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 öncelikli olmadığı farklı bir dönem için inşa edilmişti. İşletmeler eskiden manuel süreçlere veya verimsizliklere ve daha yüksek operasyonel risklere yol açan güncelliğini yitirmiş izleme araçlarına güveniyorlardı. Sonuç olarak, birçok işletme kendisini bu güncelliğini yitirmiş sistemlere sıkışmış halde buluyor ve önemli kesintiler olmadan daha modern çözümlere kolayca geçiş yapamıyor.

İşte tam bu noktada, bilgisayarların görsel verileri anlamasını ve analiz etmesini sağlayan yapay zeka ve bilgisayarlı görü 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, YOLO11'in eski sistem izlemede nasıl kullanılabileceğini, sağladığı faydaları ve işletmelerin bunu mevcut iş akışlarına nasıl kolayca entegre edebileceklerini inceleyeceğiz.

Şekil 1. Eski sistem örnekleri. Görsel: yazar.

Link to this sectionEski 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.

Link to this sectionGörüntüleme yapay zekası eski sistemleri izlemeye nasıl yardımcı olabilir?#

Birçok eski makine, dijital sistemlere bağlanamayan analog kadranlar, sayaçlar ve göstergeler kullanır. Görüntüleme yapay zekası çözümleri, bu cihazları izlemek için kameralar kullanabilir ve görüntüler, kolay takip ve raporlama için okumalarını dijital kayıtlara dönüştürmek üzere 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, bilgisayarlı görü daha ekonomik bir seçenektir. Bu görüntüleri analiz etmek için kameralar kurmak ve bir yapay zeka sistemi uygulamak, geleneksel yükseltmelere veya manuel izleme yöntemlerine kıyasla maliyet açısından etkilidir. Pahalı altyapı yükseltmeleri yerine, YOLO11 gibi Görüntüleme yapay zekası modelleri mevcut ekipmanla çalışabilir ve bu da modernizasyonu daha uygun fiyatlı hale getirir.

Link to this sectionYOLO11 tarafından desteklenen eski izleme sistemleri#

Günümüzde yapay zeka patlama yaşıyor ve bir yapay zeka çözümü uygularken dikkate alınması gereken çeşitli modeller ve teknikler var. Peki, YOLO11 gibi bir modeli bu kadar özel kılan şeyin ne olduğunu merak ediyor olabilirsin?

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

Şekil 3. Nesne tespiti için kullanılan bir YOLO11 örneği.

Fabrika zeminlerinde veya zayıf veya güvenilmez ağlara sahip endüstriyel ortamlarda, YOLO11'i uç cihazlarda dağıtmak, kesintisiz, gerçek zamanlı izleme sağlar; bu da maliyetli bulut tabanlı çözümlere olan ihtiyacı azaltır ve onu işletmeler için daha uygun fiyatlı ve pratik bir seçenek haline 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 ifade etmek gerekirse, YOLO11, daha az işlem gücüyle bile nesneleri daha doğru ve daha hızlı tespit edebilir. Bu, daha az kaynak kullanırken sorunları tespit etmeyi ve sistemleri gerçek zamanlı olarak izlemeyi daha verimli hale getirir ki bu da eski sistemler için özellikle yararlıdır.

Link to this sectionYOLO11'in eski izleme sistemlerindeki uygulamaları#

Şimdi, YOLO11'in mevcut ekipmanı değiştirme gereği olmadan okumaları izlemek ve analiz etmek için bilgisayarlı görüyü kullanarak süreçleri otomatikleştirdiği bazı gerçek dünya kullanım örneklerini inceleyelim.

Link to this sectionYOLO11 kullanarak 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 tutarsızlıklara yol açar. YOLO11 bu süreçleri iyileştirebilir.

YOLO11 kullanarak analog gösterge izlemenin genellikle nasıl çalıştığına daha yakından bakalım:

• Nesne tespiti: YOLO11 önce göstergeyi bir görüntü içinde tespit eder ve konumlandırır, böylece karmaşık ortamlarda bile doğru bir şekilde tanımlandığından emin olur.
• Örnek bölütleme: Gösterge tanımlandıktan sonra, YOLO11 iğne, ölçek ve sayısal işaretler gibi temel unsurları ayırmak için örnek bölütleme kullanır. Bu önemlidir çünkü sistemin yalnızca göstergenin ilgili kısımlarına odaklanmasını sağlar, arka plan gürültüsünü veya dikkat dağıtıcı unsurları kaldırır. Bu temel alanları izole ederek, bir sonraki adım daha doğru ve verimli hale gelir.
• Optik Karakter Tanıma (OCR): Son olarak, OCR teknolojisi göstergedeki sayıları dijital veriye dönüştürmek için kullanılabilir, böylece işletmeler manuel okumalara ihtiyaç duymadan ölçümleri takip edebilir.

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. YOLO11 kullanarak analog gösterge izlemenin çalışma şekli. Görsel: yazar.

Link to this sectionYOLO11 hizmet sayacı 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.

YOLO11, sayaç kadranlarının ilgili kısımlarını tespit etmek ve kırpmak için bilgisayarlı görü kullanarak izleme sürecini otomatikleştirir. Bunu yaparak, kadrandaki sayısal değerler izole edilebilir ve bunları okumak için OCR kullanılabilir.

Bilgisayarlı görü kullanılarak toplanan verilerle, hizmet sağlayıcılar tüketim modellerini analiz edebilir daha etkili bir şekilde. Veri analitiğini izleme sürecine entegre etmek, geçmiş kullanım trendlerini takip etmeye, anomalileri tanımlamaya ve sızıntılar veya hatalı sayaçlar gibi sorunları gösterebilecek tüketimdeki ani artışlar veya düşüşler gibi düzensizlikleri tespit etmeye yardımcı olur.

Link to this sectionYOLO11 ile kontrol panellerini 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.

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

Örneğin, bir uyarı ışığı aktifleşirse, YOLO11 değişikliği anında tespit edebilir ve operatörler uyarılabilir, bu da daha hızlı tepki sürelerine olanak tanır ve kritik sorunları kaçırma riskini azaltır.

Şekil 5. Gösterge ışıkları olan bir kontrol paneli.

Link to this sectionEski 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: Kalite ve tutarlılık açısından değişebilen insan denetimlerinin aksine, 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:

• Görüntü kalitesine bağımlılık: Bilgisayarlı görü, büyük ölçüde yüksek kaliteli görüntülere veya video beslemelerine dayanır. Kötü görüntü kalitesi, düşük çözünürlük veya kötü aydınlatma yanlış veya eksik 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.

Link to this sectionÖne 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.

YOLO11, nesne tespiti ve diğer bilgisayarlı görü görevlerini kullanarak bunu mümkün kılar. Sistemi değiştirme gereği olmadan gerçek zamanlı izleme için kameralarla göstergeleri, sayaçları ve kontrol panellerini okuyabilir. Model, uç cihazlarda sorunsuz çalışarak sınırlı bulut bağlantısına sahip endüstriler için harika bir uyum sağlar. Bu, işletmelerin verileri yerinde işlemesine ve operasyonel sorunları hızla ele almasına olanak tanır.

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