Ultralytics YOLO modelleriyle çamaşırlar verimli şekilde nasıl ayrılır?

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

Makineye farklı renklerde birkaç tişört atıp çalıştır düğmesine basabilir ve hepsinin aynı görünümde çıkmasını umabilirsin. Ancak işler her zaman böyle gitmez.

Belki beyaz bir tişört griye döner ya da en sevdiğin kazak birkaç beden küçülmüş çıkar. Ayırma sırasında yapılan küçük hatalar bile zamanla giysilerini sessizce yıpratabilir.

Şaşırtıcı bir şekilde, ne kadar önemli olduğunu bilmelerine rağmen birçok kişi çamaşırları hâlâ ayırmıyor. Yakın tarihli bir araştırma, 40 yaşın altındaki yetişkinlerin yarısından azının çamaşırlarını düzenli olarak beyazlar ve koyular şeklinde ayırdığını ortaya koydu. Bu, özellikle meşgul olduğunda çamaşır işlerinde kestirme yollara başvurmanın ne kadar kolay olduğunu gösteriyor.

Şekil 1. Çamaşırları ayırmak renklerin canlılığını korumaya ve kumaşları iyi durumda tutmaya yardımcı olabilir.

Ya çamaşırları ayırmayı hiç düşünmen gerekmese? “Başlat” düğmesine basmadan önce giysileri, renkleri ve hatta bakım etiketi sembollerini tanıyan otomatik bir sistem hayal et. Bir zamanlar geleceğe ait görünen bu fikir, bilgisayarlı görü sayesinde artık gerçeğe dönüşüyor.

Bilgisayarlı görü, makinelerin görüntüleri ve videoları yüksek doğrulukla görüp yorumlamasını sağlayan bir yapay zekâ (AI) dalıdır. Ultralytics YOLO11 ve daha yeni Ultralytics YOLO26 gibi görsel yapay zekâ modelleriyle sistemler giysileri, renkleri ve bir ürünün makinede yıkanması, elde yıkanması ya da hiç yıkanmaması gerektiğini belirten bakım etiketi simgelerini analiz edebilir. Bu düzeyde bir anlayış, çamaşırların insan müdahalesi olmadan doğru biçimde ayrılmasını 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.

Çamaşırları doğru ayırmanın önemi#

Çamaşır makinesini açıp beyaz gömleğinin pembeye döndüğünü görmek sinir bozucu olabilir. Böyle anlar, çamaşırları ayırmanın neden gerçekten önemli olduğunu hatırlatır.

Doğru ayırma, giysilerinin rengini, şeklini ve dokusunu korumaya yardımcı olur. Canlı renkli veya koyu renkli parçalar açık renkli giysilerle yıkandığında renkler akabilir ve tüm çamaşırları soldurabilir. Giysileri ayrı tutmak bunu önlemeye yardımcı olur.

İpek, kaşmir ve dantel gibi hassas kumaşlar da ekstra özen gerektirir. Bu kumaşlar, daha ağır parçalar için tasarlanmış sert yıkama programlarında yıkanmamalıdır. Aynı zamanda giysileri kumaş türüne ve ağırlığına göre gruplamak, çamaşır makinenin daha iyi çalışmasına yardımcı olur. Hafif ve ağır parçalar suyu farklı miktarlarda emer ve farklı hızlarda döner; 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 hassas kumaşları korumaya yardımcı olurken sıcak su ağır lekeler ve hijyen sağlamak için daha uygundur.

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

Çamaşırları ayırırken göz önünde bulundurulması gerekenler#

Her yıkamadan sonra giysilerinin görünümünde ve hissinde büyük fark yaratabilecek birkaç basit noktayı aşağıda bulabilirsin:

• Renge göre ayır: Beyaz giysileri, canlı renkli parçaları ve koyu renkli giysileri farklı yıkamalara ayır. Bu, boyaların birbirine geçmesini önler; renklerin canlı, beyazların ise parlak kalmasına yardımcı olur.
• Kumaş türüne göre grupla: Kot pantolon, havlu ve kazak gibi ağır parçaları daha hafif kumaşlardan ayrı yıka. Bu parçaları karıştırmak, özellikle hassas giysilerde esnemeye, solmaya veya daha fazla yıpranmaya yol açabilir.
• Tüm fermuarları kapat: Takılmaları ve hasarı önlemek için yıkamadan önce tüm fermuarları kapat. Açık fermuarlar yıkama sırasında hassas kumaşlara takılabilir.
• Bakım etiketlerini kontrol et: Giysi etiketlerindeki küçük simgeler önemlidir; onları okumak için biraz zaman ayırmaya değer. Bu simgeler, her kumaşın ihtiyaç duyduğu bakımı alması için giysinin elde mi yıkanması, kuru temizlemeye mi verilmesi, açık havada mı kurutulması yoksa hassas programda mı yıkanması gerektiğini belirtir.
• Makineyi doğru şekilde doldur: Çamaşır deterjanını dikkatlice ölç ve her parçanın eşit şekilde temizlenmesi için yükü dengeli tut.

Görüntü yapay zekâsı verimli çamaşır ayırmaya nasıl yardımcı olabilir?#

Bilgisayarlı görü, çamaşır ayırmayı çok daha kolay hâle getirme potansiyeline sahiptir. Farklı renkleri, giysileri ve dokuları hızla tanımak için kullanılabilir; böylece insanların giysileri elle ayırırken yaptığı yaygın hataların önlenmesine yardımcı olur.

Nitekim yakın tarihli bir araştırma, bilgisayarlı görü ve robotik teknolojilerinin tekstilleri otomatik olarak ayırmak için nasıl kullanılabileceğini gösterdi. Araştırmacılar, bir görüntüdeki nesnelerin yerini belirleyip onları tanımlayan nesne algılama gibi görevleri destekleyen bir bilgisayarlı görü modeli kullanarak taşıma bandında ilerleyen her tekstil ürününü buldu.

Modeli, farklı görünüm kategorilerindeki tekstil ürünlerinin etiketli örnekleriyle özel olarak eğittiler; böylece model, her parçayı rengine ve dokusuna göre açık renkli giysi, koyu renkli giysi veya çok renkli giysi olarak görsel açıdan sınıflandırabildi. Ardından bir robot, özel bir tutucu kullanarak her parçayı aldı ve insan yardımı olmadan doğru kutuya yerleştirdi. Araştırma tekstil geri dönüşümüne odaklanmış olsa da bir parçayı görme, ne olduğunu anlama ve nereye gitmesi gerektiğini bilme adımlarının aynısı, çamaşırların otomatik olarak ayrılmasını mümkün kılar.

Şekil 2. Robotik bir görü sistemi bir giysiyi tanımlayıp alıyor. (Kaynak)

Ultralytics YOLO modelleri çamaşır ayırma sistemlerini nasıl destekliyor?#

Bilgisayarlı görü çözümleri, makinelerin gördüklerini yorumlamasına birlikte yardımcı olan birkaç temel görü görevi üzerine kuruludur. Örneğin nesne algılama, bir sistemin görüntüdeki nesneleri tanımlamasını ve nerede bulunduklarını belirlemesini sağlar.

Benzer şekilde örnek bölütleme, her parçanın tam şeklini piksel düzeyinde belirleyerek daha fazla ayrıntı sunar. Görüntü sınıflandırma da sistemin baktığı şeyi; örneğin renkleri, desenleri veya giysi türlerini kategorilere ayırmaya yardımcı olur.

Ultralytics YOLOv8 ve YOLO11 gibi modeller bu görevleri destekler ve bunların gerçek dünya sistemlerinde uygulanmasını kolaylaştırır. Giysileri algılamak, şekillerinin dış hatlarını belirlemek ve görsel özelliklerini tek seferde, yüksek hızda sınıflandırmak için kullanılabilirler. Bu, görüntü yapay zekâsı çözümlerinin parçalar hareket ederken veya yer değiştirirken onları gerçek zamanlı olarak analiz etmesini sağlayarak çamaşırların otomatik olarak hem doğru hem de verimli şekilde ayrılmasını mümkün kılar.

Çamaşırları ayırmak için Ultralytics YOLO modellerini kullanma#

Ultralytics YOLO modelleriyle bir çamaşır ayırma sistemi oluşturmanın adımlarına daha yakından bakalım:

• Çamaşır görselleri topla ve etiketle: Sistemi oluşturmaya başlamak için karışık yığınlar, tek tek giysiler ve farklı aydınlatma düzenleri gibi çeşitli koşullardaki çamaşır parçalarının görsellerini topla. Etiketleme biçimi, kullanmayı planladığın bilgisayarlı görü görevine bağlıdır. Örneğin nesne algılamayı seçersen her giysi bir sınırlayıcı kutuyla etiketlenir. Örnek bölütlemeyi seçersen piksel düzeyinde maskeler ek açıklama olarak işaretlenebilir. Bu etiketler modele parçaların 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; böylece model giysileri tespit edebilir, şekillerinin sınırlarını belirleyebilir veya renk, giysi türü ya da desen gibi özellikleri sınıflandırabilir.
• Eğitilmiş modeli test et ve değerlendir: Yeni ve daha önce görmediği giysileri doğru şekilde tanımlayıp sınıflandırabildiğini doğrulamak için modeli ayrı bir test kümesinde değerlendir. Bu adım, sistemin gerçek koşullarda güvenilir şekilde çalışmasını sağlar.
• Modeli devreye al: Model iyi performans gösterdiğinde, onu çamaşır sepetine veya ayırma istasyonuna yöneltilmiş canlı bir kameraya bağla. Sistem görüntüleri gerçek zamanlı olarak işler, her giysiyi tanımlar ve parçaları uygun kutuya yönlendirmek için ayırma kurallarını uygular. Bu kurulum; parçaları çamaşır sepetleri arasında fiziksel olarak taşıyan robotik kol, giysileri farklı bölümlere yönlendiren otomatik konveyör veya çamaşırları otomatik olarak ayırmak için dahili bölmeler kullanan akıllı sepet gibi çeşitli donanım sistemlerine entegre edilebilir.

Çamaşır ayırma görü sistemi kullanıldıkça performansını izlemek ve gerektiğinde güncellemek önemlidir. Yeni görseller eklemek, sistemi düzenli aralıklarla yeniden eğitmek ve giysi stilleri ya da kumaşlar değiştikçe ayırma kurallarını ayarlamak, sistemin zaman içinde doğru ve güvenilir kalmasına yardımcı olur.

Çamaşır operasyonlarında görüntü yapay zekâsının diğer kullanım alanları#

Görüntü yapay zekâsı, ayırmanın yanı sıra çamaşır ve tekstil iş akışının başka aşamalarında da kullanılıyor. Çoğu durumda, bir giysiye bakmak nasıl yıkanması gerektiğine karar vermek için yeterli değildir. İki gömleğin dış görünüşü aynı olabilir; ancak biri hassas yıkama, diğeri kuru temizleme gerektirebilir. Bu nedenle bakım etiketini kontrol etmek önemlidir. Bu adımın otomatikleştirilmesi hataları azaltır ve giysilere doğru şekilde işlem yapılmasını sağlar.

Örneğin yakın tarihli bir araştırma projesinde, bir bakım etiketi tanıma sistemi Ultralytics YOLOv8 görüntü sınıflandırma modeli kullanılarak geliştirildi. Ekip, modeli 10.000’den fazla bakım etiketi sembolü görseliyle eğitti; böylece model yıkama, kurutma ve ütüleme sembollerini tek bir fotoğraftan doğru şekilde tanıyabildi. Eğitilmiş model, giysinin bakım etiketini tarayan ve tanınan sembolleri önerilen yıkama talimatlarıyla birlikte sunan bir mobil uygulamaya entegre edildi. Böylece kullanıcıların giysilerine doğru şekilde bakması kolaylaştı.

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

Çamaşır operasyonlarında görsel yapay zekânın bir diğer önemli uygulaması kumaş kusurlarının tespitidir. Ultralytics YOLOv8 gibi modellerle desteklenen çözümler, yıkama veya paketleme öncesinde giysileri leke, yırtık, sökük iplik ya da aşınmış bölgeler açısından tarayabilir. Ultralytics Platform'daki Fabric Stain gibi herkese açık veri kümeleri, bu tür bir tespit modeli eğitmek için yararlı bir başlangıç noktasıdır.

Bu sorunların erken tespit edilmesi, hasarlı ürünlerin otomatik ekipmanlara girmesini önlemeye, yeniden işleme ihtiyacını azaltmaya ve iş akışında yalnızca iyi durumdaki giysilerin ilerlemesini sağlamaya yardımcı olur. Böylece büyük ölçekli çamaşırhane ortamlarında kalite kontrolü iyileşir ve israf azalır.

Şekil 4. Tişörtlerdeki lekeleri ve yırtıkları algılama (Kaynak)

Giysileri ayırmak için görüntü yapay zekâsı kullanmanın artıları ve eksileri#

Çamaşırları ayırmak için görüntü yapay zekâsı kullanmanın başlıca faydalarından bazıları şunlardır:

• Kaynak verimliliği: Giysilerin doğru yıkama kategorilerine ayrılma doğruluğunu artıran görüntü yapay zekâsı, çamaşırların karışmasını önlemeye ve yalnızca gereken miktarda su, enerji ve deterjan kullanan yıkama programlarının tercih edilmesini kolaylaştırmaya yardımcı olur.
• Esnek dağıtım seçenekleri: Görü modelleri uç cihazlar, gömülü donanımlar, bulut sunucuları ve daha fazlası gibi donanımlarda çalışabilir (bkz. model dağıtım seçenekleri). Böylece görsel sistemler hem küçük hem de büyük ölçekli ortamlar için tasarlanabilir.
• Verilerle sürekli iyileştirme: Çalışma sırasında daha fazla görüntü toplandıkça görü sistemleri yeni giysi stillerine ve çevresel koşullara uyum sağlayacak şekilde yeniden eğitilebilir.

Bu faydalara rağmen, bu tür çözümleri uygularken göz önünde bulundurulması gereken bazı noktalar vardır. Yaygın sınırlamalardan bazıları şunlardır:

• Görüntüleme koşullarına duyarlılık: Aydınlatma, gölgeler, kamera açısı ve lens kalitesindeki değişiklikler giysi tanımanın güvenilirliğini azaltabilir.
• Karışık yığınlarda yaşanan zorluklar: Giysiler yoğun şekilde üst üste bindiğinde veya birbirine sıkıca dolandığında görü sistemleri tüm parçaları doğru şekilde tanımakta 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. Görüntü yapay zekâsı bu süreci daha hızlı ve güvenilir hâle getirir.

Ultralytics YOLOv8 ve YOLO11 gibi modeller, giysi türlerini tanımak ve renk kategorilerini ayırt etmek üzere özel olarak eğitilebilir; böylece otomatik sistemler parçaları doğru şekilde ayırabilir. Bu, atığı azaltır, yıkama programı hatalarını önler ve daha akıllı, sürdürülebilir çamaşır operasyonlarını destekler.

Topluluğumuza katılıp GitHub depomuzu ziyaret ederek yapay zekâ hakkında daha fazlasını keşfet. Lojistikte yapay zekâ ve otomotiv sektöründe bilgisayarlı görü hakkında okumak için çözüm sayfalarımıza göz at. Lisans seçeneklerimizi keşfet ve bugün görüntü yapay zekâsıyla geliştirmeye başla!