Um Futuro Mais Verde Através da Visão de IA e Ultralytics YOLO

‍TrashBestie é um novo aplicativo que nos ajuda a separar e gerenciar o lixo de uma forma diferente e melhor, usando visão computacional. O TrashBestie usa aprendizado profundo e tecnologia avançada para ajudar as pessoas a tomar medidas para tornar o planeta mais limpo e sustentável.

A equipe por trás do TrashBestie vislumbra um futuro onde o lixo não é mais um incômodo, mas uma oportunidade de mudança positiva. A separação do lixo é importante para proteger o meio ambiente, economizar recursos e reduzir a poluição. Com isso em mente, o TrashBestie se tornou a solução digital que capacita os indivíduos a tomar decisões informadas de gestão de resíduos sem esforço. O objetivo é claro: inspirar um movimento coletivo em direção à gestão responsável de resíduos e promover um planeta mais limpo para as gerações futuras.

Conheça a Equipe Por Trás do TrashBestie

Antes de mergulharmos na tecnologia inovadora por trás do TrashBestie, vamos conhecer seus criadores:

• Helge Rölleke: Com experiência em vendas na área da saúde, Helge fez a transição para a ciência de dados e conduziu pesquisas inovadoras sobre o desempenho da empresa e a remuneração de executivos. Ele também é um entusiasta de cogumelos e está aberto a novas oportunidades na área de ciência de dados.
  ‍
• My: Cientista de Dados e Desenvolvedor Frontend que combina habilidades para enfrentar desafios complexos e criar aplicações web fáceis de usar.
  ‍
• Simantini Shinde: Uma Cientista de Dados Júnior com experiência em análise de dados, machine learning e muito mais. Simantini é uma forte defensora do desenvolvimento de código aberto, que explora constantemente novas tecnologias e busca um estilo de vida equilibrado e sustentável.
  

A Jornada para o Machine Learning e a Visão de IA

Helge começou a estudar machine learning durante sua dissertação de mestrado, examinando como o salário de um gerente se relaciona com o sucesso de uma empresa. Isso envolveu o uso de modelos de regressão e técnicas de machine learning. Helge conseguiu mergulhar mais fundo no mundo da visão de IA no Bootcamp da Spiced Academy. Aqui, ele experimentou deep learning e determinou a utilidade dos modelos YOLO da Ultralytics.

My tinha um amigo que compartilhava seus projetos de ciência de dados, o que despertou seu interesse em machine learning. A forma como os dados podiam revelar insights e otimizar processos a fascinava. Foi por isso que ela se juntou ao Bootcamp, onde conheceu Simantini e Helge.

Simantini começou a explorar o machine learning durante sua dissertação de mestrado. Ela descobriu seu potencial em seu campo de trabalho, que envolve a avaliação de danos em edifícios causados por terremotos. Após sua graduação, Simanti teve diferentes empregos envolvendo dados. Esses empregos acabaram levando-a a um bootcamp de ciência de dados e despertaram seu interesse em ML e visão de IA.

Escolhendo o YOLO da Ultralytics para o TrashBestie

O uso do Ultralytics YOLOv8 como ferramenta principal pelo TrashBestie é estratégico.

• Fácil de usar: Como o YOLOv8 é de código aberto e fácil de usar, ele era altamente acessível à equipe.
  ‍
• Precisão: O YOLOv8 forneceu melhor precisão, especialmente nas pontuações de precisão.
  ‍
• Flexibilidade: A equipe pôde integrar o YOLOv8 perfeitamente com o Roboflow, aprimorando seu fluxo de trabalho.
  

Como o TrashBestie Funciona?

O TrashBestie opera como um assistente pessoal de separação de lixo, usando inteligência artificial para simplificar o processo em quatro etapas diretas:

1. Detecte com sua câmera. Use a câmera do seu dispositivo para capturar uma imagem do item de lixo sobre o qual você não tem certeza de como descartar.
   ‍
2. Reconhecimento instantâneo. Dando crédito à tecnologia de reconhecimento de imagem do YOLOv8, o aplicativo pode analisar rapidamente imagens e identificar diferentes tipos de lixo.
   ‍
3. Insights educacionais. O TrashBestie não para nas recomendações. Esta ferramenta fornece insights educacionais aos usuários para entender os métodos de descarte de lixo sugeridos. Por sua vez, isso promove o aprendizado de longo prazo e hábitos conscientes de descarte de lixo.
   ‍
4. Fácil de usar e acessível. O aplicativo é fácil de usar e acessível a todos, tornando a separação de lixo ambientalmente responsável alcançável para qualquer pessoa que use um dispositivo Android.

Experimente

Construindo o TrashBestie

A jornada de desenvolvimento do TrashBestie envolve uma série de etapas cruciais:

1. Rotulagem e Anotação. As imagens são cuidadosamente rotuladas e anotadas usando ferramentas como o Roboflow para criar um conjunto de dados robusto para treinamento.
   ‍
2. Exportando o Conjunto de Dados. Após exportar o conjunto de dados rotulado, o conjunto de dados de detecção de objetos está pronto para o treinamento.
   ‍
3. Treinamento com YOLOv8. O modelo YOLOv8 é treinado no conjunto de dados exportado, concentrando-se no ajuste fino de seus parâmetros para melhorar a precisão da detecção de objetos.
   ‍
4. Implantação Streamlit. O modelo YOLOv8 é integrado ao aplicativo Streamlit, garantindo a detecção de objetos eficiente e precisa. Este aplicativo é hospedado no GitHub usando YOLOv8 e Streamlit para detecção e rastreamento de objetos.
   

O Futuro do TrashBestie

O TrashBestie continua a melhorar com a adição de localização, tornando-o mais acessível no iOS e Android, e refinando as técnicas de processamento de imagem. A equipe está comprometida em melhorar continuamente o desempenho e a precisão do aplicativo.

Confira o projeto deles no Devpost, que inclui uma galeria de imagens e um vídeo no YouTube mostrando os detalhes do trabalho deles.

O TrashBestie tem a missão de revolucionar a gestão de resíduos e tornar nosso planeta mais limpo e sustentável. Este é um primeiro passo para o futuro, que pode até revolucionar a concepção de carreiras na gestão de resíduos. Junte-se a eles nesta emocionante jornada rumo a um futuro mais verde!

Entre em contato com a equipe do TrashBestie:

Helge: LinkedIn, GitHub

Simantini: LinkedIn, GitHub, Medium

My: LinkedIn