶことができました。そこでディープラーニングを試し、Ultralytics YOLOモデルの有用性を確かめました。

Myは、データサイエンスのプロジェクトを共有してくれる友人がいたことをきっかけに、機械学習に興味を持ちました。データから知見を引き出し、プロセスを最適化できることに魅力を感じました。そのためブートキャンプに参加し、そこでSimantiniとHelgeに出会いました。

Simantiniは修士論文の研究で機械学習を探求し始めました。地震による建物の被害評価に関わる自身の分野で、機械学習が持つ可能性を見いだしました。卒業後、Simantiniはデータを扱うさまざまな仕事に就きました。そうした仕事を通じてデータサイエンスのブートキャンプに参加し、MLとビジョンAIへの関心を深めました。

TrashBestieにおけるUltralytics YOLOの選定#

TrashBestieが主要ツールとしてUltralytics YOLOv8を採用したのは、戦略的な選択です。

• 使いやすさ： Ultralytics YOLOv8はオープンソースで使いやすいため、チームにとって非常に導入しやすいものでした。
• 精度： Ultralytics YOLOv8は、特に適合率のスコアにおいて、より高い精度を実現しました。
• 柔軟性：チームはUltralytics YOLOv8をRoboflowと統合し、ワークフローを強化できました。

TrashBestieの仕組み#

TrashBestieは個人向けのごみ分別アシスタントとして機能し、人工知能を活用して分別の手順を簡単な4つのステップにまとめます。

1. カメラで検出。 デバイスのカメラを使って、捨て方がわからないごみの画像を撮影します。
2. 即時認識。Ultralytics YOLOv8の物体検出を使うと、アプリで画像をすばやく分析し、さまざまな種類の廃棄物を特定できます。
3. 学びにつながる情報。 TrashBestieは推奨を提示するだけではありません。このツールは、推奨されるごみの処分方法を理解できるよう、ユーザーに学びにつながる情報を提供します。これにより、長期的な学習と意識的なごみの処分習慣が促進されます。
4. 使いやすく、誰でも利用可能。 このアプリは使いやすく、誰でも利用できます。Androidデバイスを使う人なら誰でも、環境に配慮したごみ分別を実践できます。

お試しください

Webカメラによる物体検出

TrashBestieの開発#

TrashBestieの開発では、次の重要なステップを順に進めます。

1. ラベリングとアノテーション。 Roboflowなどのツールを使って画像に丁寧にラベル付けとアノテーションを行い、学習用の堅牢なデータセットを作成します。
2. データセットのエクスポート。 ラベル付け済みのデータセットをエクスポートすると、物体検出用のデータセットを学習に使用できるようになります。
3. Ultralytics YOLOv8による学習。 エクスポートしたデータセットでYOLOv8モデルを学習させ、物体検出精度の向上に向けてパラメーターを微調整します。
4. Streamlitへのデプロイ。Ultralytics YOLOv8モデルはStreamlitアプリケーションに統合され、効率的で正確な物体検出を実現します。このアプリは、物体検出と追跡にYOLOv8とStreamlitを使用し、GitHub上でホストされています。

TrashBestieの今後#

TrashBestieは、ローカライズの追加、iOSとAndroidでの利用拡大、画像処理技術の改良を通じて、引き続き改善されています。チームはアプリのパフォーマンスと精度を継続的に向上させることに取り組んでいます。

画像ギャラリーと、取り組みの詳細を紹介するYouTube動画を含むプロジェクトをDevpostでご覧ください。

TrashBestieは、廃棄物管理をより簡単にし、地球をよりきれいで持続可能な場所にすることを目指しています。これは、廃棄物管理分野の仕事に対する人々の考え方も変える可能性のある第一歩です。より環境に優しい未来に向けた取り組みをぜひご覧ください。

TrashBestieチームへのお問い合わせ：#

Helge：LinkedIn、GitHub

Simantini：LinkedIn、GitHub、Medium

My：LinkedIn