🗑️ مشروع تصنيف النفايات باستخدام الذكاء الاصطناعي (Waste Classification)

مشروع متكامل لتصنيف النفايات إلى 8 فئات مختلفة باستخدام نموذج YOLOv8-CLS، مصمم للعمل بكفاءة عالية على أجهزة NVIDIA Jetson Nano.

🚀 الخطوات السريعة للتشغيل على Jetson Nano

1. تحضير البيئة

تأكد من أن جهازك يعمل بنظام JetPack 4.6 أو أحدث.

# تثبيت المكتبات المطلوبة
pip3 install -r requirements_jetson.txt

2. تحويل النموذج

يجب تحويل النموذج إلى صيغة TensorRT على الجهاز نفسه لضمان أقصى سرعة:

python3 scripts/export_tensorrt.py

3. التشغيل المباشر

فتح الكاميرا والبدء في التصنيف:

python3 scripts/inference_jetson.py

📊 مواصفات النموذج (Model Details)

• المعمارية: YOLOv8n-CLS (Nano Classification Model).
• عدد المعاملات (Parameters): ~1.4 مليون معامل (خفيف جداً).
• حجم الدخل: 224x224 RGB.
• التنسيقات المدعومة: PyTorch (.pt), ONNX (.onnx), TensorRT (.engine).
• المنصات المستهدفة: NVIDIA Jetson Nano, Edge Devices.

⚡ الأداء (Performance)

تم اختبار النموذج على وحدة معالجة رسوميات RTX 3050 ومقارنتها بالنتائج المتوقعة على Jetson Nano:

المقياس (Metric)	PyTorch (RTX 3050)	ONNX (RTX 3050)	TensorRT (Jetson Nano - Est.)
الدقة (Accuracy)	92.34%	92.34%	92.1% - 92.3%
زمن الاستجابة (Latency)	7.81 ms	2.66 ms	15.0 - 25.0 ms
الإطارات (FPS)	128 FPS	376 FPS	40 - 60 FPS

🧠 منهجية التدريب (Training Methodology)

1. تحضير البيانات:

   • استخدام مجموعة بيانات TrashNet مع إضافة فئات مخصصة (Organic, Aluminum) من Kaggel.
   • موازنة البيانات (Data Balancing) لضمان 550 صورة لكل فئة لتجنب الانحياز.
   • تقسيم البيانات بنسبة 70% للتدريب، 15% للتحقق، و15% للاختبار النهائي.

2. التحسينات (Augmentation):

   • استخدام تقنيات (HSV augmentation, Degrees, Translate, Scale, Flip).
   • إضافة تقنيات متقدمة مثل (Mixup, Mosaic, Copy-paste) لزيادة صلابة النموذج.

3. عملية التدريب:

   • المحسن (Optimizer): AdamW مع معدل تعلم 0.001.
   • عدد الدورات (Epochs): 100 دورة مع خاصية التوقف المبكر (Early Stopping) بعد 15 دورة بدون تحسن.
   • حجم الدفعة (Batch Size): 32.

📁 هيكلية المشروع

• scripts/: تحتوي على ملفات التدريب، الاختبار، والتحويل.
• models/: مكان حفظ ملفات الـ Engine الخاصة بـ Jetson.
• data/processed/: البيانات المنظمة والمقسمة.
• results/: تقارير الأداء ومصفوفة الارتباك.

🛠️ الفئات المدعومة (8 Classes)

PET, Aluminum, Cardboard, Paper, Glass, Metal, Organic, Non-Recyclable

فريق العمل 🫡

• wesam Badr Alluhaybi
• Ayman Mohamed Alshamrani
• Faisal Ali Ageeli

---

تم تطوير المشروع وتدريبه باستخدام وحدة معالجة الرسوميات RTX 3050.