Görsel Yapay Zekâ 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 uygulama. TrashBestie, insanların gezegeni daha temiz ve sürdürülebilir hâle getirmek için harekete geçmesine yardımcı olmak üzere derin öğrenme ve ileri teknolojilerden yararlanıyor.

TrashBestie ekibi, atıkların artık bir sorun değil, olumlu değişim için bir fırsat olduğu bir gelecek hayal ediyor. Atıkları ayrıştırmak çevreyi korumak, kaynakları tasarruflu kullanmak ve kirliliği azaltmak açısından önemlidir. Bu anlayışla TrashBestie, bireylerin bilinçli atık yönetimi kararlarını kolayca almasını sağlayan dijital bir çözüme dönüştü. Amaç açık: sorumlu atık yönetimine yönelik kolektif bir hareketi teşvik etmek ve gelecek nesiller için daha temiz bir gezegen oluşturmak.

TrashBestie Ekibiyle Tanış#

TrashBestie'nin arkasındaki teknolojiye bakmadan önce yaratıcılarıyla tanışalım:

• Helge Rölleke: Sağlık hizmetleri satışında deneyim kazanan Helge, veri bilimine yöneldi ve şirket performansı ile yönetici ücretleri üzerine araştırmalar yaptı. Ayrıca mantar meraklısı ve yeni veri bilimi fırsatlarına açık.
• My: Karmaşık sorunların üstesinden gelmek ve kullanıcı dostu web uygulamaları oluşturmak için becerilerini bir araya getiren bir Veri Bilimcisi ve Ön Uç Geliştiricisi.
• Simantini Shinde: Veri analizi, makine öğrenimi ve daha birçok konuda uzmanlığa sahip bir Veri Bilimci Yardımcısı. Açık kaynak geliştirme konusunda güçlü bir savunucu olan Simantini, yeni teknolojileri sürekli araştırıyor ve dengeli, sürdürülebilir bir yaşam tarzını benimsiyor.

Makine Öğrenimi ve Görsel Yapay Zekâya Uzanan Yolculuk#

Helge, yüksek lisans tezi sırasında makine öğrenimi üzerine çalışmaya başladı ve bir yöneticinin ücretinin şirket başarısıyla ilişkisini inceledi. Bu çalışma, regresyon modellerinin ve makine öğrenimi tekniklerinin kullanılmasını gerektiriyordu. Helge, Spiced Academy'nin eğitim kampında görsel yapay zekâ dünyasını daha derinlemesine keşfetme fırsatı buldu. Burada derin öğrenmeyi deneyerek Ultralytics YOLO modellerinin ne kadar yararlı olduğunu belirledi.

My'ın veri bilimi projelerini paylaşan bir arkadaşı vardı; bu da onun makine öğrenimine ilgi duymasını sağladı. Verilerin nasıl yeni bilgiler ortaya çıkarıp süreçleri iyileştirebildiği ilgisini çekiyordu. Bu nedenle, Simantini ve Helge ile tanıştığı eğitim kampına katıldı.

Simantini, yüksek lisans tezi sırasında makine öğrenimini keşfetmeye başladı. Depremlerin binalara verdiği hasarı değerlendirmeyi içeren çalışma alanında makine öğreniminin potansiyelini fark etti. Mezuniyetinin ardından Simantini, veri odaklı farklı işlerde çalıştı. Bu işler sonunda onu bir veri bilimi eğitim kampına yöneltti ve makine öğrenimi ile görsel yapay zekâya ilgisini artırdı.

TrashBestie'nin Ultralytics YOLO'yu Tercih Etmesi#

TrashBestie'nin ana araç olarak Ultralytics YOLOv8 kullanması stratejik bir tercih.

• Kullanıcı Dostu: Ultralytics YOLOv8 açık kaynaklı ve kullanımı kolay olduğu için ekip tarafından rahatça kullanılabildi.
• Doğruluk: Ultralytics YOLOv8, özellikle kesinlik puanlarında daha yüksek doğruluk sağladı.
• Esneklik: Ekip, iş akışını geliştirmek için Ultralytics YOLOv8'i Roboflow ile entegre edebildi.

TrashBestie Nasıl Çalışıyor?#

TrashBestie, atık ayrıştırma sürecini dört basit adıma indirmek için yapay zekâ kullanan kişisel bir atık ayrıştırma asistanı olarak çalışır:

1. Kameranla algıla. Nasıl atılması gerektiğinden emin olmadığın atık nesnesinin görüntüsünü çekmek için cihazının kamerasını kullan.
2. Anında Tanıma. Ultralytics YOLOv8 nesne algılama özelliğini kullanan uygulama, görüntüleri hızlıca analiz edip farklı atık türlerini belirleyebilir.
3. Eğitici bilgiler. TrashBestie öneriler sunmakla yetinmez. Bu araç, önerilen atık bertaraf yöntemlerini anlamaları için kullanıcılara eğitici bilgiler sağlar. Böylece uzun vadeli öğrenmeyi ve bilinçli atık bertarafı alışkanlıklarını teşvik eder.
4. Kullanımı kolay ve erişilebilir. Uygulama kullanıcı dostudur ve herkesin erişimine açıktır; Android cihaz kullanan herkesin çevreye duyarlı atık ayrıştırmasını mümkün kılar.

Hemen dene

Web Kamerasıyla Nesne Algılama

TrashBestie'yi geliştirme#

TrashBestie'nin geliştirme süreci bir dizi önemli adımdan oluşur:

1. Etiketleme ve açıklama ekleme. Eğitim için sağlam bir veri kümesi oluşturmak üzere görüntüler Roboflow gibi araçlarla 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. Ultralytics YOLOv8 ile eğitim. YOLOv8 modeli, nesne algılama doğruluğunu artırmak amacıyla parametrelerini ince ayarlamaya odaklanılarak dışa aktarılan veri kümesi üzerinde eğitilir.
4. Streamlit Dağıtımı. Ultralytics YOLOv8 modeli Streamlit uygulamasına entegre edilerek verimli ve doğru nesne algılama sağlanır. Bu uygulama, nesne algılama ve takip için YOLOv8 ve Streamlit kullanılarak GitHub üzerinde barındırılır.

TrashBestie'nin geleceği#

TrashBestie, yerelleştirme ekleyerek, iOS ve Android'de erişilebilirliğini artırarak ve görüntü işleme tekniklerini geliştirerek ilerlemeye devam ediyor. Ekip, uygulamanın performansını ve hassasiyetini sürekli iyileştirmeye kararlı.

Görsel galerisi ve çalışmalarının ayrıntılarını gösteren bir YouTube videosu da içeren projelerine Devpost'ta göz at.

TrashBestie, atık yönetimini kolaylaştırmayı ve gezegenin daha temiz ve sürdürülebilir kalmasına yardımcı olmayı amaçlıyor. Bu girişim, insanların atık yönetimi alanındaki kariyerlere bakışını da değiştirebilecek ilk adımdır. Daha yeşil bir geleceğe doğru ilerlemelerini takip et!

TrashBestie ekibiyle iletişime geç:#

Helge: LinkedIn, GitHub

Simantini: LinkedIn, GitHub, Medium

My: LinkedIn