Ultralytics YOLO11 yardımıyla eski sistemleri izleme

Başta üretim, endüstriyel otomasyon, havacılık ve uzay, telekomünikasyon ve enerji sektörlerindekiler olmak üzere birçok işletme, günlük operasyonları için eski sistemlere güveniyor. Ancak bu eski sistemlerin bakımı genellikle yüksek maliyetleri ve teknik zorlukları beraberinde getiriyor. Buna rağmen şirketlerin eski sistemleri kullanmaya devam etmesinin temel nedeni, bu sistemlerin iş akışlarına derinlemesine entegre olmuş olmasıdır.

İşletmelerin neredeyse üçte ikisi, eski sistemlerin bakımına ve yükseltilmesine 2 milyon doların üzerinde harcama yapıyor. Bu eski sistemler, otomasyonun ve gerçek zamanlı analitiğin öncelikli olmadığı farklı bir dönemde geliştirildi. İşletmeler daha önce manuel süreçlere veya güncelliğini yitirmiş izleme araçlarına güveniyordu; bu da verimsizliklere ve daha yüksek operasyonel risklere yol açıyordu. Sonuç olarak birçok işletme, önemli kesintiler yaşamadan daha modern çözümlere kolayca geçemediği için kendini bu eski sistemlere mahkûm olmuş halde buluyor.

İşte bilgisayarların görsel verileri anlamasını ve analiz etmesini sağlayan AI ve bilgisayarlı görü burada devreye girerek yardımcı olabilir. Özellikle Ultralytics YOLO11 gibi bilgisayarlı görü modelleri, sayaçlar ve göstergeler gibi eski sistemleri tespit etmek ve izlemek için kullanılabilir.

Bu makalede, Ultralytics YOLO11'in eski sistemlerin izlenmesinde nasıl kullanılabileceğini, avantajlarını ve işletmelerin bu modeli mevcut iş akışlarına nasıl kolayca entegre edebileceğini inceleyeceğiz.

Şekil 1. Eski sistem örnekleri. Görsel yazara aittir.

Eski sistemlerin modernleştirilmesiyle ilgili zorluklar#

Eski sistemler birçok sektör için hayati önem taşır, ancak bunları dijital sistemlere dönüştürmek her zaman kolay değildir. Verimliliği artırmak ve riskleri azaltmak için bu sistemleri modernleştirmek önemlidir. İşte işletmelerin eski sistemleri güncellerken karşılaştığı teknik ve çevresel zorluklardan bazıları:

• Dijital arayüz eksikliği: Birçok eski sistem, dijital dönüşüm yaygınlaşmadan önce tasarlanmıştır. Analog kumandalar, göstergeler ve mekanik indikatörlerle çalışırlar; bu da modern izleme çözümleriyle doğrudan entegrasyonu zorlaştırır.

• Yüksek yükseltme maliyetleri: Eski altyapıyı değiştirmek veya yükseltmek pahalı olabilir ve operasyonları aksatabilir. Birçok işletme, yüksek başlangıç maliyetleri ve duruş süresi endişeleri nedeniyle kapsamlı yenilemelere yatırım yapmaktan çekinir.

• Tutarsız sistem tasarımları: Eski makineler yapı, malzeme ve işlev bakımından önemli ölçüde farklılık gösterir. Bu standardizasyon eksikliği, farklı sistemlerde tek tip bir dijital çözüm uygulanmasını zorlaştırır.

• Gerçek zamanlı veri yakalamadaki zorluklar: Analog ekranlar otomatik veri toplama amacıyla tasarlanmadığından kadranlardan, sayaçlardan veya mekanik sayaçlardan doğru ve gerçek zamanlı okumalar almak zordur.

Şekil 2. Eski sistemlerin modernleştirilmesiyle ilgili zorluklar. Görsel yazara aittir.

Vision AI eski sistemlerin izlenmesine nasıl yardımcı olabilir?#

Birçok eski makine, dijital sistemlere bağlanamayan analog kadranlar, sayaçlar ve göstergeler kullanır. Vision AI çözümleri, bu cihazları izlemek için kameraları kullanabilir ve görüntüler gerçek zamanlı olarak işlenerek okuma değerleri kolayca takip ve raporlama için dijital kayıtlara dönüştürülebilir.

Bilgisayarlı görünün bu amaçla kullanılmasının avantajlarından biri, operasyonel sorunların neredeyse anında tespit edilebilmesidir. Acil durumlarda otomatik uyarılar, değerler güvenli sınırları aştığında operatörleri bilgilendirebilir.

Bunun dışında, bilgisayarlı görü daha ekonomik bir seçenektir. Kameralar kurmak ve bu görüntüleri analiz etmek için bir AI sistemi uygulamak, geleneksel yükseltmelere veya manuel izleme yöntemlerine kıyasla uygun maliyetlidir. Maliyetli altyapı yükseltmeleri yerine, YOLO11 gibi görüntü yapay zekâ modelleri mevcut ekipmanlarla çalışabilir ve modernizasyonu daha uygun maliyetli hâle getirebilir.

Ultralytics YOLO11 ile desteklenen eski sistem izleme#

Günümüzde AI hızla gelişiyor ve bir AI çözümü uygularken değerlendirilebilecek çeşitli modeller ve teknikler bulunuyor. Peki, Ultralytics YOLO11 gibi bir modeli bu kadar özel kılan şeyin ne olduğunu merak ediyor olabilirsin.

Ultralytics YOLO11; nesne tespiti, örnek segmentasyonu ve nesne takibi gibi çeşitli bilgisayarlı görü görevlerini destekler ve gerçek zamanlı izleme için idealdir. Temel avantajlarından biri, uç cihazlarda verimli şekilde çalışabilmesidir. Bu, güçlü bir ağ bağlantısına veya bulut altyapısına ihtiyaç duymadan verileri yerel olarak işleyebileceği anlamına gelir.

Şekil 3. Nesne tespiti için kullanılan Ultralytics YOLO11 örneği.

Fabrika sahalarında veya ağların zayıf ya da güvenilmez olduğu endüstriyel ortamlarda Ultralytics YOLO11'i uç cihazlarda dağıtmak, kesintisiz gerçek zamanlı izleme sağlar; maliyetli bulut tabanlı çözümlere duyulan ihtiyacı azaltır ve işletmeler için daha uygun maliyetli ve pratik bir seçenek sunar.

Buna ek olarak YOLO11, önceki sürümlerine kıyasla hem doğruluk hem de hız açısından üstün performansıyla tanınır. YOLOv8m'den %22 daha az parametreye sahip olan YOLO11m, COCO veri kümesinde daha yüksek ortalama kesinlik (mAP) değerine ulaşır.

Basitçe ifade etmek gerekirse Ultralytics YOLO11, daha az işlem gücüyle bile nesneleri daha doğru ve hızlı tespit edebilir. Bu sayede daha az kaynak kullanarak sorunları tespit etme ve sistemleri gerçek zamanlı izleme konusunda daha verimli olur; bu özellik özellikle eski sistemler için faydalıdır.

Ultralytics YOLO11'in eski sistem izleme uygulamaları#

Şimdi, mevcut ekipmanları değiştirmeye gerek kalmadan bilgisayarlı görü kullanarak okumaları izleyip analiz ederek süreçleri otomatikleştiren Ultralytics YOLO11'in gerçek dünyadaki bazı kullanım alanlarını inceleyelim.

Ultralytics YOLO11 ile analog gösterge izleme#

Çeşitli endüstriyel makineler basıncı, sıcaklığı ve sıvı seviyelerini ölçmek için analog göstergelerden yararlanır. Manuel okumalar zaman alır ve özellikle büyük ölçekli operasyonlarda çoğu zaman tutarsızlıklara yol açar. Ultralytics YOLO11 bu süreçleri iyileştirebilir.

Ultralytics YOLO11 kullanılarak analog gösterge izlemenin genellikle nasıl çalıştığına daha yakından bakalım:

• Nesne tespiti: Ultralytics YOLO11 ilk olarak görüntüdeki göstergeyi tespit eder ve konumlandırır; böylece karmaşık ortamlarda bile göstergenin doğru şekilde tanımlanmasını sağlar.
• Örnek segmentasyonu: Gösterge tanımlandıktan sonra Ultralytics YOLO11, ibre, skala ve sayısal işaretler gibi temel unsurları ayırmak için örnek segmentasyonunu kullanır. Bu önemlidir; çünkü sistemin yalnızca göstergenin ilgili bölümlerine odaklanmasını, arka plan gürültüsünü veya dikkat dağıtıcı unsurları ortadan kaldırmasını sağlar. Bu temel alanları yalıtmak, sonraki adımın daha doğru ve verimli olmasını sağlar.
• Optik Karakter Tanıma (OCR): Son olarak OCR teknolojisi, gösterge üzerindeki sayıları dijital verilere dönüştürmek için kullanılabilir ve işletmelerin manuel okumalara ihtiyaç duymadan ölçümleri takip etmesine olanak tanır.

Bu genel yöntem olsa da kesin adımlar; gösterge türü, çevresel koşullar ve çekilen görüntülerin açısı veya kalitesi gibi etkenlere bağlı olarak değişebilir. Bu değişkenlere göre doğru okumalar elde edilmesini sağlamak için ayarlamalar yapılabilir.

Şekil 4. Ultralytics YOLO11 kullanılarak analog gösterge izlemenin çalışma şekli. Görsel yazara aittir.

Ultralytics YOLO11, tüketim sayaçlarının izlenmesini kolaylaştırabilir#

Birçok kamu hizmeti sağlayıcısı, su, gaz ve elektrik tüketimini takip etmek için hâlâ mekanik sayaçlara güveniyor. Bazı durumlarda okumaları almak için sahaya manuel ziyaretler yapılması gerekir; bu da zaman alır ve maliyetleri artırır.

Ultralytics YOLO11, sayaç kadranlarının ilgili bölümlerini tespit edip kırpmak için bilgisayarlı görü kullanarak izleme sürecini otomatikleştirir. Böylece kadrandaki sayısal değerler yalıtılabilir ve bunları okumak için OCR kullanılabilir.

Kamu hizmeti sağlayıcıları, bilgisayarlı görü kullanılarak toplanan verilerle tüketim modellerini daha etkili bir şekilde analiz edebilir. Veri analitiğini izleme sürecine entegre etmek, geçmiş kullanım eğilimlerini takip etmeye, anormallikleri belirlemeye ve sızıntılar veya arızalı sayaçlar gibi sorunlara işaret edebilecek tüketimdeki ani artış ya da düşüşler gibi düzensizlikleri tespit etmeye yardımcı olur.

Ultralytics YOLO11 ile kontrol panellerini analiz etme#

Endüstriyel kontrol üniteleri, elektrik şebekesi monitörleri ve fabrika otomasyon panelleri gibi eski sistemler; makine durumunu ve hata kodlarını görüntülemek için anahtarlar, düğmeler ve gösterge ışıkları içeren analog kontrol panellerine güvenir. Genellikle operatörler bu panelleri manuel olarak inceler; bu da zaman alır ve gecikmiş müdahale riskini artırır.

Ultralytics YOLO11, kontrol paneli bileşenlerini doğru şekilde tanımlayıp izleyerek bu süreci optimize edebilir. Anahtarları, etiketleri ve gösterge ışıklarını tespit edebilir, bunların konumlarını ve durumlarını belirleyebilir. Gösterge ışıklarının uyarı mı yoksa normal çalışmayı mı gösterdiğini tanımlayabilir.

Örneğin bir uyarı ışığı etkinleştirildiğinde Ultralytics YOLO11 değişikliği anında tespit edebilir ve operatörler uyarılabilir. Bu da daha hızlı müdahale süreleri sağlar ve kritik sorunların gözden kaçırılması riskini azaltır.

Şekil 5. Gösterge ışıklarına sahip bir kontrol paneli.

Eski sistem modernleştirmenin avantajları ve dezavantajları#

Bilgisayarlı görü, mevcut donanımı değiştirmeden eski sistemleri izlemenin pratik bir yoludur. Ancak diğer tüm teknolojiler gibi bunun da avantajları ve sınırlamaları vardır. Nasıl etkili bir şekilde uygulanabileceğini daha iyi anlamak için her ikisini de inceleyelim.

Vision AI'ın eski sistemlerin izlenmesini olumlu yönde etkilediği bazı yollar şunlardır:

• Daha düşük uzun vadeli maliyetler: İlk kurulum yatırım gerektirse de izleme görevlerinin otomatikleştirilmesi ve insan hatasının azaltılması, zaman içinde önemli tasarruflar sağlayabilir.
• Tutarlılık ve güvenilirlik: Kalitesi ve tutarlılığı değişebilen insan denetimlerinin aksine Ultralytics YOLO11, zaman içinde tutarlı ve güvenilir performans sunar.
• Geliştirilmiş karar alma: Gerçek zamanlı veriler ve analiz, karar alma süreçlerini iyileştirerek operatörlerin güncel bilgilere dayalı, bilinçli seçimler yapmasına olanak tanır.

Bu sırada göz önünde bulundurulması gereken bazı noktalar da şunlardır:

• Görüntü kalitesine bağımlılık: Bilgisayarlı görü, büyük ölçüde yüksek kaliteli görüntülere veya video akışlarına dayanır. Düşük görüntü kalitesi, düşük çözünürlük veya yetersiz aydınlatma hatalı tespitlere ya da tespitlerin kaçırılmasına yol açabilir.
• Çevresel etkenlere karşı hassasiyet: Aşırı sıcaklıklar, toz, titreşim veya parazit gibi zorlu ortamlar, bilgisayarlı görü sistemlerinin performansını düşürebilir.
• Büyük veri hacimlerini işlemenin karmaşıklığı: Sistem büyük miktarda görsel veri topladıkça uygun altyapı olmadan bu verileri yönetmek, depolamak ve analiz etmek zorlaşabilir.

Önemli çıkarımlar#

Eski sistemleri verimli bir şekilde izlemek her zaman mevcut donanımı değiştirmeyi gerektirmez. Birçok işletme güncelliğini yitirmiş ekipmanlarla çalışıyor; ancak Vision AI, büyük değişiklikler yapmadan performansı takip etmenin bir yolunu sunuyor.

Ultralytics YOLO11, nesne tespiti ve diğer bilgisayarlı görü görevlerini kullanarak bunu mümkün kılar. Sistemi değiştirmeye gerek kalmadan kameralarla göstergeleri, sayaçları ve kontrol panellerini gerçek zamanlı olarak izleyebilir. Model, uç cihazlarda sorunsuz çalışır ve bu da onu bulut bağlantısı sınırlı sektörler için ideal hale getirir. Böylece işletmeler verileri sahada işleyebilir ve operasyonel sorunlara hızlıca müdahale edebilir.

Büyüyen topluluğumuza katıl! AI hakkında bilgi edinmek için GitHub depomuzu incele ve Vision AI projelerine başlamak için lisanslama seçeneklerimize göz at. Sağlık hizmetlerinde AI ve tarımda bilgisayarlı görü gibi yeniliklerle ilgileniyor musun? Daha fazlasını keşfetmek için çözümler sayfalarımızı ziyaret et!