ecosnap

Ecosnap

ecosnap.mp4

Mendaur ulang plastik Anda lebih baik dengan kecerdasan buatan ♻️

EcoSnap memberi tahu Anda bagaimana dan di mana mendaur ulang barang Anda dari gambar sederhana, dengan saran yang disesuaikan dengan lokasi Anda. Kami membangun produk ini dalam seminggu untuk Ben's Bites AI Hackathon.

Cobalah sekarang - gratis tanpa tanda yang diperlukan

Anda dapat mendukung proyek ini (dan banyak lainnya) melalui sponsor GitHub! ❤️

Dibuat oleh Alyssa X & Leo. Baca lebih lanjut tentang bagaimana kami membangun ini di sini.

Daftar isi

• Fitur
• Instalasi
• Model AI
  • Dataset
  • Melatih model Anda sendiri
  • Ramalan
  • Loop umpan balik
• Kredit
• Perpustakaan digunakan

Fitur

? Snap atau unggah gambar kode plastik
Instal PWA di ponsel Anda untuk akses mudah
? Cari item tertentu untuk mengetahui cara membuangnya
♻️ Pelajari cara mendaur ulang secara efektif menggunakan AI
? Pantau berapa banyak item plastik yang Anda daur ulang
? Ubah lokasi Anda untuk saran khusus
... dan banyak lagi yang akan datang - semua gratis & tidak ada masuk yang dibutuhkan!

Instalasi

Anda dapat menggunakan Vercel secara langsung dengan mengklik di sini.

PENTING: Pastikan untuk memperbarui variabel lingkungan untuk next_public_model_url di file .env, dan atur ke URL absolut di mana Anda meng -host model.json (pastikan untuk memasukkan file Shard Bin lainnya di samping JSON).

Model AI

Data

Model ini dilatih pada contoh gambar dari 7 kode resin yang berbeda, data untuk ini dapat ditemukan di ml/seven_plastics . Ini adalah kombinasi dari dataset dan gambar Kaggle berikut yang dikumpulkan oleh penulis dan kontributor.

Pelatihan

Model akhir dilatih menggunakan implementasi TensorFlow yang efisien, bobot model dibekukan untuk pembelajaran transfer, sehingga model dapat mempelajari kode resin lebih cepat! Model ini dilatih dalam Python pada mesin bertenaga GPU, untuk pelatihan yang lebih cepat! Anda dapat menemukan skrip pelatihan di ml/train.py dan mencobanya sendiri, di sana Anda akan melihat bahwa arsitektur meta dan parameter yang berbeda dieksperimen sebelum tiba di model akhir.

Ramalan

Untuk memprediksi kode resin plastik, model harus diintegrasikan dengan aplikasi ujung depan untuk hasil real-time, untuk melakukan ini kami harus mengonversi model dengan cara yang kompatibel dengan tensorflow.js. Kami menggunakan pekerja web untuk mencegah utas utama menjadi blok saat menjalankan prediksi pada klien.

Aplikasi ini meneruskan tensor gambar ke model yang kemudian memberikan probabilitas untuk masing -masing kode resin plastik, yang dengan probabilitas tertinggi ditunjukkan kepada pengguna, bersama dengan saran yang dipesan lebih dahulu !

Masukan

Melatih model spesifik itu sulit, model selalu salah. Jadi jika itu terjadi, kami memberi pengguna kesempatan untuk memberi tahu kami apa kode yang tepat! Ini mendapat manfaat dalam beberapa hal:

1. Pengguna mendapatkan informasi yang mereka butuhkan tentang cara mendaur ulang item mereka
2. Kita dapat melihat bagaimana kinerja model dalam produksi
3. Kami mendapatkan data baru (jika pengguna mengizinkan kami) untuk melatih model dan memperbaikinya untuk semua orang

Sementara kami menerapkan ujung depan untuk loop umpan balik, kami akhirnya tidak menghubungkannya ke backend karena menambahkan kompleksitas dan biaya, dan kami ingin aplikasi menjadi sangat ringan dan berjalan sepenuhnya pada klien. Kami juga harus berkomunikasi dengan jelas kepada pengguna bagaimana tepatnya gambar mereka akan digunakan, dan mengatur sistem opt-in atau opt-out, yang terasa agak rumit.

Kredit

• Kaggle Dataset - Untuk kode plastik
• Collletttivo - untuk font mattone
• Keras kepala - untuk beberapa ilustrasinya
• Unsplash - untuk gambar

Perpustakaan digunakan

• TensorFlow - Untuk melatih model dan melakukan prediksi
• React Camera Pro - untuk kamera

Jangan ragu untuk menghubungi kami di [email protected], ke Alyssa atau Leo secara langsung jika Anda memiliki pertanyaan atau umpan balik! Semoga Anda menemukan ini bermanfaat?