ecosnap
1.0.0
Лучше перерабатывать свой пластик с помощью искусственного интеллекта ♻
Ecosnap рассказывает вам, как и где перерабатывать ваши предметы с простой картинки, с советами, адаптированными к вашему местоположению. Мы построили этот продукт через неделю для Ben's Bites AI Hackathon.
Попробуйте сейчас - это бесплатно, без необходимости.
Вы можете поддержать этот проект (и многие другие) через спонсоров GitHub! ❤
Сделано Алисса X & Leo. Узнайте больше о том, как мы это построили здесь.
? Защелка или загрузите изображение пластикового кода
Установите PWA на свой телефон для легкого доступа
? Поиск конкретного элемента, чтобы узнать, как его распоряжаться
♻ Узнайте, как эффективно перерабатывать, используя ИИ
? Следите за тем, сколько пластиковых предметов вы переработали
? Измените свое местоположение для конкретного совета
... и многое другое - все - все бесплатно и не нужно подписать!
Вы можете развернуть в Vercel напрямую, нажав здесь.
ВАЖНО: Обязательно обновите переменную среды для lext_public_model_url в файле .env и установите ее на абсолютный URL, где вы размещаете модель.
Модель была обучена примерам изображения 7 различных кодов смолы, данные для этого можно найти в ml/seven_plastics . Это комбинация следующего набора данных Kaggle и изображений, собранных авторами и участниками.
Окончательная модель была обучена с использованием эффективной реализации Tensorflow, веса модели были заморожены для обучения передачи, поэтому модель могла быстрее изучать коды смол! Модель была обучена на Python на машине с помощью графического процессора, для более быстрого обучения! Вы можете найти тренировочный скрипт в ml/train.py и попробовать его для себя, вы увидите, что различные мета -архитектуры и параметры были экспериментированы до прибытия в окончательную модель.
Чтобы предсказать код пластиковой смолы, модель должна была быть интегрирована с приложением Front End для результатов в реальном времени, чтобы сделать это, нам пришлось преобразовать модель таким образом, чтобы это было совместимо с Tensorflow.js. Мы использовали веб -работники, чтобы предотвратить блокировку основного потока во время запуска прогноза в клиенте.
Приложение передает тензор изображения на модель, которая затем дает вероятность каждого из пластиковых кодов смолы, то, что с наибольшей вероятностью показывается пользователю, а также на заказ совет !
Обучение конкретной модели сложно, модель всегда ошибается. Так что, если это так, мы даем пользователю возможность рассказать нам, какой был правильный код! Это выгодно несколькими способами:
В то время как мы реализовали переднюю часть для цикла обратной связи, мы в итоге не подключили его к бэкэнд, поскольку он добавил сложность и стоимость, и мы хотели, чтобы приложение было очень легким и полностью работающим с клиентом. Мы также должны были бы четко общаться с пользователем, как именно будут использоваться их изображения, и настроить либо систему выбора, либо отказания, которая казалась немного громоздкой.
Не стесняйтесь обращаться к нам по адресу [email protected], к Alyssa или Leo напрямую, если у вас есть какие -либо вопросы или отзывы! Надеюсь, вы найдете это полезным?
