Görüntüleme Yapay Zekası ve Ultralytics YOLO ile Daha Yeşil Bir Gelecek

TrashBestie, bilgisayar görülerini kullanarak atıkları farklı ve daha iyi bir şekilde sınıflandırmamıza ve yönetmemize yardımcı olan yeni bir uygulamadır. TrashBestie, insanların gezegeni daha temiz ve daha sürdürülebilir hale getirmek için harekete geçmesine yardımcı olmak amacıyla derin öğrenme ve gelişmiş teknolojiyi kullanır.

TrashBestie'nin arkasındaki ekip, atığın artık bir sorun değil, olumlu değişim için bir fırsat olduğu bir gelecek hayal ediyor. Atıkları ayrıştırmak çevreyi korumak, kaynakları tasarruf etmek ve kirliliği azaltmak için önemlidir. Bunu göz önünde bulunduran TrashBestie, bireylerin atık yönetimi kararlarını zahmetsizce vermelerini sağlayan dijital bir çözüm haline geldi. Hedef net: sorumlu atık yönetimine yönelik kolektif bir harekete ilham vermek ve gelecek nesiller için daha temiz bir gezegen yaratmak.

TrashBestie'nin Arkasındaki Ekiple Tanışın#

TrashBestie'nin arkasındaki yenilikçi teknolojiye dalmadan önce, yaratıcılarıyla tanışalım:

• Helge Rölleke: Sağlık sektörü satışlarında deneyimli olan Helge, veri bilimine geçiş yapmış ve şirket performansı ile yönetici ücretleri üzerine çığır açan araştırmalar yürütmüştür. Kendisi aynı zamanda bir mantar meraklısıdır ve yeni veri bilimi fırsatlarına açıktır.
• My: Karmaşık zorlukların üstesinden gelmek ve kullanıcı dostu web uygulamaları oluşturmak için yeteneklerini birleştiren bir Veri Bilimcisi ve Ön Yüz Geliştiricisidir.
• Simantini Shinde: Veri analizi, makine öğrenmesi ve daha birçok alanda uzmanlığa sahip bir Kıdemsiz Veri Bilimcidir. Simantini, sürekli olarak yeni teknolojileri keşfeden ve dengeli, sürdürülebilir bir yaşam tarzı benimseyen güçlü bir açık kaynak geliştirme savunucusudur.

Makine Öğrenimi ve Görüntü Yapay Zekasına Yolculuk#

Helge, bir yöneticinin maaşının şirketin başarısıyla nasıl ilişkili olduğunu incelediği yüksek lisans tezi sırasında makine öğrenimini incelemeye başladı. Bu süreç regresyon modellerini ve makine öğrenimi tekniklerini kullanmayı içeriyordu. Helge, Spiced Academy'nin Bootcamp'inde görüntü yapay zekası dünyasına daha derinlemesine dalma şansı buldu. Burada derin öğrenme ile denemeler yaptı ve Ultralytics YOLO modellerinin kullanışlılığını belirledi.

My, veri bilimi projelerini paylaşan ve makine öğrenimine olan ilgisini ateşleyen bir arkadaşına sahipti. Verilerin içgörüleri ortaya çıkarma ve süreçleri optimize etme şekli onu büyüledi. Bu yüzden Bootcamp'e katıldı ve orada Simantini ve Helge ile tanıştı.

Simantini, makine öğrenimini keşfetmeye yüksek lisans tezi sırasında başladı. Depremlerin neden olduğu bina hasarlarını değerlendirmeyi içeren çalışma alanında bunun potansiyelini keşfetti. Mezuniyetinin ardından Simantini, veri içeren farklı işlerde çalıştı. Bu işler sonunda onu bir veri bilimi bootcamp'ine yönlendirdi ve makine öğrenimi ile görüntü yapay zekasına olan ilgisini pekiştirdi.

TrashBestie İçin Ultralytics YOLO'yu Seçmek#

TrashBestie'nin birincil araç olarak Ultralytics YOLOv8 kullanması stratejiktir.

• Kullanıcı Dostu: Ultralytics YOLOv8 açık kaynaklı ve kullanımı kolay olduğundan, ekip için son derece erişilebilirdi.
• Doğruluk: Ultralytics YOLOv8, özellikle hassasiyet skorlarında daha iyi doğruluk sağladı.
• Esneklik: Ekip, Ultralytics YOLOv8 modelini Roboflow ile sorunsuz bir şekilde entegre ederek iş akışlarını geliştirebildi.

TrashBestie Nasıl Çalışır?#

TrashBestie, süreci dört basit adıma indirgemek için yapay zekayı kullanarak kişisel bir atık ayrıştırma asistanı olarak çalışır:

1. Kameranla Tespit Et. Nasıl imha edeceğinden emin olmadığın atık öğesinin görüntüsünü yakalamak için cihazının kamerasını kullan.
2. Anında Tanıma. Ultralytics YOLOv8 modelinin görüntü tanıma teknolojisine teşekkürler, uygulama görselleri hızlı bir şekilde analiz edebilir ve farklı atık türlerini tanımlayabilir.
3. Eğitici İçgörüler. TrashBestie sadece önerilerle yetinmez. Bu araç, kullanıcılara önerilen atık imha yöntemlerini anlamaları için eğitici bilgiler sunar. Bu da uzun vadeli öğrenmeyi ve bilinçli atık imha alışkanlıklarını teşvik eder.
4. Kullanımı Kolay ve Erişilebilir. Uygulama kullanıcı dostudur ve herkes için erişilebilirdir, bu da çevreye duyarlı atık ayrıştırmayı Android cihazı olan herkes için ulaşılabilir kılar.

Dene

Web Kamerası Nesne Tespiti

TrashBestie'yi Oluşturmak#

TrashBestie'nin geliştirme yolculuğu bir dizi kritik adımı içerir:

1. Etiketleme ve Açıklama. Görüntüler, eğitim için sağlam bir veri kümesi oluşturmak amacıyla Roboflow gibi araçlar kullanılarak dikkatlice etiketlenir ve açıklanır.
2. Veri Kümesini Dışa Aktarma. Etiketlenmiş veri kümesini dışa aktardıktan sonra, nesne tespiti veri kümesi eğitim için hazırdır.
3. Ultralytics YOLOv8 ile Eğitim. YOLOv8 modeli, gelişmiş nesne tespiti doğruluğu için parametrelerini ince ayar yapmaya odaklanılarak dışa aktarılan veri kümesi üzerinde eğitilir.
4. Streamlit Dağıtımı. Ultralytics YOLOv8 modeli, verimli ve doğru nesne tespiti sağlayarak Streamlit uygulamasına entegre edilmiştir. Bu uygulama, nesne tespiti ve takibi için YOLOv8 ve Streamlit kullanılarak GitHub'da barındırılmaktadır.

TrashBestie'nin Geleceği#

TrashBestie, yerelleştirme ekleyerek, iOS ve Android'de daha erişilebilir hale getirerek ve görüntü işleme tekniklerini geliştirerek iyileşmeye devam ediyor. Ekip, uygulamanın performansını ve hassasiyetini sürekli olarak artırmaya kararlıdır.

Çalışmalarının ayrıntılarını gösteren bir resim galerisi ve bir YouTube videosu içeren Devpost üzerindeki projelerine göz at.

TrashBestie, atık yönetiminde devrim yaratma ve gezegenimizi daha temiz ve sürdürülebilir kılma görevinde. Bu, geleceğe atılan ve hatta atık yönetimi kariyeri kavramında devrim yaratabilecek ilk adımdır. Daha yeşil bir geleceğe doğru bu heyecan verici yolculukta onlara katıl!

TrashBestie ekibiyle iletişime geç:#

Helge: LinkedIn, GitHub

Simantini: LinkedIn, GitHub, Medium

My: LinkedIn