EcoSort AI — Flutter Edge AI Waste Sorter

Screenshot:

Aplikasi Flutter yang memakai YOLO (TensorFlow Lite) secara lokal di perangkat (edge computing) untuk mengenali objek lewat kamera dan mengklasifikasikannya ke dalam 3 kategori sampah Indonesia:

Kategori	Warna	Contoh
Organik	hijau	sisa makanan, buah, sayur
Anorganik	biru	plastik, kaca, kertas, logam
B3 (Bahan Berbahaya & Beracun)	merah	elektronik, baterai, bola lampu

Tidak ada data yang dikirim ke server — inferensi 100% di HP.

Arsitektur

lib/
├── main.dart                  # entry point + enumerasi kamera
├── models/
│   ├── detection.dart         # representasi 1 hasil deteksi
│   └── waste_category.dart    # enum 3 kategori + mapping label → kategori
├── services/
│   └── yolo_detector.dart     # load TFLite, letterbox, NMS, post-process
├── utils/
│   └── image_converter.dart   # YUV420/BGRA → image.Image
├── widgets/
│   ├── bounding_box_painter.dart
│   └── category_legend.dart
└── screens/
    ├── home_screen.dart       # landing page + legend
    └── camera_screen.dart     # live kamera + overlay deteksi

Cara menjalankan

1. Install dependencies

flutter pub get

2. Siapkan model YOLO

Kamu wajib menambahkan file model TFLite sendiri — file ini tidak ikut dalam repository karena ukurannya besar.

Cara paling cepat (Python 3.10+):

pip install ultralytics

from ultralytics import YOLO
YOLO("yolov8n.pt").export(format="tflite", imgsz=640)

Salin hasilnya:

runs/detect/.../weights/yolov8n_float32.tflite
        ↓
assets/models/yolov8n_float32.tflite

Detail lebih lengkap (termasuk cara training custom dataset sampah) ada di assets/models/README.md.

3. Jalankan di Android

flutter run

Minimal Android SDK 24. Hidupkan USB debugging atau jalankan di emulator dengan kamera virtual aktif.

Cara kerja singkat

1. Camera plugin men-stream frame dari kamera belakang dalam format YUV420.
2. Tiap frame dikonversi ke RGB pakai image_converter.dart.
3. Frame di-letterbox ke 640×640 (jaga aspect ratio, padding abu-abu) dan dinormalisasi 0..1.
4. TFLite Interpreter (tflite_flutter) menjalankan inferensi — output: tensor [1, 84, 8400].
5. Output di-decode (cx,cy,w,h → x1,y1,x2,y2), difilter dengan confidence threshold, lalu di-NMS untuk membuang box duplikat.
6. Setiap label COCO (mis. bottle, apple, cell phone) dipetakan ke Organik / Anorganik / B3 lewat tabel di waste_category.dart.
7. Bounding box digambar di atas CameraPreview dengan CustomPainter.

Kustomisasi

• Ganti threshold: edit confidenceThreshold & iouThreshold di YoloDetector() (default 0.35 dan 0.45).
• Tambah/ubah kelas sampah: edit map _labelToCategory di lib/models/waste_category.dart.
• Pakai model custom: ekspor .tflite kamu, taruh di assets/models/, dan ganti modelAsset / labelsAsset di constructor YoloDetector.

Catatan performa

• Resolusi kamera dipasang ResolutionPreset.medium untuk seimbang antara akurasi dan FPS.
• Frame baru di-drop selama frame sebelumnya masih diproses (lihat _isDetecting di camera_screen.dart) — mencegah backlog.
• Untuk meningkatkan FPS, kamu bisa: pakai model yolov8n (sudah default), ekspor model ke int8 quantization, atau pindahkan preprocessing ke Isolate (TODO).

Lisensi

Lisensi model dan label mengikuti lisensi Ultralytics YOLO & dataset COCO. Kode aplikasi ini bebas dipakai untuk keperluan tugas / pembelajaran.