Ultralytics YOLO modellerini kullanarak çamaşırlar verimli şekilde nasıl ayrılır?

Çamaşır yıkamak basit bir iş gibi görünebilir. Ancak beklenmedik bir şey olana kadar.

Farklı renklerde birkaç tişörtü makineye atıp başlat düğmesine basabilir ve her şeyin aynı görünüme sahip çıkmasını umabilirsin. Ancak işler her zaman böyle gitmez.

Beyaz bir tişört griye dönebilir veya en sevdiğin kazak birkaç beden küçülmüş olarak çıkabilir. Küçük sınıflandırma hataları bile zamanla giysilerini fark ettirmeden yıpratabilir.

Şaşırtıcı bir şekilde, birçok kişi ne kadar önemli olduğunu bilse bile çamaşırları ayırmayı hâlâ atlıyor. Yakın tarihli bir ankete göre 40 yaşın altındaki yetişkinlerin yarısından azı çamaşırlarını düzenli olarak beyazlar ve koyular olarak ayırıyor. Bu durum, özellikle meşgulken çamaşır işinde kestirme yollara başvurmanın ne kadar kolay olduğunu gösteriyor.

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

Ya çamaşırları ayırmayı hiç düşünmek zorunda kalmasaydın? Daha sen “başlat” düğmesine basmadan giysileri, renkleri ve hatta bakım etiketi sembollerini tanıyan otomatik bir sistem hayal et. Bir zamanlar geleceğe ait görünen bu fikir, bilgisayarlı görü sayesinde artık mümkün hâle geliyor.

Bilgisayarlı görü, makinelerin görüntü ve videoları yüksek doğrulukla görüp yorumlamasını sağlayan bir yapay zekâ (AI) dalıdır. Ultralytics YOLO11 ve yakında çıkacak Ultralytics YOLO26 gibi görsel yapay zekâ modelleri sayesinde sistemler giysileri, renkleri ve bir ürünün makinede yıkanması, elde yıkanması veya hiç yıkanmaması gerektiğini belirten bakım etiketi sembollerini analiz edebilir. Bu düzeydeki anlayış, insan müdahalesi olmadan doğru çamaşır sınıflandırmasını mümkün kılar.

Bu makalede çamaşırları ayırmanın neden önemli olduğunu, bunun doğru şekilde nasıl yapıldığını ve Ultralytics YOLO modellerinin süreci nasıl daha yenilikçi ve verimli hâle getirdiğini inceleyeceğiz. Hadi başlayalım!

Çamaşırları doğru şekilde ayırmanın önemi#

Çamaşır makinesini açtığında beyaz bir gömleğin pembeye döndüğünü görmek can sıkıcı olabilir. Böyle anlar, çamaşırları ayırmanın neden gerçekten önemli olduğunu hatırlatır.

Doğru sınıflandırma, giysilerinin rengini, şeklini ve dokusunu korumasına yardımcı olur. Canlı veya koyu renkli ürünler daha açık renkli ürünlerle yıkandığında renkler akabilir ve tüm yıkamadaki renkleri soldurabilir. Bunları ayrı tutmak bunu önlemeye yardımcı olur.

İpek, kaşmir ve dantel gibi hassas kumaşların da ekstra bakıma ihtiyacı vardır. Daha ağır ürünler için tasarlanmış sert programlarda yıkanmamalıdırlar. Aynı zamanda giysileri kumaş türüne ve ağırlığına göre gruplandırmak, çamaşır makinenin daha iyi çalışmasına yardımcı olur. Hafif ve ağır ürünler suyu farklı miktarlarda emer ve farklı şekilde sıkılır; bu nedenle benzer parçaları birlikte yıkamak daha eşit temizlik, daha az tüy ve daha iyi durulama sağlar.

Seçtiğin su sıcaklığı ve deterjan da fark yaratır. Soğuk su renkleri ve hassas kumaşları korumaya yardımcı olurken sıcak su ağır lekeler ve hijyen sağlama için daha uygundur.

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

Çamaşırları ayırırken dikkate alınması gereken faktörler#

Her yıkamadan sonra giysilerinin nasıl göründüğünde ve hissettirdiğinde büyük fark yaratabilecek birkaç basit noktayı burada bulabilirsin:

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

• Kumaş türüne göre grupla: Kot pantolon, havlu ve kazak gibi ağır ürünleri daha hafif kumaşlardan ayrı yıka. Bunları karıştırmak, özellikle hassas parçalarda esnemeye, solmaya veya ekstra yıpranmaya neden olabilir.

• Tüm fermuarları kapat: Yıkamadan önce takılmayı ve hasarı önlemek için tüm fermuarları kapat. Açık fermuarlar yıkama programı sırasında hassas kumaşlara takılabilir.

• Bakım etiketlerini kontrol et: Giysi etiketlerindeki küçük simgeler önemlidir ve onları okumak için biraz zaman ayırmaya değer. Bu simgeler, her kumaşın ihtiyaç duyduğu bakımı alması için bir ürünün elde mi yıkanması, kuru temizleme mi yapılması, havada mı kurutulması veya hassas programda mı yıkanması gerektiğini gösterir.

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

Görsel yapay zekâ verimli çamaşır sınıflandırmasına nasıl yardımcı olabilir?#

Bilgisayarlı görü, çamaşırları ayırmayı çok daha kolay hâle getirme potansiyeline sahiptir. Farklı renkleri, giysileri ve dokuları hızlıca tanımak için kullanılabilir ve insanların giysileri elle ayırırken yaptığı yaygın hataları önlemeye yardımcı olur.

Aslında yakın zamanda yapılan bir çalışma, bilgisayarlı görü ve robotik teknolojilerinin tekstilleri otomatik olarak ayrıştırmak için nasıl kullanılabileceğini gösterdi. Araştırmacılar, her tekstil ürününü taşıma bandı boyunca ilerlerken bulmak için görüntüdeki nesnelerin konumunu belirleyip tanımlamaya yönelik bir yöntem olan nesne algılama gibi görevleri destekleyen bir bilgisayarlı görü modeli kullandı.

Modeli, farklı görünüm kategorilerindeki etiketlenmiş tekstil örnekleriyle özel olarak eğittiler. Böylece model, her ürünü rengine ve dokusuna göre açık renkli giysiler, koyu renkli giysiler veya çok renkli giysiler olarak görsel açıdan sınıflandırabildi. Daha sonra bir robot, özel bir kavrayıcı kullanarak her parçayı alıp insan yardımı olmadan doğru kutuya yerleştirdi. Çalışma tekstil geri dönüşümüne odaklanmış olsa da bir ürünü görme, ne olduğunu anlama ve nereye gitmesi gerektiğini bilme şeklindeki aynı adımlar otomatik çamaşır sınıflandırmasını mümkün kılar.

Şekil 2. Robotik bir görsel sistem bir giysiyi tanımlayıp alıyor. (Kaynak)

Ultralytics YOLO modelleri çamaşır sınıflandırma sistemlerini nasıl destekler?#

Bilgisayarlı görü çözümleri, makinelerin gördüklerini yorumlamasına yardımcı olmak için birlikte çalışan birkaç temel görsel görev üzerine kuruludur. Örneğin nesne algılama, bir sistemin görüntüdeki ürünleri tanımlamasını ve nerede bulunduklarını belirlemesini sağlar.

Benzer şekilde örnek bölütleme, her ürünün tam şeklini piksel düzeyinde çevreleyerek daha fazla ayrıntı sağlar. Ayrıca görüntü sınıflandırma, renkleri, desenleri veya giysi türlerini belirlemek gibi, sistemin neye baktığını kategorilere ayırmaya yardımcı olur.

Ultralytics YOLOv8 ve YOLO11 gibi modeller bu görevleri destekler ve bunların gerçek dünya sistemlerinde uygulanmasını kolaylaştırır. Giysileri algılamak, şekillerini çevrelemek ve görsel özelliklerini tek geçişte, yüksek hızda sınıflandırmak için kullanılabilirler. Bu, görsel yapay zekâ çözümlerinin hareket eden veya yer değiştiren ürünleri gerçek zamanlı olarak analiz etmesini sağlayarak otomatik çamaşır sınıflandırmasını hem doğru hem de verimli hâle getirir.

Çamaşırları sınıflandırmak için Ultralytics YOLO modellerini kullanma#

Ultralytics YOLO modellerini kullanarak çamaşır sınıflandırma sistemi oluştururken izlenen adımlara daha yakından bakalım:

• Çamaşır görüntülerini topla ve açıklama ekle: Sistemi oluşturmaya başlamak için karışık yığınlar, tek tek giysiler ve farklı aydınlatma düzenekleri gibi çeşitli koşullardaki çamaşır ürünlerinin görüntülerini topla. Açıklama formatı, kullanmayı planladığın bilgisayarlı görü görevine bağlıdır. Örneğin nesne algılamayı seçersen her giysi bir sınırlayıcı kutuyla etiketlenir. Örnek bölütlemeyi seçersen piksel düzeyinde maskeler ekleyebilirsin. Bu açıklamalar, modele ürünlerin nerede bulunduğunu ve hangi kategorilere ait olduğunu öğretir.
• Özel bir Ultralytics YOLO modeli eğit: Açıklama eklenmiş veri kümesini kullanarak YOLO11 gibi bir modeli özel olarak eğitebilir; giysileri algılamasını, şekillerini çevrelemesini veya renk, giysi türü ya da desen gibi özellikleri sınıflandırmasını sağlayabilirsin.
• Eğitilmiş modeli test et ve değerlendir: Yeni ve daha önce görülmemiş giysileri doğru şekilde tanımlayıp sınıflandırabildiğini doğrulamak için modeli ayrı bir test kümesi üzerinde değerlendir. Bu adım, sistemin gerçek koşullarda güvenilir şekilde çalışmasını sağlar.
• Modeli dağıt: Model iyi performans gösterdiğinde onu bir çamaşır sepetine veya sınıflandırma istasyonuna yöneltilmiş canlı bir kameraya bağla. Sistem görüntüleri gerçek zamanlı olarak işler, her giysiyi tanımlar ve ürünleri uygun kutuya yönlendirmek için sınıflandırma kurallarını uygular. Bu kurulum; ürünleri çamaşır sepetleri arasında fiziksel olarak taşıyan robotik kol, giysileri farklı bölümlere yönlendiren otomatik taşıma bandı veya çamaşırları otomatik olarak ayırmak için dahili bölmeler kullanan akıllı sepet gibi çeşitli donanım sistemlerine entegre edilebilir.

Çamaşır sınıflandırma amaçlı görsel sistem kullanılırken performansını izlemek ve gerektiğinde güncellemek önemlidir. Yeni görüntüler eklemek, düzenli aralıklarla yeniden eğitim yapmak ve giysi stilleri veya kumaşlar değiştikçe sınıflandırma kurallarını ayarlamak, sistemin zaman içinde doğru ve güvenilir kalmasına yardımcı olur.

Çamaşır operasyonlarında görsel yapay zekânın diğer uygulamaları#

Görsel yapay zekâ, sınıflandırmanın yanı sıra çamaşır ve tekstil iş akışının diğer bölümlerinde de kullanılıyor. Çoğu durumda bir giysiye yalnızca bakmak, nasıl yıkanması gerektiğine karar vermek için yeterli değildir. İki gömlek dışarıdan aynı görünebilir; ancak biri hassas yıkama gerektirirken diğeri kuru temizleme gerektirebilir. Bu nedenle bakım etiketini kontrol etmek çok önemlidir. Bu adımı otomatikleştirmek hataları azaltır ve giysilerin doğru şekilde işlenmesini sağlar.

Örneğin yakın tarihli bir araştırma projesi, bir Ultralytics YOLOv8 görüntü sınıflandırma modeli kullanarak bir bakım etiketi tanıma sistemi geliştirdi. Ekip, modeli 10.000'den fazla bakım etiketi sembolü görüntüsüyle eğitti. Böylece model, yıkama, kurutma ve ütüleme sembollerini tek bir fotoğraftan doğru şekilde tanıyabildi. Eğitilen model, bir giysinin bakım etiketini tarayan ve tanınan sembolleri önerilen yıkama talimatlarıyla birlikte sunan bir mobil uygulamaya entegre edildi; bu da kullanıcıların giysilerinin bakımını doğru şekilde yapmasını kolaylaştırdı.

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

Çamaşır operasyonlarında görsel yapay zekânın bir diğer önemli uygulaması kumaş kusurlarının algılanmasıdır. Ultralytics YOLOv8 gibi modellerle güçlendirilen çözümler, yıkama veya paketleme öncesinde giysileri leke, yırtık, gevşek iplik veya yıpranmış bölge gibi kusurlara karşı tarayabilir.

Bu sorunları erken belirlemek, hasarlı ürünlerin otomatik ekipmana girmesini önlemeye, yeniden işlemeyi azaltmaya ve yalnızca iyi durumdaki giysilerin iş akışında ilerlemesini sağlamaya yardımcı olur. Bu, büyük ölçekli çamaşırhane ortamlarında kalite kontrolünü iyileştirir ve israfı en aza indirir.

Şekil 4. Tişörtlerdeki lekeleri ve yırtıkları algılama (Kaynak)

Giysileri sınıflandırmak için görsel yapay zekâ kullanmanın artıları ve eksileri#

Çamaşırları sınıflandırmak için görsel yapay zekâ kullanmanın başlıca avantajlarından bazıları şunlardır:

• Kaynak verimliliği: Giysileri doğru yıkama kategorilerine ayırma doğruluğunu artıran görsel yapay zekâ, karışık yıkamaları önlemeye ve yalnızca gerekli su, enerji ve deterjanı kullanan yıkama programlarından yararlanmayı kolaylaştırır.
• Esnek dağıtım seçenekleri: Görsel modeller uç cihazlar, gömülü donanımlar, bulut sunucuları ve daha fazlası gibi donanımlarda çalışabilir. Bu, görsel sistemlerin hem küçük hem de büyük ölçekli ortamlar için tasarlanabileceği anlamına gelir.
• Verilerle sürekli iyileştirme: Operasyon sırasında daha fazla görüntü toplandıkça görsel sistemler, yeni giysi stillerine ve çevresel koşullara uyum sağlayacak şekilde yeniden eğitilebilir.

Bu avantajlara rağmen, bu tür çözümleri uygularken akılda tutulması gereken bazı faktörler vardır. Yaygın sınırlamalardan bazıları şunlardır:

• Görüntüleme koşullarına duyarlılık: Aydınlatma, gölgeler, kamera açısı ve lens kalitesindeki değişiklikler giysi tanımanın güvenilirliğini azaltabilir.
• Dağınık yığınlarda zorluk: Giysiler yoğun şekilde üst üste geldiğinde veya birbirine sıkıca yapıştığında görsel sistemler tüm ürünleri doğru şekilde tanımlamakta zorlanabilir.
• Entegrasyon karmaşıklığı: Kameraları, sensörleri ve robotik sistemleri koordine etmek; kararlı çalışmayı sağlamak için hassas zamanlama, kalibrasyon ve mühendislik çalışması gerektirir.

Önemli çıkarımlar#

Çamaşırları doğru şekilde ayırmak kumaşları korumaya, renkleri canlı tutmaya ve giysilerin kullanım ömrünü uzatmaya yardımcı olur. Görsel yapay zekâ bu süreci daha hızlı ve güvenilir hâle getirir.

Ultralytics YOLOv8 ve YOLO11 gibi modeller, giysi türlerini tanıyıp renk kategorilerini ayırt edecek şekilde özel olarak eğitilebilir ve otomatik sistemlerin ürünleri doğru şekilde sınıflandırmasını sağlayabilir. Bu, israfı azaltır, yıkama programı hatalarını önler ve daha akıllı, daha sürdürülebilir çamaşır operasyonlarını destekler.

Topluluğumuza katılarak ve GitHub depomuzu ziyaret ederek yapay zekâ hakkında daha fazlasını keşfet. Lojistikte yapay zekâ ve otomotiv sektöründe bilgisayarlı görü hakkında bilgi edinmek için çözüm sayfalarımıza göz at. Lisans seçeneklerimizi keşfet ve bugün görsel yapay zekâ ile geliştirmeye başla!