Vision AIとUltralytics YOLOによるより環境に優しい未来

コンピュータビジョンを活用して、これまでとは違う、より良い方法でゴミの分別と管理を支援する新しいアプリ、‍TrashBestie。TrashBestieは、深層学習と高度なテクノロジーを活用して、地球をよりクリーンで持続可能なものにするための人々の行動を支援します。

TrashBestieの開発チームは、ゴミがもはや厄介なものではなく、ポジティブな変化の機会となる未来を思い描いています。ゴミの分別は、環境保護、資源の節約、汚染の削減のために重要です。このことを念頭に置き、TrashBestieは、個人が情報に基づいた廃棄物管理の意思決定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。その目標は明確です。責任ある廃棄物管理に向けた集団的な動きを促し、次世代のために、よりクリーンな地球を育むことです。

TrashBestieの開発チームのご紹介

TrashBestieの革新的な技術について掘り下げる前に、開発者をご紹介しましょう。

• Helge Rölleke：ヘルスケア販売の経験を持ち、データサイエンスに転身し、企業の業績と役員報酬に関する画期的な研究を行いました。キノコ愛好家でもあり、新しいデータサイエンスの機会を求めています。
  ‍
• 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、スキルを組み合わせて複雑な課題に取り組み、ユーザーフレンドリーなWebアプリケーションを作成しています。
  ‍
• Simantini Shinde：データ分析、機械学習などの専門知識を持つジュニアデータサイエンティスト。Simantiniは、オープンソース開発の強力な支持者であり、常に新しいテクノロジーを探求し、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Vision AIへの道のり

Helgeは、修士論文の研究中に機械学習を学び始め、経営者の報酬が企業の成功にどのように関連するかを調査しました。これには、回帰モデルと機械学習の手法を使用しました。Spiced Academyのブートキャンプで、Vision AIの世界をより深く掘り下げることができました。ここでは、深層学習を試し、Ultralytics YOLOモデルの有用性を判断しました。

Myは、友人がデータサイエンスプロジェクトを共有してくれたことがきっかけで、機械学習に興味を持つようになりました。データが洞察を明らかにし、プロセスを最適化する方法に魅了されたのです。それが、彼女がSimantiniとHelgeに出会ったブートキャンプに参加した理由です。

Simantiniは、修士論文の研究中に機械学習を探求し始めました。地震による建物の損傷を評価するという自身の分野で、その可能性を発見しました。卒業後、Simantiはデータに関わるさまざまな仕事に就きました。これらの仕事が最終的にデータサイエンスのブートキャンプにつながり、MLとVision AIへの関心を高めました。

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ものです。

• 使いやすさ： 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アクセスしやすいものでした。
  ‍
• 精度： YOLOv8は、特に精度スコアにおいて、より優れた精度を提供しました。
  ‍
• 柔軟性： チームは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、人工知能を使用してプロセスを4つの簡単なステップに簡素化する、個人のゴミ分別アシスタントとして機能します。

1. カメラで検出。 処分方法がわからないゴミの画像をデバイスのカメラで撮影します。
   ‍
2. 瞬時の認識。 YOLOv8の画像認識技術のおかげで、アプリは画像を迅速に分析し、さまざまな種類のゴミを識別できます。
   ‍
3. 教育的な洞察。 TrashBestie は、推奨を提供するだけに留まりません。このツールは、提案された廃棄方法を理解するための教育的な洞察をユーザーに提供します。これにより、長期的な学習と意識的な廃棄習慣を促進します。
   ‍
4. 使いやすさとアクセスのしやすさ。 このアプリはユーザーフレンドリーで誰でもアクセスでき、Android デバイスを使用している人なら誰でも、環境に配慮した廃棄物の分別を達成できます。

試してみる

TrashBestie の構築

TrashBestie の開発過程には、一連の重要なステップが含まれています。

1. ラベリングとアノテーション。 画像には、Roboflow などのツールを使用して注意深くラベル付けとアノテーションが施され、トレーニング用の堅牢なデータセットが作成されます。
   ‍
2. データセットのエクスポート。 ラベル付けされたデータセットをエクスポートすると、物体検出データセットはトレーニングの準備が完了します。
   ‍
3. YOLOv8 を使用したトレーニング。 YOLOv8 モデルは、エクスポートされたデータセットでトレーニングされ、物体検出の精度を向上させるためにパラメーターの微調整に重点が置かれています。
   ‍
4. Streamlit によるデプロイ。 YOLOv8 モデルは Streamlit アプリケーションに統合され、効率的かつ正確な物体検出が保証されます。このアプリは、物体検出とトラッキングのために YOLOv8 と Streamlit を使用して GitHub でホストされています。
   

TrashBestie の将来

TrashBestie は、ローカリゼーションを追加し、iOS および Android でのアクセスを容易にし、画像処理技術を改良することにより、改善を続けています。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尽力しています。

画像ギャラリーと彼らの作業の詳細を紹介する YouTube ビデオを含む、Devpost で彼らのプロジェクトをチェックしてください。

TrashBestie は、廃棄物管理に革命を起こし、私たちの地球をよりクリーンで持続可能なものにするという使命を担っています。これは未来への第一歩であり、廃棄物管理のキャリアの概念に革命を起こす可能性さえあります。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彼らと参加しましょう！

TrashBestie チームに連絡を取る:

Helge: LinkedIn, GitHub

Simantini: LinkedIn, GitHub, Medium

My: LinkedIn