Groenere toekomst door vision AI en Ultralytics YOLO

TrashBestie is een nieuwe app die ons helpt om afval op een andere en betere manier te sorteren en beheren met behulp van computervisie. TrashBestie gebruikt deep learning en geavanceerde technologie om mensen te helpen actie te ondernemen om de planeet schoner en duurzamer te maken.

Het team achter TrashBestie ziet een toekomst voor zich waarin afval niet langer een last is, maar een kans voor positieve verandering. Het sorteren van afval is belangrijk voor het beschermen van het milieu, het besparen van grondstoffen en het verminderen van vervuiling. Met dit in gedachten is TrashBestie de digitale oplossing geworden die individuen in staat stelt om moeiteloos geïnformeerde beslissingen te nemen op het gebied van afvalbeheer. Het doel is duidelijk: een collectieve beweging in de richting van verantwoord afvalbeheer inspireren en een schonere planeet voor toekomstige generaties bevorderen.

Ontmoet het team achter TrashBestie

Voordat we in de innovatieve technologie achter TrashBestie duiken, maken we eerst kennis met de makers:

• Helge Rölleke: Helge heeft ervaring in de verkoop in de gezondheidszorg, is overgestapt op data science en heeft baanbrekend onderzoek gedaan naar bedrijfsprestaties en de beloning van leidinggevenden. Hij is ook een paddenstoelenliefhebber en staat open voor nieuwe mogelijkheden op het gebied van datawetenschap.
• Mijn: Een Data Scientist en Frontend Developer die vaardigheden combineert om complexe uitdagingen aan te pakken en gebruiksvriendelijke webapplicaties te maken.
• Simantini Shinde: Een Junior Data Scientist met expertise in data-analyse, machine learning en meer. Simantini is een groot voorstander van open-source ontwikkeling die voortdurend nieuwe technologieën verkent en een evenwichtige, duurzame levensstijl nastreeft.
  

De reis naar machinaal leren en vision AI

Helge begon machine learning te bestuderen tijdens zijn masterscriptie, waarbij hij onderzocht hoe het salaris van een manager zich verhoudt tot het succes van een bedrijf. Hiervoor gebruikte hij regressiemodellen en machine learning-technieken. Helge kon dieper in de wereld van vision AI duiken tijdens het Bootcamp van Spiced Academy. Hier experimenteerde hij met deep learning en bepaalde hij het nut van Ultralytics YOLO modellen.

My had een vriend die zijn data science projecten deelde, wat haar interesse in machine learning aanwakkerde. De manier waarop gegevens inzichten konden blootleggen en processen konden optimaliseren fascineerde haar. Daarom deed ze mee aan de Bootcamp, waar ze Simantini en Helge ontmoette.

Simantini begon machine learning te onderzoeken tijdens haar masterscriptie. Ze ontdekte het potentieel ervan in haar werkveld, dat bestaat uit het beoordelen van schade aan gebouwen veroorzaakt door aardbevingen. Na haar afstuderen had Simanti verschillende banen op het gebied van data. Deze banen leidden haar uiteindelijk naar een data science bootcamp en wekten haar interesse in ML en vision AI.

Ultralytics YOLO kiezen voor TrashBestie

TrashBestie's gebruik van Ultralytics YOLOv8 als primair hulpmiddel is strategisch.

• Gebruiksvriendelijk: Omdat YOLOv8 open-sourced en gebruiksvriendelijk is, was het zeer toegankelijk voor het team.
• Nauwkeurigheid: YOLOv8 gaf een betere nauwkeurigheid, vooral in precisiescores.
• Flexibiliteit: Het team kon YOLOv8 naadloos integreren met Roboflow en zo hun workflow verbeteren.
  

Hoe werkt TrashBestie?

TrashBestie werkt als een persoonlijke assistent voor het sorteren van afval en gebruikt kunstmatige intelligentie om het proces in vier eenvoudige stappen te vereenvoudigen:

1. Detecteer met je camera. Gebruik de camera van je apparaat om een foto te maken van het afvalstuk waarvan je niet zeker weet hoe je het weg moet gooien.
2. Directe herkenning. Dankzij de beeldherkenningstechnologie van YOLOv8 kan de app snel afbeeldingen analyseren en verschillende soorten afval identificeren.
3. Educatieve inzichten. TrashBestie stopt niet bij aanbevelingen. Deze tool biedt gebruikers educatieve inzichten om de voorgestelde afvalverwijderingsmethoden te begrijpen. Dit bevordert op zijn beurt het leren op de lange termijn en bewuste afvalverwijderingsgewoonten.
4. Gebruiksvriendelijk en toegankelijk. De app is gebruiksvriendelijk en toegankelijk voor iedereen, waardoor milieuverantwoord afval scheiden haalbaar wordt voor iedereen met een Android-toestel.

Probeer het uit

Gebouw TrashBestie

De ontwikkelingsreis van TrashBestie omvat een reeks cruciale stappen:

1. Labeling en annotatie. Afbeeldingen worden zorgvuldig gelabeld en geannoteerd met hulpmiddelen als Roboflow om een robuuste dataset voor training te creëren.
2. De dataset exporteren. Na het exporteren van de gelabelde dataset is de objectdetectie dataset klaar voor training.
3. Trainen met YOLOv8. Het YOLOv8 model wordt getraind op de geëxporteerde dataset, waarbij de nadruk ligt op het fijn afstellen van de parameters voor een verbeterde nauwkeurigheid van de objectdetectie.
4. Inzet Streamlit. Het YOLOv8 model is geïntegreerd in de Streamlit applicatie en zorgt voor efficiënte en nauwkeurige objectdetectie. Deze app wordt gehost op GitHub en gebruikt YOLOv8 en Streamlit voor objectdetectie en volgen.
   

De toekomst van TrashBestie

TrashBestie blijft zich verbeteren door lokalisatie toe te voegen, de app toegankelijker te maken op iOS en Android en de beeldverwerkingstechnieken te verfijnen. Het team is vastbesloten om de prestaties en precisie van de app voortdurend te verbeteren.

Bekijk hun project op Devpost, met een afbeeldingengalerij en een YouTube-video die de details van hun werk laat zien.

TrashBestie is op een missie om een revolutie teweeg te brengen in afvalbeheer en onze planeet schoner en duurzamer te maken. Dit is een eerste stap in de toekomst, die zelfs een revolutie teweeg zou kunnen brengen in het concept van een carrière in afvalbeheer. Ga met ze mee op deze spannende reis naar een groenere toekomst!

‍

Neem contact op met het TrashBestie team:

Helge: LinkedIn, GitHub

Simantini: LinkedIn, GitHub, Medium

Mijn: LinkedIn