Um futuro mais ecológico através da IA de visão e da Ultralytics YOLO

‍TrashBestie é uma nova aplicação que nos ajuda a separar e gerir os resíduos de uma forma diferente e melhor, utilizando a visão computacional. A TrashBestie usa aprendizagem profunda e tecnologia avançada para ajudar as pessoas a tomar medidas para tornar o planeta mais limpo e mais sustentável.

A equipa por detrás da TrashBestie prevê um futuro em que os resíduos deixem de ser um incómodo e passem a ser uma oportunidade de mudança positiva. A separação dos resíduos é importante para proteger o ambiente, poupar recursos e reduzir a poluição. Com isto em mente, a TrashBestie tornou-se a solução digital que permite aos indivíduos tomar decisões informadas sobre a gestão de resíduos sem esforço. O objetivo é claro: inspirar um movimento coletivo para uma gestão responsável dos resíduos e promover um planeta mais limpo para as gerações vindouras.

Conheça a equipa por detrás da TrashBestie

Antes de nos debruçarmos sobre a tecnologia inovadora que está por detrás do TrashBestie, vamos conhecer os seus criadores:

• Helge Rölleke: Com experiência em vendas na área da saúde, Helge fez a transição para a ciência dos dados e realizou pesquisas inovadoras sobre o desempenho da empresa e a remuneração dos executivos. É também um entusiasta de cogumelos e está aberto a novas oportunidades de ciência de dados.
  ‍
• O meu: Um cientista de dados e desenvolvedor de front-end que combina habilidades para enfrentar desafios complexos e criar aplicativos da web fáceis de usar.
  ‍
• Simantini Shinde: Cientista de dados júnior com experiência em análise de dados, aprendizagem automática e muito mais. Simantini é um forte defensor do desenvolvimento de código aberto que explora constantemente novas tecnologias e procura um estilo de vida equilibrado e sustentável.
  

O percurso para a aprendizagem automática e a IA de visão

Helge começou a estudar a aprendizagem automática durante a sua tese de mestrado, analisando a relação entre a remuneração de um gestor e o sucesso de uma empresa. Isto envolveu a utilização de modelos de regressão e técnicas de aprendizagem automática. Helge teve a oportunidade de mergulhar mais profundamente no mundo da IA de visão no Bootcamp da Spiced Academy. Aqui, fez experiências com aprendizagem profunda e determinou a utilidade dos modelos Ultralytics YOLO.

Tinha um amigo que partilhava os seus projectos de ciência de dados, o que despertou o seu interesse pela aprendizagem automática. A forma como os dados podiam revelar informações e otimizar processos fascinava-a. Foi por isso que se juntou ao Bootcamp, onde conheceu a Simantini e o Helge.

Simantini começou a explorar a aprendizagem automática durante a sua tese de mestrado. Descobriu o seu potencial na sua área de trabalho, que envolve a avaliação de danos em edifícios causados por terramotos. Após a licenciatura, Simanti teve vários empregos que envolviam dados. Estes empregos acabaram por levá-la a um bootcamp de ciência de dados e despertaram o seu interesse pelo ML e pela IA de visão.

Escolher o Ultralytics YOLO para o TrashBestie

A utilização do Ultralytics YOLOv8 pela TrashBestie como ferramenta principal é estratégica.

• Fácil de usar: Como o YOLOv8 é de código aberto e fácil de usar, era altamente acessível para a equipa.
  ‍
• Exatidão: O YOLOv8 proporcionou uma melhor exatidão, especialmente nas pontuações de precisão.
  ‍
• Flexibilidade: A equipa pôde integrar o YOLOv8 sem problemas com o Roboflow, melhorando o seu fluxo de trabalho.
  

Como é que o TrashBestie funciona?

O TrashBestie funciona como um assistente pessoal de seleção de resíduos, utilizando a inteligência artificial para simplificar o processo em quatro passos simples:

1. Detetar com a sua câmara. Utilize a câmara do seu dispositivo para captar uma imagem do resíduo que não sabe como eliminar.
   ‍
2. Reconhecimento instantâneo. Graças à tecnologia de reconhecimento de imagem do YOLOv8, a aplicação pode analisar rapidamente imagens e identificar diferentes tipos de resíduos.
   ‍
3. Informações educacionais. O TrashBestie não se fica pelas recomendações. Essa ferramenta fornece informações educacionais aos usuários para entender os métodos sugeridos de descarte de resíduos. Por sua vez, isso promove a aprendizagem a longo prazo e hábitos conscientes de descarte de resíduos.
   ‍
4. Fácil de utilizar e acessível. A aplicação é de fácil utilização e acessível a todos, tornando a separação de resíduos ambientalmente responsável possível para qualquer pessoa que utilize um dispositivo Android.

Experimentar

Edifício TrashBestie

O percurso de desenvolvimento do TrashBestie envolve uma série de etapas cruciais:

1. Etiquetagem e anotação. As imagens são cuidadosamente rotuladas e anotadas utilizando ferramentas como o Roboflow para criar um conjunto de dados robusto para treino.
   ‍
2. Exportar o conjunto de dados. Depois de exportar o conjunto de dados rotulado, o conjunto de dados de deteção de objectos está pronto para ser treinado.
   ‍
3. Treino com YOLOv8. O modelo YOLOv8 é treinado no conjunto de dados exportado, concentrando-se no ajuste fino dos seus parâmetros para melhorar a precisão da deteção de objectos.
   ‍
4. Implementação do Streamlit. O modelo YOLOv8 está integrado na aplicação Streamlit, garantindo uma deteção de objectos eficiente e precisa. Esta aplicação está alojada no GitHub, utilizando o YOLOv8 e o Streamlit para a deteção e o seguimento de objectos.
   

O futuro do TrashBestie

A TrashBestie continua a melhorar, adicionando localização, tornando-a mais acessível em iOS e Android e aperfeiçoando as técnicas de processamento de imagens. A equipa está empenhada em melhorar continuamente o desempenho e a precisão da aplicação.

Veja o seu projeto no Devpost, que inclui uma galeria de imagens e um vídeo do YouTube que mostra os pormenores do seu trabalho.

A TrashBestie tem como missão revolucionar a gestão de resíduos e tornar o nosso planeta mais limpo e sustentável. Este é um primeiro passo para o futuro, que poderá mesmo revolucionar a conceção das carreiras de gestão de resíduos. Junte-se a eles nesta emocionante viagem em direção a um futuro mais verde!

Entre em contacto com a equipa TrashBestie:

Helge: LinkedIn, GitHub

Simantini: LinkedIn, GitHub, Medium

O meu: LinkedIn