SmartBin

概述

SmartBin 是一个由 AI 驱动的垃圾分类系统。你上传任何一件垃圾的照片，深度学习模型就会判断它属于哪个类别——可回收、可堆肥、填埋、有害垃圾——速度快到让你感觉它是个工具，而不是一个演示。后端是一个 FastAPI 服务，可以热切换十一个预训练的图像分类模型，让你可以并排比较它们的准确率、延迟和内存占用。

这些模型在一个兄弟仓库 GarbageClassfication 中分别训练，该仓库负责数据集流水线、训练脚本和评估工具。SmartBin 本身是推理 + 服务层。

支持的模型

通过一个下拉菜单即可在这些模型间切换，每个模型都按需加载：

• DenseNet (densenet201)
• EfficientNet (efficientnet_b7)
• GoogLeNet
• LeNet
• MobileNetV2 / MobileNetV3 (mobilenet_v2 / mobilenet_v3_large)
• ResNet (resnet50)
• AlexNet
• ShuffleNetV2 (shufflenet_v2_x2_0)
• VGG
• RegNet (regnet_x_32gf)

每个模型都在可用的硬件上运行——优先 CUDA，然后是 Apple Silicon 上的 MPS，最后是 CPU 作为后备方案——无需任何配置。

技术栈

• 后端 — FastAPI，提供一个 /api/predict 端点，接收图片上传和模型名称，返回带有 softmax 概率的 top-k 预测结果。
• 模型加载 — PyTorch 模块从 weights/ 目录懒加载。权重托管在 Google Drive 上（体积太大不适合 git），在部署时一次性获取。
• 前端 — Next.js + TypeScript，支持拖放上传，提供实时预测反馈和一个用于对比运行的模型选择器。
• 部署 — 容器化以便移植，托管在 AWS 上，地址是 smrtbin.com。

亮点

• 十一个模型，一个端点 — 选择器让 SmartBin 变成了一个即兴的基准测试工具。用同一个瓶子测试每个模型，看看哪些模型意见不一。
• 可热切换的权重 — 模型懒加载，所以容器启动快，并且只支付实际使用模型的内存成本。
• 硬件自适应 — 得益于 PyTorch 的 torch.device 自动检测，在 CPU、CUDA 和 MPS 上使用相同的代码路径。