Ultralytics YOLO11 yardımıyla eski sistemlerin izlenmesi

İmalat, endüstriyel otomasyon, havacılık, telekomünikasyon ve enerji başta olmak üzere birçok işletme, günlük operasyonları için eski sistemlere bağımlıdır. Ancak, bu eski sistemlerin bakımı genellikle yüksek maliyetler ve teknik zorluklar getirir. Buna rağmen, şirketlerin eski sistemleri kullanmaya devam etmelerinin temel nedeni, bunların iş akışlarına derinden entegre edilmiş olmalarıdır.

İşletmelerin neredeyse üçte ikisi, eski sistemlerin bakımı ve yükseltilmesi için 2 milyon dolardan fazla harcama yapıyor. Bu eski sistemler, otomasyon ve gerçek zamanlı analitiğin öncelik olmadığı farklı bir döneme göre inşa edilmişti. İşletmeler, verimsizliklere ve daha yüksek operasyonel risklere yol açan manuel süreçlere veya eskimiş izleme araçlarına güveniyordu. Sonuç olarak, birçok işletme, önemli kesintiler olmadan daha modern çözümlere kolayca geçiş yapamayarak bu eski sistemlerle baş başa kalıyor.

İşte yapay zeka ve bilgisayarların görsel verileri anlamasını ve analiz etmesini sağlayan computer vision tam bu noktada devreye girerek yardımcı olabilir. Özellikle, Ultralytics YOLO11 gibi computer vision modelleri, sayaçlar ve göstergeler gibi eski sistemleri tespit etmek ve izlemek için kullanılabilir.

Bu makalede, Ultralytics YOLO11 modelinin eski sistemlerin izlenmesinde nasıl kullanılabileceğini, sağladığı avantajları ve işletmelerin bunu mevcut iş akışlarına nasıl kolayca entegre edebileceğini inceleyeceğiz.

Şekil 1. Eski sistem örnekleri. Görsel: yazar.

Eski sistem modernizasyonu ile ilgili zorluklar#

Eski sistemler birçok endüstri için hayati öneme sahiptir, ancak bunları dijital sistemlere dönüştürmek her zaman basit değildir. Bu sistemleri modernize etmek, verimliliği artırmak ve riskleri azaltmak için önemlidir. İşte işletmelerin eski sistemleri güncellerken karşılaştıkları teknik ve çevresel zorluklardan bazıları:

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

• Yüksek yükseltme maliyetleri: Eski altyapıyı değiştirmek veya yükseltmek pahalı ve işleri aksatıcı olabilir. Birçok işletme, yüksek başlangıç maliyetleri ve kesinti süresi endişeleri nedeniyle tam kapsamlı değişimlere yatırım yapmaktan çekinir.

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

• Gerçek zamanlı veri yakalamadaki zorluklar: Analog ekranlar otomatik veri toplama için tasarlanmamıştır, bu da kadranlardan, sayaçlardan veya mekanik sayaçlardan doğru ve gerçek zamanlı okumalar almayı zorlaştırır.

Şekil 2. Eski sistem modernizasyonu ile ilgili zorluklar. Görsel: yazar.

Görüntüleme yapay zekası eski sistemleri izlemeye nasıl yardımcı olabilir?#

Pek çok eski makine, dijital sistemlere bağlanamayan analog kadranlar, sayaçlar ve göstergeler kullanır. Vision AI solutions, bu cihazları izlemek için kameralar kullanabilir ve kolay takip ile raporlama için okumalarını dijital kayıtlara dönüştürmek üzere görüntüler gerçek zamanlı olarak işlenebilir.

Bilgisayarlı görüyü bunun için kullanmanın faydalarından biri, operasyonel sorunların neredeyse anında tespit edilebilmesidir. Acil durumlarda, değerler güvenli limitleri aştığında otomatik uyarılar operatörleri bilgilendirebilir.

Bunun yanı sıra, computer vision daha ekonomik bir seçenektir. Kameralar kurmak ve bu görüntüleri analiz etmek için bir yapay zeka sistemi uygulamak, geleneksel yükseltmelere veya manuel izleme yöntemlerine kıyasla maliyet etkindir. Maliyetli altyapı yükseltmeleri yerine, YOLO11 gibi Vision AI models mevcut ekipmanlarla çalışabilir ve modernizasyonu daha uygun fiyatlı hale getirebilir.

Ultralytics YOLO11 ile desteklenen eski izleme sistemleri#

Günümüzde yapay zeka hızla gelişiyor ve bir yapay zeka çözümü uygularken dikkate alınması gereken çeşitli modeller ile teknikler bulunuyor. Dolayısıyla, Ultralytics YOLO11 gibi bir modeli bu kadar özel kılan şeyin ne olduğunu merak ediyor olabilirsiniz.

Ultralytics YOLO11; nesne tespiti, örnek bölütleme ve nesne takibi gibi çeşitli computer vision tasks destekler ve gerçek zamanlı izleme için idealdir. Temel avantajlarından biri, uç cihazlarda verimli bir şekilde çalışabilme yeteneğidir. Bu, güçlü bir ağ bağlantısına veya bulut altyapısına güvenmeden verileri yerel olarak işleyebileceği anlamına gelir.

Şekil 3. Nesne tespiti için kullanılan bir Ultralytics YOLO11 örneği.

Zayıf veya güvenilmez ağlara sahip fabrika zeminlerinde veya endüstriyel ortamlarda Ultralytics YOLO11 modelini edge devices üzerinde devreye almak, kesintisiz ve gerçek zamanlı izleme sağlayarak maliyetli bulut tabanlı çözümlere olan ihtiyacı azaltır ve bunu işletmeler için daha ekonomik ve pratik bir seçenek hâline getirir.

Bunun da ötesinde, YOLO11, öncekilerine kıyasla hem doğruluk hem de hız açısından üstün performansıyla bilinir. YOLOv8m'den %22 daha az parametre ile YOLO11m, COCO veri setinde daha yüksek bir ortalama hassasiyet (mAP) elde eder.

Basitçe söylemek gerekirse Ultralytics YOLO11, daha düşük işlem gücüyle bile nesneleri daha doğru ve daha hızlı bir şekilde tespit edebilir. Bu, eski sistemler için özellikle faydalı olacak şekilde daha az kaynak kullanarak sorunları tespit etmede ve sistemleri gerçek zamanlı olarak izlemede daha verimli olmasını sağlar.

Ultralytics YOLO11'in eski izleme sistemlerindeki uygulamaları#

Sonraki bölümde, mevcut ekipmanları değiştirmeye gerek kalmadan okumaları takip etmek ve analiz etmek için bilgisayarlı görü kullanarak süreçleri otomatikleştiren gerçek dünyadaki bazı Ultralytics YOLO11 kullanım senaryolarını keşfedelim.

Ultralytics YOLO11 kullanarak analog gösterge izleme#

Çeşitli endüstriyel makineler basınç, sıcaklık ve sıvı seviyelerini ölçmek için analog göstergeler kullanır. Manuel okumalar zaman alır ve özellikle büyük ölçekli operasyonlarda genellikle tutarsızlıklara yol açar. Ultralytics YOLO11 bu süreçleri iyileştirebilir.

Ultralytics YOLO11 kullanan analog gösterge izleme sürecinin genellikle nasıl çalıştığına daha yakından bakalım:

• Nesne tespiti: Ultralytics YOLO11, karmaşık ortamlarda bile doğru şekilde tanımlandığından emin olmak için öncelikle bir görüntü içindeki göstergeyi tespit eder ve konumlandırır.
• Örnek bölütleme: Gösterge tanımlandıktan sonra Ultralytics YOLO11; ibre, ölçek ve sayısal işaretler gibi temel unsurları ayırmak için örnek bölütleme kullanır. Bu önemlidir çünkü sistemin yalnızca göstergenin ilgili kısımlarına odaklanmasını sağlayarak her türlü arka plan gürültüsünü veya dikkat dağıtıcı unsuru ortadan kaldırır. Bu temel alanları izole ederek bir sonraki adım daha doğru ve verimli hâle gelir.
• Optik Karakter Tanıma (OCR): Son olarak, OCR teknolojisi, gösterge üzerindeki sayıları dijital veriye 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 yakalanan görüntülerin açısı veya kalitesi gibi faktörlere bağlı olarak değişebilir. Bu değişkenlere dayanarak doğru okumalar sağlamak için ayarlamalar yapılabilir.

Şekil 4. Ultralytics YOLO11 kullanan analog gösterge izlemenin çalışma şekli. Görsel: Yazar.

Ultralytics YOLO11, sayaç izlemeyi basitleştirebilir#

Birçok hizmet sağlayıcı, su, gaz ve elektrik tüketimini takip etmek için hala mekanik sayaçlara bağımlıdır. Bazı durumlarda, okumaları toplamak için manuel saha ziyaretleri gerekir, bu da zaman alır ve maliyetleri artırır.

Ultralytics YOLO11, sayaç kadranlarının ilgili kısımlarını tespit etmek ve kırpmak için bilgisayarlı görü kullanarak izleme sürecini otomatikleştirir. Bu sayede kadran üzerindeki sayısal değerler izole edilebilir ve bunları okumak için OCR kullanılabilir.

Computer vision kullanılarak toplanan verilerle, hizmet sağlayıcılar consumption patterns daha etkili bir şekilde analiz edebilir. İzleme sürecine veri analitiği entegre etmek, geçmiş kullanım trendlerini takip etmeye, anormallikleri tanımlamaya ve sızıntı veya arızalı sayaçlar gibi sorunlara işaret edebilecek tüketimdeki ani artışlar veya düşüşler gibi düzensizlikleri tespit etmeye yardımcı olur.

Kontrol panellerini Ultralytics YOLO11 ile analiz etme#

Endüstriyel kontrol üniteleri, güç şebekesi monitörleri ve fabrika otomasyon panelleri gibi eski sistemler, makine durumunu ve hata kodlarını görüntülemek için anahtarlar, düğmeler ve gösterge ışıkları olan analog kontrol panellerine güvenir. Genellikle operatörler bu panelleri manuel olarak inceler ki bu zaman alıcıdır ve gecikmeli müdahale riskini artırır.

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

Örneğin, bir uyarı lambası etkinleştirilirse Ultralytics YOLO11 bu değişikliği hemen tespit edebilir ve operatörler uyarılarak daha hızlı müdahale süreleri sağlanır ve kritik sorunların gözden kaçma riski azaltılır.

Şekil 5. Gösterge ışıkları olan bir kontrol paneli.

Eski sistem modernizasyonunun artıları ve eksileri#

Bilgisayarlı görü, mevcut donanımı değiştirmeden eski sistemleri izlemek için pratik bir yoldur. Ancak, diğer tüm teknolojiler gibi, avantajları ve sınırlamaları vardır. Etkili bir şekilde nasıl uygulanabileceğine dair daha iyi bir fikir edinmek için her ikisini de inceleyelim.

İşte Görüntüleme yapay zekasının eski sistemlerin izlenmesini olumlu etkilediği bazı yollar:

• Daha düşük uzun vadeli maliyetler: İlk kurulum yatırım gerektirse de, izleme görevlerinin otomasyonu ve insan hatasının azaltılması zaman içinde önemli tasarruflara yol açabilir.
• Tutarlılık ve güvenilirlik: Kalitesi ve tutarlılığı değişiklik gösterebilen insan denetimlerinin aksine Ultralytics YOLO11 zaman içinde tutarlı ve güvenilir bir performans sunar.
• Gelişmiş karar verme: Gerçek zamanlı veri ve analiz, karar vermeyi iyileştirir ve operatörlerin güncel bilgilere dayanarak bilinçli seçimler yapmasını sağlar.

Bu arada, akılda tutulması gereken bazı hususlar şunlardır:

• image quality bağımlılığı: Computer vision, yüksek kaliteli görüntülere veya video akışlarına büyük ölçüde güvenir. Düşük görüntü kalitesi, düşük çözünürlük veya kötü aydınlatma, yanlış veya kaçırılan tespitlere yol açabilir.
• Çevresel faktörlere karşı savunmasızlık: Aşırı sıcaklıklar, toz, titreşimler veya parazit gibi zorlu ortamlar bilgisayarlı görü sistemlerinin performansını düşürebilir.
• Büyük veri hacimlerini işlemedeki karmaşıklık: Sistem büyük miktarda görsel veri topladıkça, uygun bir altyapı olmadan bu verileri yönetmek, depolamak ve analiz etmek zorlaşabilir.

Öne çıkanlar#

Eski sistemleri verimli bir şekilde izlemek her zaman mevcut donanımı değiştirmeyi gerektirmez. Birçok işletme güncelliğini yitirmiş ekipmanlarla uğraşır, ancak Görüntüleme yapay zekası büyük değişiklikler yapmadan performansı takip etmenin bir yolunu sunar.

Ultralytics YOLO11, nesne tespiti ve diğer bilgisayarlı görü görevlerini kullanarak bunu mümkün kılar. Sistemi değiştirmeye gerek kalmadan gerçek zamanlı izleme için kameralarla göstergeleri, sayaçları ve kontrol panellerini okuyabilir. Model, uç cihazlarda sorunsuz bir şekilde çalışarak sınırlı bulut bağlantısına sahip endüstriler için mükemmel bir uyum sağlar. Bu, işletmelerin verileri yerinde işlemesine ve operasyonel sorunları hızla çözmesine olanak tanır.

Büyüyen community topluluğumuza katıl! Yapay zeka hakkında bilgi edinmek için GitHub repository göz at ve Vision AI projelerine başlamak için licensing options incele. AI in healthcare ve computer vision in agriculture gibi inovasyonlarla ilgileniyor musun? Daha fazlasını keşfetmek için çözüm sayfalarımızı ziyaret et!