Merhaba Topluluk,
Bu hafta, 2023 tinyML Challenge‘ın büyük finalini işaret ediyor. Ağustos ayında başlayan bu yolculuk, 20’den fazla ülkeden 91 bireyin katılımına tanıklık etti. 14 takım toplamda 44 yenilikçi çözüm sundu ve bu zorluk, maliyet etkin, düşük güç tüketen ve güvenilir tinyML çözümleri geliştirme konusundaki küresel heyecanı sergiledi.
Bu yıl, Seeed Studio, katılımcıların geliştirme çabalarına yardımcı olmak için donanım desteği sağlama fırsatına sahip, bunlar arasında: SenseCAP K1100 x 1 adet; XIAO + Grove Base for XIAO x 1 adet + Grove Sensörleri x 5 adet; Micro:Bit V2.2 x 1 adet + BitMaker_V2 – JST x 1 adet + Grove Sensörleri x 5 adet. Toplamda, 15 donanım kiti farklı başvuranlara dağıtıldı, projeler üç problem ifadesine odaklandı: ①Yeni Nesil tinyML Akıllı Hava İstasyonu, ②Bitki hastalığı tespiti, ③Yaban hayatı izleme.
Jüri değerlendirmeleri ve tartışmaları ile 27 Kasım’da, çevrimiçi final iki problem ifadesi için kazananları açıkladı: Bitki Hastalığı Tespiti ve Yaban Hayatı İzleme. Olağanüstü projeleri ve yaratıcılarını tebrik edelim!
Problem İfadesi: Bitki Hastalığı Tespiti
1. Tiny Mono – Birinci yer – Mohanasundaram SV, Purushothaman R ve Ramasamy Srinivasagan
“Tarım sektörü, üretimi artırma çabalarında birçok zorlukla karşı karşıya. En büyük zorluklardan biri, mahsulleri yok eden ve üretimde azalmaya yol açan hastalıklar ve böcek zararlılarıdır. Bu çalışma, hastalık tespitinde kapsamlı bir Tiny ML uygulaması geliştirerek derin öğrenmedeki modern teknolojik ilerlemeleri benimsemektedir. Uygulama, çiftçilere veri odaklı kararlar almaları için gereken bilgi ve araçları sağlayacaktır, örneğin hastalık yönetimi gibi. Özellikle, iki teknik sınıfı sunuyoruz: birincisi, ML algoritmalarına ilişkin görüntü işleme tekniklerinin uygulanması ve ikincisi, hastalık tespitinde derin öğrenmenin uygulanmasıdır.”
“““html
2. Underdawgs – İkinci yer – Sudharshan N, Saran Sundar S, Rohith S ve Raagav S R
“Erken hastalık tespiti için TinyML gibi yenilikçi çözümler, bu zorlukların üstesinden gelme ve sürdürülebilir tarımı teşvik etme konusunda umut vaat ediyor. Bitki hastalığı tespitini ilerletme çabamız, son teknoloji bir Kuantize CNN geliştirmemize yol açtı. Yöntem, verimli ve maliyet etkin bir bitki hastalığı tespit sistemi için hedeflerin tanımlanmasını, donanım (XIAO ESP32S3 Sense) seçimini ve çeşitli bir veri setinin edinimini kapsamaktadır. Özel bir TinyML modeli, donanım kısıtlamaları ve doğruluk için Edge Impulse üzerinde eğitilmiş ve optimize edilmiştir. Model, kuantize edilerek OV2640 kamera ve Lityum-İyon batarya gibi bileşenleri içeren donanım prototipine entegre edilmiştir.”
“““html
Problem Tanımı: Yaban Hayatı İzleme
1. AI4D Lab – Birincilik – Fatma Issa, Jabhera Matogoro, Zephania Reuben, Ramadhani Massawe, Rogers Kalunde, Paul Mkai, Madaraka Marco Masasi, Ipyana Issah Mwaisekwa
“Yaban hayatı koruma her zaman birçok zorlukla karşılaşmıştır ve biyolojik çeşitliliğin doğru ve verimli bir şekilde izlenmesi kritik bir endişe olmaya devam etmektedir. Geleneksel yöntemler, genellikle yüksek maliyetler ve enerji tüketimi ile işaretlenmiş, yavaş yavaş TinyML yetenekleri ile desteklenmekte ve bazı durumlarda yerini almaktadır. Yaban hayatı izleme ihtiyaçlarına özel olarak uyarlanmış TinyML modellerinden yararlanarak, bu modellerin hafif, verimli ve minimal güç ve işlem kapasitesine sahip cihazlarda çalışabilir olmasını sağlamak. Bu, uzak bölgelerde gerçek zamanlı izleme yapılmasını sağlarken finansal ve çevresel maliyetleri en aza indirir. “
“““html
2. ADN Innovators – İkinci yer – Abhay Bhosle
“Son yıllarda, tinyML ve yaban hayat izleme kesişimi, koruma ve çevresel araştırmalarda yeni ufuklar açtı. Cihazımız ‘Prani’, TinyML Challenge-03 için geliştirilmiş kapsamlı bir çözüm sunuyor. Proje, ana işlem birimi olarak OV2640 kamera sensörü ile donatılmış XIAO ESP32S3 mikrodenetleyicisini kullanıyor. Grove Lazer PM2.5 Sensörü, Grove TOF Mesafe Sensörü, Grove Güneş Işığı Sensörü ve Grove Renk Sensörü gibi çeşitli sensörlerin entegrasyonu, sistemin hem yaban hayatı hem de çevresel parametreleri eşzamanlı olarak izleme yeteneğini artırıyor.”
“““html
3. Underdawgs – Üçüncü yer – Sudharshan N, Saran Sundar S, Rohith S, Ch Leela Sri ve Jayaprakash M
“Yaban hayatı izleme için verimli, düşük maliyetli ve düşük güç tüketimli çözümler geliştirme ana hedefinin üzerine inşa ederek, araştırma teknoloji ve biyolojik çeşitliliği koruma kesişiminde bir paradigma değişikliği öncüsü olmayı amaçlamaktadır. Metodoloji, verimli ve maliyet etkin bir yaban hayatı izleme sistemi için hedeflerin tanımlanmasını, XIAO ESP32S3 Sense seçimini ve çeşitli bir veri setinin edinilmesini kapsamaktadır. Özel bir TinyML modeli, donanım kısıtlamaları ve doğruluk için Edge Impulse üzerinde eğitilmekte ve optimize edilmektedir.”
“““html
2023 tinyML Challenges’ın tüm kazananlarını içtenlikle tebrik ederiz! Katkılarınız, tinyML uygulamalarının farklı alanlarda sınırlarını kesinlikle zorladı.
Sonuç olarak, 2023 tinyML Challenges sadece tinyML topluluğundaki inanılmaz yetenek ve yeniliği sergilemekle kalmadı, aynı zamanda bu alanın gerçek dünya sorunlarını çözmedeki artan önemini de vurguladı. Gelişmiş bitki hastalığı tespiti ile etkili yaban hayatı izleme gibi çeşitli projeler, tinyML çözümlerinin uyum sağlama ve çok yönlülüğünü yansıtmaktadır.