Tương lai xanh hơn nhờ AI thị giác và Ultralytics YOLO

TrashBestie là ứng dụng mới giúp phân loại và quản lý rác theo cách khác biệt và hiệu quả hơn bằng thị giác máy tính. TrashBestie sử dụng deep learning và công nghệ tiên tiến để giúp mọi người hành động vì một hành tinh sạch hơn và bền vững hơn.

Đội ngũ đứng sau TrashBestie hình dung về một tương lai nơi rác thải không còn là phiền toái mà trở thành cơ hội tạo ra thay đổi tích cực. Phân loại rác thải rất quan trọng để bảo vệ môi trường, tiết kiệm tài nguyên và giảm ô nhiễm. Với mục tiêu đó, TrashBestie trở thành giải pháp số giúp mọi người dễ dàng đưa ra quyết định sáng suốt về quản lý rác thải. Mục tiêu rất rõ ràng: truyền cảm hứng cho phong trào chung hướng tới quản lý rác thải có trách nhiệm và xây dựng hành tinh sạch hơn cho các thế hệ mai sau.

Gặp gỡ nhóm phát triển TrashBestie#

Trước khi tìm hiểu công nghệ đằng sau TrashBestie, hãy cùng gặp gỡ những người tạo ra ứng dụng này:

• Helge Rölleke: Có kinh nghiệm trong lĩnh vực bán hàng chăm sóc sức khỏe, Helge chuyển sang khoa học dữ liệu và nghiên cứu hiệu quả hoạt động của công ty cũng như chế độ đãi ngộ dành cho lãnh đạo. Anh cũng đam mê nấm và sẵn sàng đón nhận những cơ hội mới trong lĩnh vực khoa học dữ liệu.
• My: Nhà khoa học dữ liệu kiêm Frontend Developer, kết hợp các kỹ năng để giải quyết những thách thức phức tạp và tạo ra ứng dụng web thân thiện với người dùng.
• Simantini Shinde: Nhà khoa học dữ liệu cấp junior có chuyên môn về phân tích dữ liệu, machine learning và nhiều lĩnh vực khác. Simantini tích cực ủng hộ phát triển mã nguồn mở, không ngừng khám phá công nghệ mới và theo đuổi lối sống cân bằng, bền vững.

Hành trình đến với Machine Learning và AI thị giác#

Helge bắt đầu nghiên cứu machine learning trong luận văn thạc sĩ, tìm hiểu mối liên hệ giữa mức lương của nhà quản lý và thành công của công ty. Nghiên cứu này sử dụng các model hồi quy và kỹ thuật machine learning. Tại chương trình đào tạo chuyên sâu của Spiced Academy, Helge có cơ hội tìm hiểu sâu hơn về AI thị giác. Tại đây, anh thử nghiệm deep learning và xác định tính hữu ích của các model Ultralytics YOLO.

My có một người bạn chia sẻ các dự án khoa học dữ liệu của anh ấy, khơi dậy sự quan tâm của cô với machine learning. Cô bị cuốn hút bởi cách dữ liệu có thể khám phá thông tin chuyên sâu và tối ưu hóa quy trình. Vì vậy, cô tham gia chương trình đào tạo chuyên sâu, nơi cô gặp Simantini và Helge.

Simantini bắt đầu khám phá machine learning trong luận văn thạc sĩ. Cô nhận ra tiềm năng của lĩnh vực này trong công việc của mình, vốn liên quan đến đánh giá thiệt hại công trình do động đất gây ra. Sau khi tốt nghiệp, Simantini đảm nhiệm nhiều công việc liên quan đến dữ liệu. Những công việc này cuối cùng đã đưa cô đến với chương trình đào tạo chuyên sâu về khoa học dữ liệu và khơi gợi sự quan tâm của cô đối với ML và AI thị giác.

Lựa chọn Ultralytics YOLO cho TrashBestie#

Việc TrashBestie sử dụng Ultralytics YOLOv8 làm công cụ chính là một lựa chọn mang tính chiến lược.

• Thân thiện với người dùng: Vì Ultralytics YOLOv8 là mã nguồn mở và dễ sử dụng nên nhóm có thể dễ dàng tiếp cận.
• Độ chính xác: Ultralytics YOLOv8 cho độ chính xác cao hơn, đặc biệt là ở các chỉ số precision.
• Tính linh hoạt: Đội ngũ có thể tích hợp Ultralytics YOLOv8 với Roboflow, qua đó cải thiện quy trình làm việc.

TrashBestie hoạt động như thế nào?#

TrashBestie hoạt động như một trợ lý phân loại rác cá nhân, sử dụng trí tuệ nhân tạo để đơn giản hóa quy trình thành bốn bước dễ thực hiện:

1. Phát hiện bằng camera. Sử dụng camera trên thiết bị để chụp ảnh món đồ cần thải bỏ mà bạn chưa biết cách xử lý.
2. Nhận diện tức thì. Ứng dụng sử dụng tính năng phát hiện đối tượng của Ultralytics YOLOv8 để nhanh chóng phân tích hình ảnh và nhận diện các loại rác thải khác nhau.
3. Thông tin giáo dục. TrashBestie không chỉ đưa ra đề xuất. Công cụ này cung cấp thông tin giáo dục để người dùng hiểu các phương pháp xử lý rác được đề xuất. Qua đó, ứng dụng thúc đẩy việc học hỏi lâu dài và thói quen xử lý rác có ý thức.
4. Dễ sử dụng và dễ tiếp cận. Ứng dụng thân thiện với người dùng và dễ tiếp cận với tất cả mọi người, giúp bất kỳ ai sử dụng thiết bị Android cũng có thể phân loại rác một cách có trách nhiệm với môi trường.

Dùng thử

Phát hiện đối tượng bằng webcam

Xây dựng TrashBestie#

Quá trình phát triển TrashBestie gồm một loạt các bước quan trọng:

1. Gán nhãn và chú thích. Hình ảnh được gán nhãn và chú thích cẩn thận bằng các công cụ như Roboflow để tạo tập dữ liệu vững chắc cho quá trình huấn luyện.
2. Xuất tập dữ liệu. Sau khi xuất tập dữ liệu đã gán nhãn, tập dữ liệu phát hiện đối tượng đã sẵn sàng để huấn luyện.
3. Huấn luyện với Ultralytics YOLOv8. Model YOLOv8 được huấn luyện trên tập dữ liệu đã xuất, tập trung vào tinh chỉnh các tham số để cải thiện độ chính xác phát hiện đối tượng.
4. Triển khai trên Streamlit. Model Ultralytics YOLOv8 được tích hợp vào ứng dụng Streamlit, đảm bảo phát hiện đối tượng hiệu quả và chính xác. Ứng dụng này được lưu trữ trên GitHub, sử dụng YOLOv8 và Streamlit để phát hiện và theo dõi đối tượng.

Tương lai của TrashBestie#

TrashBestie tiếp tục được cải thiện bằng cách bổ sung bản địa hóa, tăng khả năng tiếp cận trên iOS và Android, đồng thời hoàn thiện các kỹ thuật xử lý hình ảnh. Nhóm cam kết không ngừng nâng cao hiệu năng và độ chính xác của ứng dụng.

Xem dự án của họ trên Devpost, bao gồm thư viện hình ảnh và video YouTube giới thiệu chi tiết về công việc của họ.

TrashBestie hướng đến việc giúp quản lý rác thải dễ dàng hơn và góp phần giữ cho hành tinh sạch hơn, bền vững hơn. Đây là bước khởi đầu có thể thay đổi cách mọi người nhìn nhận về các nghề nghiệp trong lĩnh vực quản lý rác thải. Hãy theo dõi hành trình của họ hướng đến một tương lai xanh hơn!

Liên hệ với nhóm TrashBestie:#

Helge: LinkedIn, GitHub

Simantini: LinkedIn, GitHub, Medium

My: LinkedIn