ecosnap
1.0.0
通过人工智能更好地回收塑料♻️
EcosNap告诉您如何以及在何处从简单的图片中回收您的物品，并为您的位置定制建议。我们在一周内为Ben的Bites AI Hackathon建造了该产品。
立即尝试 - 它是免费的，无需登录
您可以通过GitHub赞助商来支持该项目（以及许多其他项目）！ ❤️
由Alyssa X和Leo制造。阅读有关我们如何在这里构建的更多信息。
？扣或上传塑料代码的图片
在手机上安装PWA，以方便访问
？搜索特定物品以知道如何处置它
♻️学习如何使用AI有效回收
？跟踪您回收了多少个塑料物品
？更改您的位置以获取具体建议
...还有更多 - 全部免费，无需登录！
您可以通过单击此处直接部署到Vercel。
重要：确保在.env文件中更新Next_public_model_url的环境变量，并将其设置为绝对URL托管型号。
该模型是在7种不同的树脂代码的图像示例中训练的，可以在ml/seven_plastics中找到该模型的数据。它是以下Kaggle数据集和作者和贡献者收集的图像的组合。
最终模型是使用TensorFlow的ExtricNet实现训练的，模型权重冻结以进行传输学习，因此该模型可以更快地学习树脂代码！该模型在Python上通过GPU驱动的机器进行了培训，以进行更快的培训！您可以在ml/train.py中找到训练脚本，然后亲自尝试，在到达最终模型之前，您会发现对不同的元体系结构和参数进行了试验。
为了预测塑料树脂代码，必须将模型与前端应用集成以进行实时结果，为此，我们必须以与TensorFlow.js兼容的方式转换模型。我们使用网络工人在运行客户端预测时阻止主线程被阻止。
该应用程序将图像张量传递到模型上，然后为每个塑料树脂代码提供了概率，具有最高概率的一个概率将显示给用户，以及定制的建议！
训练特定模型很难，该模型总是会弄错事。因此，如果这样做，我们为用户提供了一个机会，告诉我们正确的代码是什么！这在几种方面受益：
当我们实施反馈循环的前端时，我们最终没有将其连接到后端，因为它增加了复杂性和成本，我们希望该应用程序非常轻巧并完全在客户端上运行。我们还必须与用户清楚地通信如何使用其映像，并设置了选择加入或选择退出系统，这感觉有些麻烦。
如果您有任何疑问或反馈，请随时通过[email protected]与我们联系，直接与Alyssa或Leo联系！希望您发现这有用吗？
