Ultralytics YOLO modelleri ile çamaşırlar verimli bir şekilde nasıl ayrılır

Çamaşır yıkamak basit bir iş gibi görünebilir. Ancak bu, beklenmedik bir şey olana kadardır.

Makineye farklı renklerde birkaç tişört atıp başlat düğmesine basabilir ve her şeyin aynı göründüğü şekilde çıkacağını umabilirsiniz. Ancak işler her zaman böyle yürümez.

Belki beyaz bir tişört griye döner veya en sevdiğin kazak birkaç beden küçülür. Küçük ayırma hataları bile zamanla kıyafetlerini sessizce yıpratabilir.

Şaşırtıcı bir şekilde, birçok insan ne kadar önemli olduğunu bilmesine rağmen hâl่ะ ayıklama işlemini atlıyor. Yakın zamanda yapılan bir anket, 40 yaş altındaki yetişkinlerin yarısından azının çamaşırlarını düzenli olarak açık ve koyu renkler olarak ayırdığını ortaya koydu. Bu durum, özellikle meşgulken çamaşır konusunda kolaya kaçmanın ne kadar kolay olduğunu gösteriyor.

Şekil 1. Çamaşırları ayırmak renklerin canlı ve kumaşların iyi durumda kalmasına yardımcı olabilir.

Ayırma işlemini hiç düşünmen gerekmeseydi nasıl olurdu? Sen “başlat” düğmesine basmadan önce giysileri, renkleri ve hatta bakım etiketi sembollerini tanıyan otomatik bir sistem hayal et. O zamanlar fütüristik olan bu fikir, bilgisayarlı görü sayesinde artık mümkün hale geliyor.

Computer vision, makinelerin görsel ve videoları yüksek doğrulukla görüp yorumlamasını mümkün kılan bir yapay zeka (AI) dalıdır. Ultralytics YOLO11 ve yakında çıkacak olan Ultralytics YOLO26 gibi görüş odaklı AI modelleri sayesinde sistemler kıyafetleri, renkleri ve hatta bir ürünün makinede mi yıkanması, elde mi yıkanması gerektiğini yoksa hiç yıkanmaması mı gerektiğini belirten bakım etiketi sembollerini analiz edebilir. Bu düzeydeki anlayış, insan çabasına gerek kalmadan doğru çamaşır ayıklamasını mümkün kılar.

Bu makalede, çamaşır ayırmanın neden önemli olduğunu, bunun nasıl düzgün bir şekilde yapıldığını ve Ultralytics YOLO modellerinin bu süreci nasıl daha yenilikçi ve verimli hale getirdiğini inceleyeceğiz. Haydi başlayalım!

Doğru çamaşır ayırmanın önemi#

Çamaşır makinesini açıp beyaz bir gömleğin pembeye döndüğünü görmek sinir bozucu olabilir. Böyle anlar, çamaşır ayırmanın neden gerçekten önemli olduğunu hatırlatan iyi bir örnektir.

Doğru ayırma; kıyafetlerinin rengini, şeklini ve dokusunu korumasına yardımcı olur. Parlak veya koyu renkli ürünler açık renkli olanlarla yıkandığında, renkler birbirine geçebilir ve tüm yükü matlaştırabilir. Bunları ayrı tutmak bunu önlemeye yardımcı olur.

İpek, kaşmir ve dantel gibi narin kumaşlar da ekstra özen gerektirir. Bunlar, daha ağır ürünler için tasarlanmış sert devirlerde yıkanmamalıdır. Aynı zamanda, kıyafetleri kumaş türüne ve ağırlığına göre gruplandırmak çamaşır makinenin daha iyi bir iş çıkarmasına yardımcı olur. Daha hafif ve daha ağır ürünler suyu farklı şekilde emer ve farklı şekilde sıkılır, bu nedenle benzer parçaları birlikte yıkamak daha eşit temizlik, daha az tüylenme ve daha iyi durulama sağlar.

Seçtiğin su sıcaklığı ve deterjan da fark yaratır. Soğuk su, renkleri ve narin kumaşları korumaya yardımcı olurken, sıcak su ağır lekeler ve dezenfeksiyon için daha iyidir.

Sonuçta tüm bu küçük alışkanlıklar bir araya gelerek enerji tasarrufu yapmana, yıpranmayı azaltmana ve kıyafetlerinin daha uzun süre iyi görünmesine yardımcı olur.

Çamaşır ayırırken dikkate alınması gereken faktörler#

İşte her yıkamadan sonra kıyafetlerinin görünüşü ve hissi üzerinde büyük fark yaratabilecek birkaç basit husus:

• Renge göre ayır: Beyazları, parlak renkleri ve koyu renkli giysileri farklı yüklerde tut. Bu, boyaların birbirine geçmesini önler ve renklerin canlı, beyazların parlak kalmasına yardımcı olur.

• Kumaş türüne göre gruplandır: Kot pantolon, havlu ve kazak gibi ağır ürünleri daha hafif kumaşlardan ayrı yıka. Bunları karıştırmak; özellikle narin parçalar için esnemeye, solmaya veya fazladan aşınmaya neden olabilir.

• Tüm fermuarları kapat: Yıkamadan önce, takılmaları ve hasarı önlemek için tüm fermuarları kapat. Açık fermuarlar yıkama döngüsü sırasında narin kumaşlara takılabilir.

• Bakım etiketlerini kontrol et: Kıyafet etiketlerindeki küçük simgeler çok önemlidir ve bir an ayırıp onları okumaya değer. Bunlar sana bir ürünün elde mi yıkanması, kuru temizleme mi yapılması, havada mı kurutulması yoksa hassas programda mı yıkanması gerektiğini söyler, böylece her kumaş ihtiyacı olan bakımı alır.

• Makineyi doğru şekilde doldur: Çamaşır deterjanını dikkatlice ölç ve her ürünün eşit şekilde temizlenmesi için yükleri dengeli tut.

Görüntü yapay zekası verimli çamaşır ayırmaya nasıl yardımcı olabilir?#

Bilgisayarlı görü, çamaşır ayırmayı çok daha kolay hale getirme potansiyeline sahiptir. Farklı renkleri, giysileri ve dokuları hızlı bir şekilde tanımak için kullanılabilir ve insanların kıyafetleri elle ayırırken yaptıkları yaygın hataları önlemeye yardımcı olur.

Aslında yakın zamanda yapılan bir araştırma, bilgisayarlı görü ve robotik teknolojisinin tekstilleri otomatik olarak ayırmak için nasıl kullanılabileceğini gösterdi. Araştırmacılar, bir konveyör bant boyunca hareket ederken her bir tekstil ürününü bulmak için bir görüntüdeki nesneleri bulma ve tanımlama yöntemi olan object detection gibi görevleri destekleyen bir bilgisayarlı görü modeli kullandılar.

Modeli, farklı görünüm kategorilerindeki etiketli tekstil örnekleri üzerinde özel olarak eğittiler; böylece modelin her bir ürünü renk ve dokusuna göre açık renkli giysiler, koyu renkli giysiler veya çok renkli giysiler olarak görsel olarak sınıflandırmasını sağladılar. Ardından bir robot, özel bir tutucu kullanarak her parçayı aldı ve insan yardımı olmadan doğru kutuya yerleştirdi. Çalışma textile recycling üzerine odaklanmış olsa da aynı adımlar (bir ürünü görmek, ne olduğunu anlamak ve nereye gitmesi gerektiğini bilmek) otomatik çamaşır ayıklamayı mümkün kılar.

Şekil 2. Robotik bir görüş sistemi bir giysiyi tanımlar ve alır. (Kaynak)

Ultralytics YOLO modelleri çamaşır ayırma sistemlerini nasıl destekler#

Bilgisayarlı görü çözümleri, makinelerin gördüklerini yorumlamasına yardımcı olmak için birlikte çalışan birkaç temel vision tasks öğesine dayanır. Örneğin, nesne tespiti, bir sistemin görüntüdeki öğeleri tanımlamasını ve nerede bulunduklarını belirlemesini sağlar.

Benzer şekilde, instance segmentation, her öğenin tam şeklini piksel düzeyinde çizerek daha fazla ayrıntı ekler. Ayrıca görüntü sınıflandırma; renkleri, desenleri veya giysi türlerini belirleme gibi sistemin neye baktığını kategorize etmeye yardımcı olur.

Ultralytics YOLOv8 ve YOLO11 gibi modeller bu görevleri destekler ve bunları gerçek dünya sistemlerinde uygulamayı kolaylaştırır. Giysileri algılamak, şekillerini ana hatlarıyla belirtmek ve görsel özelliklerini tek bir geçişte, üstelik yüksek hızda sınıflandırmak için kullanılabilirler. Bu, görüntü yapay zekası çözümlerinin öğeleri hareket ettikçe veya değiştikçe gerçek zamanlı olarak analiz etmesini sağlayarak otomatik çamaşır ayırmayı hem doğru hem de verimli hale getirir.

Çamaşır ayırmak için Ultralytics YOLO modellerini kullanma#

İşte bir çamaşır ayırma sistemi oluşturmak için Ultralytics YOLO modellerini kullanmanın içerdiği adımlara daha yakından bir bakış:

• Çamaşır görüntülerini topla ve etiketle: Sistemi oluşturmaya başlamak için; karışık yığınlar, tekli giysiler ve çeşitli aydınlatma düzenleri gibi farklı koşullardaki çamaşır öğelerinin görüntülerini topla. Etiketleme formatı, kullanmayı planladığın bilgisayarlı görü görevine bağlıdır. Örneğin, nesne algılamayı seçersen her giysi bir sınırlayıcı kutu ile etiketlenir. Örnek bölümlemeyi seçersen piksel düzeyinde maskeler etiketleyebilirsin. Bu etiketler, modele öğelerin nerede göründüğünü ve hangi kategorilere ait olduklarını öğretir.
• Özel bir Ultralytics YOLO modelini eğit: Etiketlenmiş veri setini kullanarak YOLO11 gibi bir modeli özel olarak eğitebilirsin, böylece giysileri algılayabilir, şekillerini ana hatlarıyla belirleyebilir veya renk, giysi türü ya da desen gibi özellikleri sınıflandırabilir.
• Eğitilmiş modeli test et ve değerlendir: Yeni ve daha önce görmediği giysileri doğru bir şekilde tanımlayıp sınıflandırabildiğini doğrulamak için modeli ayrı bir test setinde değerlendir. Bu adım, sistemin gerçek koşullar altında güvenilir bir şekilde çalışmasını sağlar.
• Modeli dağıt: Model iyi performans gösterdiğinde, onu bir çamaşır sepetine veya ayırma istasyonuna doğrultulmuş canlı bir kameraya bağla. Sistem görüntüleri gerçek zamanlı olarak işler, her giysiyi tanımlar ve ürünleri uygun kutuya yönlendirmek için ayırma kurallarını uygular. Bu kurulum; ürünleri çamaşır sepetleri arasında fiziksel olarak taşıyan robotik bir kol, giysileri farklı bölümlere yönlendiren otomatik bir konveyör veya çamaşırları otomatik olarak ayırmak için dahili bölmeler kullanan akıllı bir çamaşır sepeti gibi bir dizi donanım sistemine entegre edilebilir.

Çamaşır ayırma görüntü sistemi kullanıldıkça performansını izlemek ve gerektiğinde güncellemek önemlidir. Yeni görüntüler eklemek, periyodik olarak yeniden eğitmek ve giyim tarzları veya kumaşlar değiştikçe ayırma kurallarını ayarlamak, sistemin zaman içinde doğru ve güvenilir kalmasına yardımcı olur.

Çamaşır operasyonlarında görüntü yapay zekasının diğer uygulamaları#

Ayırmanın ötesinde, görüntü yapay zekası çamaşır ve tekstil iş akışının diğer bölümlerinde de kullanılmaktadır. Çoğu durumda, sadece bir giysiye bakmak nasıl yıkanması gerektiğine karar vermek için yeterli değildir. İki tişört dışarıdan aynı görünebilir ancak biri hassas yıkama gerektirirken diğeri kuru temizleme gerektirebilir, bu yüzden bakım etiketini kontrol etmek çok önemlidir. Bu adımı otomatikleştirmek hataları azaltmaya yardımcı olur ve giysilerin doğru şekilde işlem görmesini sağlar.

Örneğin, yakınlardaki bir araştırma projesinde bir Ultralytics YOLOv8 görüntü sınıflandırma modeli kullanılarak bir care-label recognition system geliştirildi. Ekip, modeli 10.000'den fazla bakım etiketi sembolü görüntüsü üzerinde eğiterek tek bir fotoğraftan yıkama, kurutma ve ütüleme sembollerini doğru bir şekilde tanımlamasını sağladı. Eğitilen model, bir giysinin bakım etiketini tarayan ve tanınan sembolleri önerilen yıkama talimatlarıyla birlikte döndüren bir mobil uygulamaya entegre edildi; böylece kullanıcıların kıyafetlerine doğru şekilde bakım yapması kolaylaştırıldı.

Şekil 3. YOLOv8 kullanarak bakım etiketlerini sınıflandırma (Kaynak).

Çamaşır işlemlerinde yapay görmenin bir diğer kilit uygulaması kumaş kusuru tespittir. Ultralytics YOLOv8 gibi modellerle güçlendirilen çözümler, yıkamadan veya paketlemeden önce giysileri leke, yırtık, sökülmüş iplik veya aşınmış bölgeler gibi kusurlar için tarayabilir.

Bu sorunları erkenden tanımlamak, hasarlı ürünlerin otomatik ekipmanlara girmesini önlemeye yardımcı olur, yeniden işleme ihtiyacını azaltır ve iş akışında sadece iyi durumdaki giysilerin devam etmesini garanti eder. Bu, kalite kontrolünü iyileştirir ve büyük ölçekli çamaşır ortamlarında israfı en aza indirir.

Şekil 4. Tişörtlerdeki leke ve yırtıkları tespit etme (Kaynak)

Kıyafetleri ayırmak için görüntü yapay zekası kullanmanın artıları ve eksileri#

İşte çamaşırları ayırmak için görüntü yapay zekası kullanmanın temel faydalarından bazıları:

• Kaynak verimliliği: Giysileri doğru yıkama kategorilerine ayırmanın doğruluğunu artırarak, görüntü yapay zekası karışık yükleri önlemeye yardımcı olur ve sadece gerekli su, enerji ve deterjanı kullanan yıkama programlarını kullanmayı kolaylaştırır.
• Esnek deployment options: Görsel modelleri uç cihazlar, gömülü donanımlar, bulut sunucuları ve daha fazlası gibi donanımlar üzerinde çalışabilir. Bu, görsel sistemlerin hem küçük hem de büyük ölçekli ortamlar için tasarlanabileceği anlamına gelir.
• Veri ile sürekli iyileştirme: Operasyon sırasında daha fazla görüntü toplandıkça, görüntü sistemleri yeni giyim tarzlarına ve çevresel koşullara uyum sağlamak için yeniden eğitilebilir.

Bu faydalara rağmen, bu tür çözümleri uygularken akılda tutulması gereken bazı faktörler vardır. İşte birkaç yaygın sınırlama:

• Görüntüleme koşullarına duyarlılık: Aydınlatma, gölgeler, kamera açısı ve lens kalitesindeki değişiklikler giysi tanımanın güvenilirliğini azaltabilir.
• Karmaşık yığınlarla zorluk: Kıyafetler ağır bir şekilde üst üste bindiğinde veya birbirine sıkıca yapıştığında, görüntü sistemleri tüm öğeleri doğru bir şekilde tanımlamakta zorlanabilir.
• Entegrasyon karmaşıklığı: Kameraları, sensörleri ve robotik sistemleri koordine etmek; kararlı çalışmayı sağlamak için hassas zamanlama, kalibrasyon ve mühendislik çabası gerektirir.

Öne çıkanlar#

Çamaşırları düzgün bir şekilde ayırmak kumaşları korumaya, renkleri canlı tutmaya ve kıyafetlerin ömrünü uzatmaya yardımcı olur. Görüntü yapay zekası, bu süreci daha hızlı ve daha güvenilir hale getirir.

Ultralytics YOLOv8 ve YOLO11 gibi modeller giysi türlerini tanımlamak ve renk kategorilerini ayırt etmek için özel olarak eğitilebilir, bu da otomatik sistemlerin öğeleri doğru bir şekilde ayırmasını sağlar. Bu; israfı azaltır, yıkama döngüsü hatalarını önler ve daha akıllı, daha sürdürülebilir çamaşır operasyonlarını destekler.

Community sayfamıza katılarak ve GitHub repository adresimizi ziyaret ederek yapay zeka hakkında daha fazla bilgi edinin. AI in logistics ve computer vision in the automotive endüstrisindeki gelişmeler hakkında okumak için çözüm sayfalarımıza göz atın. Licensing options seçeneklerimizi keşfedin ve bugün görsel AI ile oluşturmaya başlayın!