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 hâle getirmek için harekete geçmesine yardımcı olmak üzere derin öğrenmeden ve gelişmiş teknolojiden yararlanır.

TrashBestie'nin arkasındaki ekip, atıkların artık bir sorun değil, olumlu değişim için bir fırsat olduğu bir gelecek tasavvur ediyor. Atıkları ayırmak; çevreyi korumak, kaynakları korumak ve kirliliği azaltmak için önemlidir. Bu doğrultuda TrashBestie, bireylerin bilinçli atık yönetimi kararlarını zahmetsizce almasını sağlayan dijital bir çözüm hâline geldi. Amaç açık: sorumlu atık yönetimine yönelik kolektif bir harekete ilham vermek ve gelecek nesiller için daha temiz bir gezegen oluşturmak.

TrashBestie'nin Arkasındaki Ekiple Tanışın#

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

• Helge Rölleke: Sağlık hizmetleri satışında deneyim sahibi olan Helge, veri bilimine geçiş yaptı ve şirket performansı ile yönetici ücretleri üzerine öncü araştırmalar yürüttü. Aynı zamanda mantar meraklısı ve yeni veri bilimi fırsatlarına açık.
• My: Becerilerini bir araya getirerek karmaşık sorunlarla mücadele eden ve kullanıcı dostu web uygulamaları oluşturan bir Veri Bilimcisi ve Ön Uç Geliştiricisi.
• Simantini Shinde: Veri analizi, makine öğrenmesi ve daha birçok alanda uzmanlığa sahip Genç Veri Bilimcisi. Simantini, açık kaynak geliştirmeyi güçlü biçimde destekliyor; yeni teknolojileri sürekli keşfediyor ve dengeli, sürdürülebilir bir yaşam tarzı benimsemeye çalışıyor.

Makine Öğrenmesi ve Görüntü Yapay Zekâsına Giden Yol#

Helge, yüksek lisans tezi sırasında makine öğrenmesi çalışmaya başladı ve bir yöneticinin ücretinin şirketin başarısıyla nasıl ilişkili olduğunu inceledi. Bu çalışma, regresyon modellerinin ve makine öğrenmesi tekniklerinin kullanılmasını içeriyordu. Helge, Spiced Academy'nin Bootcamp programında görüntü yapay zekâsı dünyasına daha derinlemesine dalma fırsatı buldu. Burada derin öğrenmeyi denedi ve Ultralytics YOLO modellerinin faydasını belirledi.

My'nin veri bilimi projelerini paylaşan bir arkadaşı vardı; bu da onun makine öğrenmesine ilgi duymasını sağladı. Verilerin içgörüleri ortaya çıkarma ve süreçleri optimize etme biçimi onu büyüledi. Bu nedenle Simantini ve Helge ile tanıştığı Bootcamp programına katıldı.

Simantini, yüksek lisans tezi sırasında makine öğrenmesini keşfetmeye başladı. Depremlerin neden olduğu bina hasarlarını değerlendirmeyi içeren çalışma alanındaki potansiyelini fark etti. Mezuniyetinin ardından Simantini, veriyle ilgili farklı işlerde çalıştı. Bu işler onu sonunda bir veri bilimi bootcamp'ine yönlendirdi ve veri bilimi ile görüntü yapay zekâsına olan ilgisini artırdı.

TrashBestie için Ultralytics YOLO'nun Seçilmesi#

TrashBestie'nin birincil araç olarak Ultralytics YOLOv8 kullanması stratejik bir tercihtir.

• Kullanıcı Dostu: Ultralytics YOLOv8 açık kaynaklı ve kullanımı kolay olduğu için ekip tarafından son derece erişilebilir bulundu.
• Doğruluk: Ultralytics YOLOv8, özellikle kesinlik skorlarında daha iyi doğruluk sağladı.
• Esneklik: Ekip, iş akışını geliştirerek Ultralytics YOLOv8'i Roboflow ile sorunsuz biçimde entegre edebildi.

TrashBestie Nasıl Çalışır?#

TrashBestie, yapay zekâ kullanarak süreci dört basit adıma indirgeyen kişisel bir atık ayırma asistanı olarak çalışır:

1. Kameranla Tespit Et. Nasıl bertaraf edeceğinden emin olmadığın atık öğesinin görüntüsünü yakalamak için cihazının kamerasını kullan.
2. Anında Tanıma. Ultralytics YOLOv8'in görüntü tanıma teknolojisi sayesinde uygulama, görüntüleri hızla analiz edebilir ve farklı atık türlerini belirleyebilir.
3. Eğitici İçgörüler. TrashBestie önerilerle yetinmez. Bu araç, kullanıcılara önerilen atık bertaraf yöntemlerini anlamaları için eğitici bilgiler sunar. Böylece uzun vadeli öğrenmeyi ve bilinçli atık bertarafı alışkanlıklarını teşvik eder.
4. Kullanımı Kolay ve Erişilebilir. Uygulama kullanıcı dostu ve herkes için erişilebilirdir; bu sayede Android cihaz kullanan herkes çevreye duyarlı atık ayrıştırmayı gerçekleştirebilir.

Deneyin

Web Kamerasıyla Nesne Tespiti

TrashBestie'nin Geliştirilmesi#

TrashBestie'nin geliştirme süreci bir dizi önemli adımdan oluşur:

1. Etiketleme ve Açıklama Ekleme. Eğitim için sağlam bir veri kümesi oluşturmak amacıyla görüntüler, Roboflow gibi araçlar kullanılarak dikkatle etiketlenir ve açıklanır.
2. Veri Kümesini Dışa Aktarma. Etiketli veri kümesi dışa aktarıldıktan sonra nesne tespiti veri kümesi eğitime hazır hâle gelir.
3. Ultralytics YOLOv8 ile Eğitim. YOLOv8 modeli, nesne tespiti doğruluğunu artırmak amacıyla parametrelerinde ince ayar yapmaya odaklanılarak dışa aktarılan veri kümesi üzerinde eğitilir.
4. Streamlit ile Dağıtım. Ultralytics YOLOv8 modeli, verimli ve doğru nesne tespiti sağlamak üzere Streamlit uygulamasına entegre edilir. Bu uygulama, nesne tespiti ve takibi için YOLOv8 ve Streamlit kullanılarak GitHub üzerinde barındırılır.

TrashBestie'nin Geleceği#

TrashBestie, yerelleştirme ekleyerek, iOS ve Android'de daha erişilebilir hâle gelerek ve görüntü işleme tekniklerini geliştirerek iyileşmeye devam ediyor. Ekip, uygulamanın performansını ve kesinliğini sürekli olarak geliştirmeye kararlı.

Çalışmalarının ayrıntılarını sergileyen bir görüntü galerisi ve YouTube videosunu da içeren projelerine Devpost üzerinden göz at.

TrashBestie, atık yönetiminde devrim yaratmak ve gezegenimizi daha temiz ve sürdürülebilir hâle getirmek için çalışıyor. Bu, atık yönetimi kariyerleri anlayışında bile devrim yaratabilecek geleceğe doğru atılmış 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