Vision AIとUltralytics YOLOで実現する、より環境に優しい未来

TrashBestieは、コンピュータービジョンを活用して、廃棄物をこれまでとは異なる、より良い方法で分別・管理でき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、人々がよりクリーンで持続可能な地球の実現に向けて行動できるよう支援します。

TrashBestieを開発したチームは、廃棄物がもはや厄介なものではなく、前向きな変化を生み出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、汚染を減らすうえで重要です。こうした考えのもと、TrashBestieは、個人が情報に基づいた廃棄物管理の判断を簡単に行えるように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取り組みを促し、これからの世代のために、よりクリーンな地球を実現することです。

TrashBestieを支えるチームの紹介#

TrashBestieを支える革新的なテクノロジーをご紹介する前に、開発者たちを紹介します。

• Helge Rölleke：ヘルスケア分野の営業経験を持つHelgeは、データサイエンスへ転向し、企業の業績と経営幹部の報酬に関する画期的な研究を行いました。キノコをこよなく愛し、新たなデータサイエンスの機会にも意欲的です。
• My：データサイエンティスト兼フロントエンド開発者として、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のスキルを兼ね備えています。
• Simantini Shinde：データ分析、機械学習などに精通したジュニアデータサイエンティストです。オープンソース開発を強く支持し、常に新しいテクノロジーを探求するとともに、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の学習を始め、マネージャーの報酬と企業の成功の関係を調査しました。この研究では、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BootcampでビジョンAIの世界をさらに深く探求しました。ここでは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た友人をきっかけに、機械学習に興味を持ちました。データから洞察を導き出し、プロセスを最適化できることに魅了されたのです。そこでBootcampに参加し、SimantiniとHelgeに出会いました。

Simantiniは、修士論文の研究を通じて機械学習の探求を始めました。地震による建物被害の評価に関わる自身の分野で、機械学習が持つ可能性を発見しました。卒業後、Simantiniはデータに関わるさまざまな仕事に就きました。これらの仕事を経て、データサイエンスのBootcampに参加し、MLとビジョンAIへの関心を深めました。

TrashBestieにUltralytics YOLOを選んだ理由#

TrashBestieが主要ツールとしてUltralytics YOLOv8を使用しているのは、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、チームは簡単に利用できました。
• 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とシームレスに統合し、ワークフローを強化できました。

TrashBestieの仕組み#

TrashBestieは、人工知能を活用して廃棄物の分別プロセスを4つの簡単なステップにまとめる、個人向けの廃棄物分別アシスタントとして機能します。

1. カメラで検出： デバイスのカメラを使用して、廃棄方法が分からない廃棄物の画像を撮影します。
2. 即時認識： Ultralytics YOLOv8の画像認識テクノロジーにより、アプリは画像をすばやく分析し、さまざまな種類の廃棄物を識別できます。
3. 学習に役立つ洞察： TrashBestieは推奨を提示するだけではありません。このツールは、推奨された廃棄方法を理解できるよう、ユーザーに学習に役立つ洞察を提供します。これにより、長期的な学習と、意識的に廃棄物を処分する習慣が促されます。
4. 簡単に使えて誰でも利用可能： このアプリは使いやすく、誰でも利用できるため、Androidデバイスを使う人であれば、誰でも環境に配慮した廃棄物の分別に取り組めます。

試してみる

Webカメラによる物体検出

TrashBestieの開発#

TrashBestieの開発は、次の重要なステップで構成されています。

1. ラベリングとアノテーション： Roboflowなどのツールを使用して画像に慎重にラベルを付け、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： ラベル付きデータセットをエクスポートすると、物体検出用データセットを学習に使用できる状態になります。
3. Ultralytics YOLOv8による学習： エクスポートしたデータセットでYOLOv8モデルを学習し、物体検出の精度を向上させるためにパラメーターのファインチューニングに重点を置きます。
4. Streamlitへのデプロイ： Ultralytics YOLOv8モデルをStreamlitアプリケーションに統合し、効率的で正確な物体検出を実現します。このアプリは、物体検出とトラッキングのためにYOLOv8とStreamlitを使用し、GitHub上でホストされています。

TrashBestieの未来#

TrashBestieは、ローカライゼーションを追加し、iOSとAndroidでより利用しやすくするとともに、画像処理技術を改善することで、継続的に進化しています。チームは、アプリのパフォーマンスと精度を絶えず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、廃棄物管理に革新をもたらし、私たちの地球をよりクリーンで持続可能なものにすることを目指しています。これは未来に向けた第一歩であり、廃棄物管理に関わるキャリアの概念さえも変革する可能性があります。より環境に優しい未来に向けたこのエキサイティングな旅に、ぜひ参加してください。

TrashBestieチームへのお問い合わせ：#

Helge：LinkedIn、GitHub

Simantini：LinkedIn、GitHub、Medium

My：LinkedIn