ecosnap
1.0.0
Recyceln Sie Ihren Kunststoff besser mit künstlicher Intelligenz ♻️
Ecosnap gibt Ihnen mit, wie und wo Sie Ihre Artikel aus einem einfachen Bild recyceln können, wobei der Rat auf Ihren Standort zugeschnitten ist. Wir haben dieses Produkt in einer Woche für Bens Bites Ai Hackathon gebaut.
Versuchen Sie es jetzt - es ist kostenlos ohne Anmeldung erforderlich
Sie können dieses Projekt (und viele andere) durch Github -Sponsoren unterstützen! ❤️
Hergestellt von Alyssa X & Leo. Lesen Sie mehr darüber, wie wir das hier aufgebaut haben.
? Schnappen Sie ein Bild eines Plastikcode
Installieren Sie die PWA auf Ihrem Telefon, um einen einfachen Zugriff zu erhalten
? Suchen Sie nach einem bestimmten Element, um zu wissen, wie Sie es entsorgen können
♻️ Erfahren Sie, wie man mit KI effektiv recyceln
? Behalten Sie den Überblick darüber, wie viele Plastikartikel Sie recycelt haben
? Ändern Sie Ihren Standort für spezifische Ratschläge
... und noch viel mehr zu kommen - alles kostenlos und kein Anzeichen für benötigtes!
Sie können direkt in Vercel bereitstellen, indem Sie hier klicken.
Wichtig: Stellen Sie sicher, dass Sie die Umgebungsvariable für Next_public_Model_url in der .Env -Datei aktualisieren und auf eine absolute URL einstellen, in der Sie das model.json hosten (achten Sie auf die anderen Shard -Bin -Dateien neben dem JSON).
Das Modell wurde an Bildbeispielen der 7 verschiedenen Harzcodes trainiert. Die Daten hierfür finden Sie in ml/seven_plastics . Es handelt sich um eine Kombination aus den folgenden Kaggle -Datensatzen und Bildern, die von den Autoren und Mitwirkenden gesammelt wurden.
Das endgültige Modell wurde unter Verwendung von TensorFlows EfficientNET -Implementierung geschult. Die Modellgewichte wurden für das Lernen von Transfer eingefroren, sodass das Modell die Harzcodes schneller lernen konnte! Das Modell wurde in Python auf einer GPU-angetriebenen Maschine für schnelleres Training trainiert! Sie finden das Trainingsskript in ml/train.py und versuchen Sie es selbst. Dort werden Sie sehen, dass verschiedene Meta -Architekturen und -Parameter experimentiert wurden, bevor Sie am endgültigen Modell ankamen.
Um den Plastikharzcode vorherzusagen, musste das Modell für Echtzeit-Ergebnisse in die Front-End-App integriert werden. Dadurch mussten wir das Modell auf eine Weise konvertieren, die mit Tensorflow.js kompatibel war. Wir haben Webarbeiter verwendet, um zu verhindern, dass der Hauptfaden blockiert wird und gleichzeitig die Vorhersage im Client ausführt.
Die App gibt den Bildzensor an das Modell weiter, das dann eine Wahrscheinlichkeit für jede der Plastikharzcodes gibt. Die mit der höchsten Wahrscheinlichkeit wird dem Benutzer zusammen mit maßgeschneiderten Ratschlägen gezeigt!
Das Training eines bestimmten Modells ist schwierig, das Modell versteht immer die Dinge falsch. Wenn dies der Fall ist, geben wir dem Benutzer die Möglichkeit, uns zu sagen, was der richtige Code war! Dies profitiert auf verschiedene Weise:
Während wir das Frontend für die Rückkopplungsschleife implementierten, haben wir es nicht mit dem Backend verbunden, da sie Komplexität und Kosten ergänzt, und wir wollten, dass die App sehr leicht ist und vollständig auf dem Kunden ausgeführt wird. Wir müssten dem Benutzer auch klar mitteilen, wie genau seine Bilder verwendet werden, und entweder ein Opt-in- oder ein Opt-out-System einrichten, das sich etwas umständlich anfühlte.
Wenden Sie sich gerne unter [email protected], nach Alyssa oder Leo direkt, wenn Sie Fragen oder Feedback haben! Hoffe du findest das nützlich?
