Ultralytics YOLO

通过视觉人工智能和 Ultralytics YOLO 迈向更绿色的未来

发现 TrashBestie，这是一款创新的应用程序，利用 Ultralytics YOLOv8 实现更智能的人工智能垃圾分类。加入数字解决方案的环保运动。

ULUltralytics 团队

3 min readOctober 10, 2023

TrashBestie 是一款新应用，它利用计算机视觉技术帮助我们以一种全新且更好的方式进行垃圾分类和管理。TrashBestie 使用深度学习和先进技术，帮助人们采取行动，让地球变得更加清洁和可持续。

TrashBestie 背后的团队展望着这样一个未来：垃圾不再是令人头疼的问题，而是带来积极变革的契机。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 成为了一款数字解决方案，让个人能够轻松做出明智的垃圾管理决策。目标很明确：激发集体行动，共同实现负责任的垃圾管理，并为子孙后代营造一个更清洁的地球。

Link to this section认识 TrashBestie 背后的团队#

在深入了解 TrashBestie 背后的创新技术之前，先来认识一下它的创作者们：

Helge Rölleke: Helge 在医疗保健销售领域经验丰富，后来转行进入数据科学领域，并对公司绩效和高管薪酬进行了开创性的研究。他还是位蘑菇爱好者，对新的数据科学机会持开放态度。
My: 一位数据科学家兼前端开发工程师，她结合了两种技能来应对复杂的挑战并创建用户友好的 Web 应用程序。
Simantini Shinde: 一位初级数据科学家，在数据分析、机器学习等方面拥有专业知识。Simantini 是开源开发的坚定支持者，不断探索新技术并追求平衡、可持续的生活方式。

Link to this section迈向机器学习与视觉 AI 之旅#

Helge 在硕士论文期间开始研究机器学习，探讨管理者薪酬与公司成功之间的关系。这涉及使用回归模型和机器学习技术。在 Spiced Academy 的训练营中，Helge 得以深入探索视觉 AI 的世界。在那里，他尝试了深度学习，并确定了 Ultralytics YOLO 模型的作用。

My 的一位朋友分享了他的数据科学项目，这激发了她对机器学习的兴趣。数据如何揭示见解并优化流程令她着迷。这就是她参加训练营的原因，在那里她遇到了 Simantini 和 Helge。

Simantini 在硕士论文期间开始探索机器学习。她发现在她的工作领域（评估地震造成的建筑损毁）中，机器学习具有巨大潜力。毕业后，Simantini 从事了多份与数据相关的工作。这些经历最终引领她参加了数据科学训练营，并激发了她对 ML 和视觉 AI 的浓厚兴趣。

Link to this section为 TrashBestie 选择 Ultralytics YOLO#

TrashBestie 将 Ultralytics YOLOv8 作为主要工具是一个战略性的决定。

用户友好： 由于 YOLOv8 是开源的且易于使用，团队可以非常便捷地访问并使用它。
准确性： YOLOv8 提供了更高的准确性，特别是在精确度得分方面。
灵活性： 团队可以将 YOLOv8 与 Roboflow 无缝集成，从而增强了他们的工作流程。

Link to this sectionTrashBestie 是如何工作的？#

TrashBestie 充当个人垃圾分类助手，利用人工智能将垃圾分类过程简化为四个简单的步骤：

使用相机检测。 使用设备的摄像头拍摄你不确定如何处置的垃圾物品的照片。
即时识别。 得益于 YOLOv8 的图像识别技术，该应用程序可以快速分析图像并识别不同类型的垃圾。
教育见解。 TrashBestie 不止于推荐。该工具还为用户提供教育性见解，以便用户了解建议的垃圾处理方法。反过来，这也有助于促进长期的学习和有意识的垃圾处理习惯。
易于使用且触手可及。 该应用程序用户友好且人人可用，使任何使用 Android 设备的人都能实现环保的垃圾分类。

亲自尝试一下

TrashBestie 使用 YOLOv8 检测垃圾

网络摄像头目标检测

Link to this section构建 TrashBestie#

TrashBestie 的开发历程包含一系列关键步骤：

标注与注释。 使用像 Roboflow 这样的工具仔细标记和注释图像，从而创建一个用于训练的健壮数据集。
导出数据集。 导出标注好的数据集后，目标检测数据集就准备好进行训练了。
使用 YOLOv8 进行训练。 在导出的数据集上训练 YOLOv8 模型，重点微调其参数以提高目标检测的准确性。
Streamlit 部署。 将 YOLOv8 模型集成到 Streamlit 应用程序中，确保高效准确的目标检测。该应用托管在 GitHub 上，使用 YOLOv8 和 Streamlit 进行目标检测和追踪。