Vision AIとUltralytics YOLOを通じたより緑豊かな未来

TrashBestie は、コンピュータビジョンを活用してこれまでにない優れた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端技術を駆使し、人々が地球をよりクリーンで持続可能なものにするための行動を起こせるようサポートします。

TrashBestieの開発チームは、廃棄物がもはや厄介なものではなく、前向きな変化をもたらす機会となる未来を描いています。廃棄物の分別は、環境保護、資源の節約、汚染の低減において重要です。これを念頭に、TrashBestieは、個々のユーザーが廃棄物管理に関する情報を得て、容易に判断を下せ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ムーブメントを鼓舞し、次世代のためにクリーンな地球を育むことです。

Link to this sectionTrashBestieチームの紹介#

TrashBestieの背後にある革新的な技術について詳しく見ていく前に、まずは開発メンバーを紹介します。

• Helge Rölleke: ヘルスケアの営業経験を持つHelgeは、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。また、キノコ愛好家でもあり、新たなデータサイエンスの機会を積極的に求めています。
• My: データサイエンティスト兼フロントエンド開発者。スキルを融合させ、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構築しています。
• Simantini Shinde: データ分析や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。オープンソース開発を強力に推進しており、常に新しい技術を探求し、バランスのとれた持続可能なライフスタイルを追求しています。

Link to this section機械学習とビジョンAIへの道のり#

Helgeは修士論文の研究中に、管理職の報酬と企業の成功の関係を調査する過程で機械学習を学び始めました。これには回帰モデルや機械学習手法が用いられました。その後、Spiced AcademyのブートキャンプでビジョンAIの世界をより深く追求しました。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信しました。

Myは、自身のデータサイエンスプロジェクトを共有する友人がいたことで機械学習に関心を持ちました。データから洞察を引き出し、プロセスを最適化できるという点に魅了されました。それがきっかけで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は修士論文を通じて機械学習の探求を開始しました。地震による建物の損傷を評価する自身の仕事の分野で、機械学習の可能性を見出しました。卒業後はデータ関連の職をいくつか経験し、それらが最終的にデータサイエンスのブートキャンプへとつながり、MLとビジョンAIへの関心が深まりました。

Link to this sectionTrashBestieでUltralytics YOLOを採用した理由#

TrashBestieがメインツールとして Ultralytics YOLOv8 を採用したのは戦略的な選択でした。

• ユーザーフレンドリー: 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利用しやすいものでした。
• 精度: YOLOv8は、特に適合率（precision）スコアにおいて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することができ、ワークフローが強化されました。

Link to this sectionTrashBestieの仕組みとは？#

TrashBestieは個人向けの廃棄物分別アシスタントとして機能し、人工知能を使用して以下の4つのシンプルなステップでプロセスを簡素化します。

1. カメラで検出: デバイスのカメラを使用して、捨て方がわからない廃棄物の画像を撮影します。
2. 即時の認識: YOLOv8の画像認識技術により、アプリは画像を素早く分析し、廃棄物の種類を識別できます。
3. 教育的な洞察: TrashBestieは推奨事項を提示するだけではありません。ユーザーが推奨された廃棄方法を理解するための教育的な情報を提供します。これにより、長期的な学習と意識的な廃棄物分別の習慣が促進されます。
4. 使いやすさとアクセシビリティ: アプリはユーザーフレンドリーで誰でも利用可能であり、Androidデバイスを使っている人なら誰でも環境に配慮した廃棄物分別を行えるようになります。

試してみる

Webカメラでの物体検出

Link to this sectionTrashBestieの構築#

TrashBestieの開発の旅には、一連の重要なステップが含まれています。

1. ラベル付けとアノテーション: Roboflowのようなツールを使用して画像を慎重にラベル付けし、アノテーションを付与することで、学習のため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: ラベル付けされたデータセットをエクスポートした後、物体検出用データセットが学習準備完了となります。
3. YOLOv8での学習: YOLOv8モデルはエクスポートされたデータセットで学習され、パラメータの微調整を行って物体検出の精度を向上させることに焦点を当てます。
4. Streamlitへのデプロイ: YOLOv8モデルはStreamlitアプリケーションに統合され、効率的で正確な物体検出を実現します。このアプリはGitHub上でホストされており、YOLOv8とStreamlitを使用して物体検出と追跡を行っています。

Link to this sectionTrashBestieの未来#

TrashBestieは、ローカライズの追加、iOSおよびAndroidでのアクセシビリティの向上、画像処理技術の洗練を通じて進化を続けています。チームはアプリのパフォーマンスと精度の向上に継続的に取り組んでいます。

彼らのプロジェクトの詳細は Devpost をご覧ください。画像ギャラリーや活動内容を紹介するYouTube動画も含まれています。

TrashBestieは、廃棄物管理に革命をもたらし、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掲げています。これは未来への第一歩であり、廃棄物管理キャリアの概念さえも一変させる可能性があります。よりグリーンな未来を目指すこのエキサイティングな旅に、ぜひ参加してください！

Link to this sectionTrashBestieチームへの連絡はこちら:#

Helge: LinkedIn, GitHub

Simantini: LinkedIn, GitHub, Medium

My: LinkedIn