Vision AI ve Ultralytics YOLO ile Daha Yeşil Bir Gelecek

‍TrashBestie, bilgisayarlı görü kullanarak atıkları farklı ve daha iyi bir şekilde ayırmamıza ve yönetmemize yardımcı olan yeni bir uygulamadır. TrashBestie, insanların gezegeni daha temiz ve sürdürülebilir hale getirmek için harekete geçmelerine yardımcı olmak için derin öğrenme ve ileri teknolojiyi kullanır.

TrashBestie'nin arkasındaki ekip, atığın artık bir sıkıntı değil, olumlu değişim için bir fırsat olduğu bir gelecek hayal ediyor. Atıkların ayrıştırılması çevreyi korumak, kaynakları kurtarmak ve kirliliği azaltmak için önemlidir. Bunu akılda tutarak, TrashBestie, bireyleri bilinçli atık yönetimi kararları almaya zahmetsizce teşvik eden dijital bir çözüm haline geldi. Amaç açık: sorumlu atık yönetimine yönelik kolektif bir harekete ilham vermek ve gelecek nesiller için daha temiz bir gezegeni teşvik etmek.

TrashBestie'nin Arkasındaki Ekiple Tanışın

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

• Helge Rölleke: Sağlık hizmetleri satışı konusunda deneyimli olan Helge, veri bilimine geçiş yaptı ve şirket performansı ve yönetici tazminatları konusunda çığır açan araştırmalar yürüttü. Ayrıca bir mantar meraklısıdır ve yeni veri bilimi fırsatlarına açıktır.
  ‍
• Ben: Karmaşık zorlukları aşmak ve kullanıcı dostu web uygulamaları oluşturmak için becerileri birleştiren bir Veri Bilimci ve Ön Ucu Geliştirici.
  ‍
• Simantini Shinde: Veri analizi, makine öğrenimi ve daha fazlası konularında uzmanlığa sahip Junior Veri Bilimcisi. Simantini, açık kaynak geliştirmenin güçlü bir savunucusudur, sürekli olarak yeni teknolojileri keşfeder ve dengeli, sürdürülebilir bir yaşam tarzı sürdürür.
  

Makine Öğrenimi ve Vision AI'ya Yolculuk

Helge, yüksek lisans tezi sırasında makine öğrenimi üzerine çalışmaya başladı ve bir yöneticinin maaşının bir şirketin başarısıyla nasıl ilişkili olduğunu inceledi. Bu çalışmada regresyon modelleri ve makine öğrenimi teknikleri kullanıldı. Helge, Spiced Academy'nin Bootcamp'inde görsel yapay zeka dünyasına daha derinlemesine dalabildi. Burada derin öğrenmeyi denedi ve Ultralytics YOLO modellerinin kullanışlılığını belirledi.

Benim veri bilimi projelerini paylaşan bir arkadaşım vardı ve bu durum makine öğrenimine olan ilgisini uyandırdı. Verilerin içgörüleri ortaya çıkarma ve süreçleri optimize etme şekli onu büyüledi. Bu yüzden Simantini ve Helge ile tanıştığı Bootcamp'e katıldı.

Simantini, yüksek lisans tezi sırasında makine öğrenmesini keşfetmeye başladı. Depremlerin neden olduğu bina hasarlarını değerlendirmeyi içeren çalışma alanındaki potansiyelini keşfetti. Mezuniyetinin ardından Simanti, verilerle ilgili farklı işlerde çalıştı. Bu işler sonunda onu bir veri bilimi eğitim kampına götürdü ve ML ve vizyon yapay zekasına olan ilgisini uyandırdı.

TrashBestie için Ultralytics YOLO 'yu Seçme

TrashBestie'nin kullandığı Ultralytics YOLOv8 birincil araç olarak stratejiktir.

• Kullanıcı Dostu: YOLOv8 açık kaynaklı ve kullanımı kolay olduğu için ekip tarafından oldukça erişilebilirdi.
  ‍
• Doğruluk: YOLOv8 özellikle hassasiyet skorlarında daha iyi doğruluk sağlamıştır.
  ‍
• Esneklik: Ekip, YOLOv8 'i Roboflow ile sorunsuz bir şekilde entegre ederek iş akışlarını geliştirebildi.
  

TrashBestie Nasıl Çalışır?

TrashBestie, süreci dört basit adıma indirgeyerek yapay zeka kullanan kişisel bir atık ayırma asistanı olarak çalışır:

1. Kameranızla Tespit Edin. Nasıl imha edeceğinizden emin olmadığınız atık öğesinin bir görüntüsünü yakalamak için cihazınızın kamerasını kullanın.
   ‍
2. Anında Tanıma. YOLOv8'in görüntü tanıma teknolojisinden yararlanan uygulama, görüntüleri hızlı bir şekilde analiz ederek farklı atık türlerini tanımlayabiliyor.
   ‍
3. Eğitici İçgörüler. TrashBestie, tavsiyelerde bulunmakla kalmıyor. Bu araç, kullanıcılara önerilen atık bertaraf yöntemlerini anlamaları için eğitici bilgiler sunuyor. Bu da uzun vadeli öğrenmeyi ve bilinçli atık bertarafı alışkanlıklarını teşvik ediyor.
   ‍
4. Kullanımı Kolay ve Erişilebilir. Uygulama kullanıcı dostu ve herkes tarafından erişilebilir olup, çevreye duyarlı atık ayrıştırma işlemini Android cihaz kullanan herkes için ulaşılabilir kılmaktadır.

Deneyin

TrashBestie'yi Oluşturmak

TrashBestie'nin geliştirme yolculuğu, bir dizi önemli adımı içerir:

1. Etiketleme ve Açıklama. Eğitim için sağlam bir veri kümesi oluşturmak amacıyla Roboflow gibi araçlar kullanılarak görüntüler dikkatlice etiketlenir ve açıklama eklenir.
   ‍
2. Veri Kümesini Dışa Aktarma. Etiketlenmiş veri kümesi dışa aktarıldıktan sonra, nesne algılama veri kümesi eğitime hazır hale gelir.
   ‍
3. YOLOv8 ile eğitim. YOLOv8 modeli, dışa aktarılan veri kümesi üzerinde eğitilir ve gelişmiş nesne algılama doğruluğu için parametrelerine ince ayar yapmaya odaklanır.
   ‍
4. Streamlit Dağıtımı. YOLOv8 modeli, Streamlit uygulamasına entegre edilerek verimli ve doğru nesne algılama sağlar. Bu uygulama, nesne algılama ve izleme 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 iyileştirerek gelişmeye devam ediyor. Ekip, uygulamanın performansını ve hassasiyetini sürekli olarak geliştirmeye kararlıdır.

Çalışmalarının ayrıntılarını gösteren bir resim galerisi ve bir YouTube videosu içeren Devpost'taki projelerine göz atın.

TrashBestie, atık yönetiminde devrim yaratma ve gezegenimizi daha temiz ve daha sürdürülebilir hale getirme misyonundadır. Bu, atık yönetimi kariyerleri anlayışında bile devrim yaratabilecek geleceğe doğru atılan ilk adımdır. Daha yeşil bir geleceğe doğru bu heyecan verici yolculukta onlara katılın!

TrashBestie ekibiyle iletişime geçin:

Helge: LinkedIn, GitHub

Simantini: LinkedIn, GitHub, Medium

Ben: LinkedIn