Ultralytics YOLO11 ile eski sistemleri izleme

Başta üretim, endüstriyel otomasyon, havacılık ve uzay, telekomünikasyon ve enerji olmak üzere birçok işletme günlük faaliyetlerinde eski sistemlere bağımlıdır. Ancak bu eski sistemlerin bakımını yapmak çoğu zaman yüksek maliyetler ve teknik zorluklar getirir. Buna rağmen şirketlerin eski sistemleri kullanmayı sürdürmesinin temel nedeni, bu sistemlerin iş akışlarına derinlemesine yerleşmiş olmasıdır.

İşletmelerin yaklaşık üçte ikisi eski sistemleri bakım ve yükseltme için 2 milyon dolardan fazla harcama yapıyor. Bu eski sistemler, otomasyonun ve gerçek zamanlı analitiğin öncelikli olmadığı farklı bir dönemde geliştirildi. İşletmeler eskiden manuel süreçlere veya güncelliğini yitirmiş izleme araçlarına güveniyordu; bu da verimsizliğe ve operasyonel risklerin artmasına yol açtı. Sonuç olarak birçok işletme, önemli kesintiler yaşamadan daha modern çözümlere kolayca geçemediği için bu eski sistemlere bağlı kalıyor.

Görsel verileri bilgisayarların anlamasını ve analiz etmesini sağlayan yapay zeka ve bilgisayarlı görü bu noktada devreye girip 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 sistemleri izlemek için nasıl kullanılabileceğini, avantajlarını ve işletmelerin modeli mevcut iş akışlarına nasıl kolayca entegre edebileceğini inceleyeceğiz.

Şekil 1. Eski sistem örnekleri. Görsel yazara aittir.

Eski sistemleri modernleştirmeyle 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. İşletmeler eski sistemleri güncellerken bazı teknik ve çevresel zorluklarla karşılaşır:

• Dijital arayüzlerin olmaması: Birçok eski sistem, dijital dönüşüm yaygınlaşmadan önce tasarlandı. Analog kontroller, göstergeler ve mekanik ölçüm araçlarıyla çalıştıkları için modern izleme çözümleriyle doğrudan entegrasyonları zordur.
• Yüksek yükseltme maliyetleri: Eski altyapıyı değiştirmek veya yükseltmek pahalı olabilir ve faaliyetleri aksatabilir. Yüksek başlangıç maliyetleri ve kesinti endişeleri nedeniyle birçok işletme kapsamlı değişikliklere yatırım yapmakta tereddüt eder.
• Tutarsız sistem tasarımları: Eski makinelerin yapısı, malzemeleri ve işlevleri önemli ölçüde farklılık gösterir. Bu standartlaşma eksikliği, farklı sistemlerde tek tip bir dijital çözüm uygulamayı zorlaştırır.
• Gerçek zamanlı veri yakalama zorlukları: Analog ekranlar otomatik veri toplama için tasarlanmadığından kadranlardan, sayaçlardan veya mekanik sayıcılardan doğru ve gerçek zamanlı ölçüm almak zordur.

Şekil 2. Eski sistemleri modernleştirmeyle ilgili zorluklar. Görsel yazara aittir.

Görsel Yapay Zeka eski sistemlerin izlenmesine nasıl yardımcı olabilir?#

Pek çok eski makinede dijital sistemlere bağlanamayan analog kadranlar, sayaçlar ve göstergeler kullanılır. Görsel yapay zekâ çözümleri, bu cihazları izlemek için kameraları kullanabilir; görüntüler gerçek zamanlı olarak işlenerek ölçüm değerleri kolay takip ve raporlama için dijital kayıtlara dönüştürülebilir.

Bilgisayarlı görü kullanmanın avantajlarından biri, operasyonel sorunların neredeyse anında fark edilebilmesidir. Acil durumlarda otomatik uyarılar, değerler güvenli sınırları aştığında operatörlere bildirim gönderebilir.

Bunun yanı sıra bilgisayarlı görü daha ekonomik bir seçenektir. Kameralar kurmak ve görüntüleri analiz edecek bir yapay zeka sistemi uygulamak, geleneksel yükseltmelere veya manuel izleme yöntemlerine kıyasla uygun maliyetlidir. Maliyetli altyapı yükseltmeleri yerine YOLO11 gibi Görsel Yapay Zeka modelleri mevcut ekipmanlarla çalışabilir ve modernizasyonu daha uygun maliyetli hâle getirebilir.

Ultralytics YOLO11 ile desteklenen eski sistem izleme çözümleri#

Bir yapay zekâ çözümü uygularken göz önünde bulundurulması gereken pek çok model ve teknik var. Peki, Ultralytics YOLO11 gibi bir model eski sistemleri izlemek için neden uygun?

Ultralytics YOLO11 çeşitli bilgisayarlı görü görevlerini, örneğin nesne algılama, örnek segmentasyonu ve nesne takibini destekler ve gerçek zamanlı izleme için idealdir. Öne çıkan avantajlarından biri, uç cihazlarda verimli şekilde çalışabilmesidir. Bu sayede güçlü bir ağ bağlantısına veya bulut altyapısına ihtiyaç duymadan verileri yerel olarak işleyebilir.

Şekil 3. Nesne algılama için kullanılan Ultralytics YOLO11 örneği.

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

Bunun yanı sıra YOLO11, önceki modellerine kıyasla hem doğruluğu hem de hızı artırıyor. YOLO11m, YOLOv8m'den %22 daha az parametreye sahip olmasına rağmen COCO veri kümesinde daha yüksek ortalama kesinlik (mAP) elde ediyor.

Kısacası Ultralytics YOLO11, daha az işlem gücüyle bile nesneleri daha doğru ve hızlı algılayabilir. Bu sayede sorunları tespit etme ve sistemleri gerçek zamanlı izleme konusunda daha verimli olur; üstelik daha az kaynak kullanır. Bu özellik, eski sistemler için özellikle yararlıdır.

Eski sistemlerin izlenmesinde Ultralytics YOLO11 uygulamaları#

Şimdi, mevcut ekipmanı değiştirmeye gerek kalmadan ölçümleri izlemek ve analiz etmek için bilgisayarlı görüden yararlanarak süreçleri otomatikleştiren Ultralytics YOLO11'in gerçek dünyadaki bazı kullanım örneklerini inceleyelim.

Ultralytics YOLO11 ile analog göstergelerin izlenmesi#

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

Ultralytics YOLO11 ile analog gösterge izlemenin genellikle nasıl işlediğine daha yakından bakalım:

• Nesne algılama: Ultralytics YOLO11 önce bir görüntüdeki göstergeyi algılar ve konumunu belirler; böylece karmaşık ortamlarda bile gösterge doğru şekilde tanımlanır.
• Örnek segmentasyonu: Gösterge tanımlandıktan sonra Ultralytics YOLO11, ibre, skala ve sayısal işaretler gibi temel öğeleri ayırmak için örnek segmentasyonundan yararlanır. Bu önemlidir; çünkü sistemin arka plan gürültüsünü veya dikkat dağıtıcı unsurları ayıklayarak yalnızca göstergenin ilgili bölümlerine odaklanmasını sağlar. Bu temel alanları yalıtmak, sonraki adımın daha doğru ve verimli olmasını sağlar.
• Optik Karakter Tanıma (OCR): Son olarak OCR teknolojisi, göstergedeki sayıları dijital verilere dönüştürmek için kullanılabilir; böylece işletmeler ölçümleri elle almadan takip edebilir.

Genel yöntem bu olsa da kesin adımlar; gösterge türü, çevre koşulları ve çekilen görüntülerin açısı veya kalitesi gibi etkenlere bağlı olarak değişebilir. Bu değişkenlere göre doğru ölçümler elde etmek için ayarlamalar yapılabilir.

Şekil 4. Ultralytics YOLO11 ile analog gösterge izlemenin işleyişi. Görselin sahibi yazar.

Ultralytics YOLO11, sayaçların izlenmesini kolaylaştırabilir#

Birçok altyapı sağlayıcısı su, gaz ve elektrik tüketimini takip etmek için hâlâ mekanik sayaçlara bağlıdır. Bazı durumlarda ölçümleri almak için sahaya gidilmesi gerekir; bu da zaman alır ve maliyetleri artırır.

Ultralytics YOLO11, bilgisayarlı görüden yararlanarak sayaç kadranlarının ilgili kısımlarını algılar ve kırpar ve izleme sürecini otomatikleştirir. Böylece kadrandaki sayısal değerler ayrıştırılabilir ve bunları okumak için OCR kullanılabilir. Ultralytics Platform'daki Su Sayaçları gibi etiketli veri kümeleri, böyle bir modeli eğitmek için kullanışlı bir başlangıç noktasıdır.

Altyapı sağlayıcıları, bilgisayarlı görüyle toplanan verileri kullanarak tüketim örüntülerini analiz edebilir. Veri analitiğini izleme sürecine entegre etmek, geçmiş kullanım eğilimlerini takip etmeye, anormallikleri belirlemeye ve tüketimdeki ani artışlar veya düşüşler gibi kaçak ya da arızalı sayaç gibi sorunlara işaret edebilecek düzensizlikleri saptamaya yardımcı olur.

Ultralytics YOLO11 ile kontrol panellerini analiz etme#

Endüstriyel kontrol üniteleri, elektrik şebekesi izleme sistemleri ve fabrika otomasyon panelleri gibi eski sistemler; makine durumunu ve hata kodlarını görüntülemek için anahtarları, düğmeleri ve gösterge ışıklarını içeren analog kontrol panellerine dayanır. Operatörler genellikle bu panelleri elle inceler; bu işlem zaman alır ve gecikmeli müdahale riskini artırır.

Ultralytics YOLO11, kontrol paneli bileşenlerini doğru şekilde tanımlayıp takip ederek bu süreci iyileştirebilir. Anahtarları, etiketleri ve gösterge ışıklarını algılayıp konumlarını ve durumlarını belirleyebilir. Gösterge ışıklarının uyarı mı yoksa normal çalışma durumunu mu gösterdiğini saptayabilir.

Örneğin bir uyarı ışığı yanarsa Ultralytics YOLO11 değişikliği hemen algılayabilir ve operatörlere bildirim gönderilerek daha hızlı müdahale etmeleri ve kritik sorunları gözden kaçırma riskini azaltmaları sağlanabilir.

Şekil 5. Gösterge ışıklarının bulunduğu bir kontrol paneli.

Eski sistemleri 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. Etkili biçimde nasıl uygulanabileceğini daha iyi anlamak için her iki yönünü de inceleyelim.

Vision AI'ın eski sistemlerin izlenmesine olumlu katkı sağladığı bazı yollar şunlardır:

• Uzun vadede daha düşük maliyetler: İlk kurulum yatırım gerektirse de izleme görevlerinin otomatikleştirilmesi ve insan hatalarının azalması zaman içinde önemli tasarruflar sağlayabilir.
• Tutarlılık ve güvenilirlik: Kalitesi ve tutarlılığı değişebilen insan denetimlerinin aksine Ultralytics YOLO11, zaman içinde tutarlı ve güvenilir performans sunar.
• Daha iyi karar alma: Gerçek zamanlı veriler ve analizler karar alma sürecini iyileştirerek operatörlerin güncel bilgilere dayanarak bilinçli seçimler yapmasını sağlar.

Öte yandan göz önünde bulundurulması gereken bazı noktalar şunlardır:

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

Önemli çıkarımlar#

Eski sistemleri verimli şekilde izlemek için mevcut donanımı değiştirmek her zaman gerekmez. Birçok işletme eski ekipmanlarla çalışıyor; Vision AI ise büyük değişiklikler yapmadan performansı takip etmenin bir yolunu sunuyor.

Ultralytics YOLO11, nesne algılama ve diğer bilgisayarlı görü görevlerinden yararlanarak bunu mümkün kılar. Gerçek zamanlı izleme için kameralar aracılığıyla göstergeleri, sayaçları ve kontrol panellerini okuyabilir; sistemi değiştirmen gerekmez. Model uç cihazlarda sorunsuz çalışır ve bu sayede bulut bağlantısı sınırlı olan sektörler için oldukça uygundur. Böylece işletmeler verileri sahada işleyip operasyonel sorunları hızla çözebilir.

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