Ultralytics YOLO27: 加入候补名单。
获取 YOLO 许可
Ultralytics YOLO

借助视觉 AI 和 Ultralytics YOLO,共创更绿色的未来

TrashBestie 使用 Ultralytics YOLOv8 目标检测功能,通过手机摄像头识别废弃物,并向用户展示如何分类和妥善处理。

Nuvola LadiNuvola Ladi3 分钟阅读
使用 YOLOv8 进行 AI 垃圾分类的 TrashBestie 应用

TrashBestie 是一款全新应用,利用计算机视觉以不同且更好的方式帮助我们分类和管理垃圾。TrashBestie 使用深度学习和先进技术,帮助人们采取行动,让地球变得更清洁、更可持续。

TrashBestie 团队展望的未来,是不再把废弃物视为麻烦,而是将其视为带来积极改变的契机。垃圾分类对于保护环境、节约资源和减少污染至关重要。基于这一理念,TrashBestie 成为一款数字化解决方案,让每个人都能轻松做出明智的废弃物管理决策。目标很明确:推动大家共同迈向负责任的废弃物管理,并为子孙后代营造一个更洁净的地球。

认识 TrashBestie 背后的团队#

在了解 TrashBestie 背后的技术之前,我们先来认识一下它的创作者:

  • Helge Rölleke:Helge 拥有丰富的医疗保健销售经验,之后转向数据科学,并研究了公司业绩和高管薪酬。他还热爱蘑菇,并乐于探索新的数据科学机会。
  • My:一位数据科学家兼前端开发者,结合多方面技能应对复杂挑战并打造易用的 Web 应用。
  • Simantini Shinde:初级数据科学家,擅长数据分析、机器学习等领域。Simantini 积极倡导开源开发,不断探索新技术,并追求平衡、可持续的生活方式。

踏上机器学习和视觉 AI 之旅#

Helge 在硕士论文研究期间开始学习机器学习,研究经理的薪酬与公司业绩之间的关系。这项研究涉及回归模型和机器学习技术。随后,Helge 在 Spiced Academy 的训练营中深入了解视觉 AI。在那里,他尝试了深度学习,并认识到 Ultralytics YOLO 模型的实用价值。

My 有一位朋友会分享自己的数据科学项目,这激发了她对机器学习的兴趣。数据能够揭示见解并优化流程,这让她着迷。因此,她参加了训练营,并在那里结识了 Simantini 和 Helge。

Simantini 在硕士论文研究期间开始探索机器学习。她发现机器学习在自己的工作领域有很大潜力,她的工作涉及评估地震造成的建筑损毁。毕业后,Simantini 做过几份与数据相关的工作。这些工作最终让她参加了数据科学训练营,也激发了她对机器学习和视觉 AI 的兴趣。

为 TrashBestie 选择 Ultralytics YOLO#

TrashBestie 选择 Ultralytics YOLOv8 作为主要工具,是经过策略考量的。

  • 易于使用:由于 Ultralytics YOLOv8 是开源的,而且简单易用,团队很容易就能上手。
  • 精度:Ultralytics YOLOv8 的精度更高,尤其是在精确率指标方面。
  • 灵活性:团队可以将 Ultralytics YOLOv8 与 Roboflow 集成,从而改进工作流。

TrashBestie 如何工作?#

TrashBestie 作为个人垃圾分类助手,利用人工智能将分类流程简化为四个简单步骤:

  1. 用摄像头检测。 使用设备的摄像头拍摄你不确定该如何处理的垃圾物品。
  2. 即时识别。借助 Ultralytics YOLOv8 目标检测功能,该应用可以快速分析图像并识别不同类型的废弃物。
  3. 提供教育性见解。 TrashBestie 不仅仅提供建议。这个工具还会为用户提供相关知识,帮助用户了解建议的垃圾处理方法。这样可以促进长期学习,并养成有意识的垃圾处理习惯。
  4. 简单易用,人人可用。 这款应用易于使用且面向所有人,让任何使用 Android 设备的人都能轻松进行环保垃圾分类。

试用一下

TrashBestie 使用 Ultralytics YOLOv8 检测垃圾

网络摄像头目标检测

构建 TrashBestie#

TrashBestie 的开发过程包含一系列关键步骤:

  1. 标注与注释。 使用 Roboflow 等工具仔细标注图像并添加注释,从而创建用于训练的可靠数据集。
  2. 导出数据集。 导出已标注的数据集后,目标检测数据集就可以用于训练了。
  3. 使用 Ultralytics YOLOv8 训练。 使用导出的数据集训练 YOLOv8 模型,重点微调其参数,以提高目标检测的准确性。
  4. 部署到 Streamlit。Ultralytics YOLOv8 模型集成到了 Streamlit 应用中,确保目标检测高效、准确。该应用托管在 GitHub 上,使用 YOLOv8 和 Streamlit 进行目标检测和跟踪。

TrashBestie 的未来#

TrashBestie 正在不断改进,包括添加本地化支持、让 iOS 和 Android 用户更容易使用,以及优化图像处理技术。团队致力于持续提升应用的性能和精度。

查看他们在 Devpost 上的项目,其中包含图片集和一段展示其工作详情的 YouTube 视频。

TrashBestie 旨在简化废弃物管理,帮助保持地球清洁与可持续发展。这是迈出的第一步,也可能改变人们对废弃物管理职业的看法。关注他们迈向更绿色未来的进展!

联系 TrashBestie 团队:#

Helge:LinkedIn,GitHub

Simantini:LinkedIn,GitHub,Medium

My:LinkedIn

作者

Nuvola Ladi
Nuvola Ladi

数字内容经理 · Ultralytics

Nuvola Ladi 是 Ultralytics 的数字内容经理,负责创作涵盖视觉 AI 和 Ultralytics YOLO 的内容,并代表公司参加 PyTorch Conference 2025 等行业活动。她常驻西班牙,拥有 IE University 的视觉与数字媒体硕士学位。加入 Ultralytics 之前,她曾在 XVA Gallery & Hotel 和 Rolex 等机构任职。

评论

提出问题、分享你的结果,或帮助其他人。

探索解决方案

体育领域的计算机视觉

体育领域的计算机视觉

了解 Ultralytics YOLO 如何通过球员和球追踪、表现分析、教练洞察及运动员康复,推动体育视觉技术的发展。
了解详情
航空影像计算机视觉

航空影像计算机视觉

使用 Ultralytics YOLO 将无人机和航空影像转化为农业、水产养殖、保护工作和地理空间分析的实时洞察。
了解详情
航空航天中的计算机视觉

航空航天中的计算机视觉

使用 Ultralytics YOLO 将计算机视觉应用于航空航天领域,包括飞机检查、跑道 FOD 检测、机场地面作业和复合材料缺陷检测。
了解详情
安防领域的计算机视觉

安防领域的计算机视觉

使用 Ultralytics YOLO 模型守护每个场所。视觉 AI 可用于周界监控、威胁检测、车牌识别和工作场所安全。
了解详情
机器人领域的计算机视觉

机器人领域的计算机视觉

使用 Ultralytics YOLO 模型提升智能机器的能力。机器人领域的视觉 AI 可用于自主导航、感知、目标跟踪和实时控制。
了解详情
物流中的计算机视觉

物流中的计算机视觉

借助 Ultralytics YOLO 模型优化物流流程。视觉 AI 可用于包裹检查、分拣、车辆跟踪和仓库安全实时监控。
了解详情
零售中的计算机视觉

零售中的计算机视觉

借助 Ultralytics YOLO 模型重新构想零售。视觉 AI 可用于库存跟踪、货架监控、排队管理和更深入的客户洞察。
了解详情
医疗领域的计算机视觉

医疗领域的计算机视觉

借助 Ultralytics YOLO 模型构建医疗解决方案。医疗领域的视觉 AI 可加快医学影像处理、优化诊断并监测患者。
了解详情
制造业中的计算机视觉

制造业中的计算机视觉

利用 Ultralytics YOLO 模型优化制造流程。视觉 AI 可用于质量控制、缺陷检测、个人防护装备合规检查和装配线自动化。
了解详情
汽车领域的计算机视觉

汽车领域的计算机视觉

利用 Ultralytics YOLO 模型在汽车领域应用计算机视觉。视觉 AI 可提升道路安全、驾驶辅助和车辆自动化水平,让道路更智能。
了解详情
农业中的计算机视觉

农业中的计算机视觉

借助 Ultralytics YOLO 模型,将视觉 AI 引入智慧农业。为作物监测、牲畜追踪和精准农业提供支持,从而提高产量并实现更智能的生产。
了解详情

让我们携手构建 AI 的未来!

开启你的旅程,迎接机器学习的未来