Futuro Mais Verde Através da Vision AI e Ultralytics YOLO

TrashBestie é um novo aplicativo que nos ajuda a classificar e gerir resíduos de uma forma diferente e melhor, utilizando visão computacional. O TrashBestie utiliza aprendizagem profunda e tecnologia avançada para ajudar as pessoas a agirem para tornar o planeta mais limpo e sustentável.

A equipe por trás do TrashBestie imagina um futuro onde os resíduos não são mais um incômodo, mas uma oportunidade para uma mudança positiva. Classificar resíduos é importante para proteger o meio ambiente, poupar recursos e reduzir a poluição. Com isso em mente, o TrashBestie tornou-se 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.

Link to this sectionConheça 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 de saúde, Helge migrou para a ciência de dados e conduziu pesquisas inovadoras sobre o desempenho de empresas e remuneração de executivos. Ele também é um entusiasta de cogumelos e está aberto a novas oportunidades em ciência de dados.
• My: Uma cientista de dados e desenvolvedora 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 open-source que explora constantemente novas tecnologias e busca um estilo de vida equilibrado e sustentável.

Link to this sectionA jornada para o Machine Learning e a Visão Computacional#

Helge começou a estudar machine learning durante sua tese de mestrado, examinando como a remuneração de um gestor se relaciona com o sucesso de uma empresa. Isso envolveu o uso de modelos de regressão e técnicas de machine learning. Helge pôde mergulhar mais fundo no mundo da visão computacional no Bootcamp da Spiced Academy. Lá, ele experimentou aprendizagem profunda e determinou a utilidade dos modelos Ultralytics YOLO.

My tinha um amigo que compartilhava seus projetos de ciência de dados, o que despertou seu interesse em machine learning. A maneira como os dados podiam revelar insights e otimizar processos a fascinou. Por isso, ela entrou no Bootcamp, onde conheceu Simantini e Helge.

Simantini começou a explorar machine learning durante sua tese de mestrado. Ela descobriu seu potencial em sua área de trabalho, que envolve avaliar danos em edifícios causados por terremotos. Após sua graduação, Simantini teve diferentes trabalhos envolvendo dados. Esses trabalhos eventualmente a levaram a um bootcamp de ciência de dados e despertaram seu interesse em ML e visão computacional.

Link to this sectionEscolhendo o Ultralytics YOLO para o TrashBestie#

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

• Fácil de usar: Como o YOLOv8 é de código aberto e fácil de usar, ele foi altamente acessível para a equipe.
• Precisão: O YOLOv8 proporcionou melhor precisão, especialmente nas pontuações de precisão.
• Flexibilidade: A equipe conseguiu integrar o YOLOv8 perfeitamente com o Roboflow, melhorando seu fluxo de trabalho.

Link to this sectionComo funciona o TrashBestie?#

O TrashBestie opera como um assistente pessoal de triagem de resíduos, 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 resíduo que você não tem certeza de como descartar.
2. Reconhecimento instantâneo. Graças à tecnologia de reconhecimento de imagem do YOLOv8, o aplicativo pode analisar rapidamente imagens e identificar diferentes tipos de resíduos.
3. Insights educacionais. O TrashBestie não para nas recomendações. Esta ferramenta fornece insights educacionais para que os usuários entendam os métodos de descarte de resíduos sugeridos. Por sua vez, isso promove o aprendizado a longo prazo e hábitos conscientes de descarte de resíduos.
4. Fácil de usar e acessível. O aplicativo é amigável e acessível a todos, tornando a triagem de resíduos ecologicamente responsável alcançável para qualquer pessoa usando um dispositivo Android.

Experimente

Detecção de objetos por webcam

Link to this sectionConstruindo 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. Exportação do 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, focando no ajuste fino de seus parâmetros para melhorar a precisão da detecção de objetos.
4. Implantação com Streamlit. O modelo YOLOv8 é integrado à aplicação Streamlit, garantindo uma detecção de objetos eficiente e precisa. Este aplicativo está hospedado no GitHub usando YOLOv8 e Streamlit para detecção e rastreamento de objetos.

Link to this sectionO futuro do TrashBestie#

O TrashBestie continua a melhorar adicionando localização, tornando-o mais acessível em iOS e Android, e refinando 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 em gestão de resíduos. Junte-se a eles nesta jornada emocionante em direção a um futuro mais verde!

Link to this sectionEntre em contato com a equipe do TrashBestie:#

Helge: LinkedIn, GitHub

Simantini: LinkedIn, GitHub, Medium

My: LinkedIn