YOLO Vision 2025'i kaçırmayın!
25 Eylül 2025
10:00 — 18:00 BST
Hibrit etkinlik
Yolo Vision 2024

Ultralytics YOLO11 ile paket tanımlama ve segmentasyonu

Abirami Vina

6 dakika okuma süresi

7 Şubat 2025

Lojistik operasyonlarını iyileştirmek için paketleri tanımlamak ve segmentlere ayırmak üzere Ultralytics YOLO11'i özel olarak eğitmek için bir paket segmentasyon veri kümesini nasıl kullanacağınızı öğrenin.

İnternetten bir şey sipariş ettiğinizde ve evinize gönderildiğinde, süreç basit gibi gelir. Birkaç düğmeye tıklarsınız ve paket kapınızda belirir. Ancak, bu sorunsuz teslimatın arkasında, paketleri olmaları gereken yere ulaştırmak için yorulmadan çalışan karmaşık bir depo, kamyon ve ayıklama sistemleri ağı vardır. Bu sistemin bel kemiği olan lojistik sektörünün 2027 yılına kadar inanılmaz bir şekilde 13,7 milyar €'ya ulaşması bekleniyor.

Ancak, bu büyüme, sıralama hataları, gecikmeli teslimatlar ve verimsizlikler gibi zorlukları da beraberinde getiriyor. Daha hızlı ve daha doğru teslimatlara olan talep arttıkça, geleneksel yöntemler yetersiz kalıyor ve işletmeler daha akıllı çözümler için yapay zekaya (AI) ve bilgisayarla görmeye yöneliyor.

Lojistikteki Görü Yapay Zekası, süreçleri otomatikleştirerek ve paket işlemede doğruluğu artırarak sektörü yeniden şekillendiriyor. Bilgisayarla görü, görüntüleri ve videoları gerçek zamanlı olarak analiz ederek, hataları azaltarak ve operasyonları kolaylaştırarak paketleri yüksek hassasiyetle tanımlamaya, izlemeye ve ayırmaya yardımcı olabilir. Özellikle, Ultralytics YOLO11 gibi gelişmiş bilgisayarla görü modelleri, daha hızlı ve daha doğru paket tanımlamayı sağlar. 

Roboflow Paket Segmentasyon Veri Kümesi gibi yüksek kaliteli bilgisayarlı görü veri kümeleri ile özel eğitimli YOLO11, gerçek dünya senaryolarında optimum performans sağlar. Bu makalede, bu veri kümesinin lojistik operasyonlarını yeniden tanımlamak için YOLO11'i eğitmek üzere nasıl kullanılabileceğini keşfedeceğiz. Ayrıca gerçek dünya uygulamalarını da tartışacağız. Hadi başlayalım!

Bilgisayarlı görü akıllı depolarda verimliliği nasıl yeniden tanımlar?

Depolar, her saat binlerce paketi işler. Ayıklama veya takipteki hatalar gecikmelere, maliyet artışlarına neden olabilir ve müşterileri hayal kırıklığına uğratır. Bilgisayarlı görü, makinelerin görüntüleri yorumlamasını ve görevleri akıllıca gerçekleştirmesini mümkün kılmak için kullanılabilir. Görüntü yapay zeka çözümleri, operasyonların daha az hatayla sorunsuz çalışmasına yardımcı olabilir.

Örneğin, bilgisayarla görü, paket tanımlama ve hasar tespiti gibi görevleri iyileştirerek manuel yöntemlerden daha hızlı ve güvenilir hale getirebilir. Bu sistemler genellikle dar alanlar veya düşük aydınlatma gibi zorlu ortamlarda iyi çalışacak şekilde tasarlanmıştır. 

Özellikle, YOLO11, paket işlemeyi hızlandırmak için kullanılabilir. Paketleri gerçek zamanlı olarak hassas bir şekilde algılayabilir. Verimliliği artırarak ve hataları azaltarak, YOLO11 sorunsuz operasyonları destekler ve şirketlerin son teslim tarihlerini karşılamasına ve daha iyi müşteri deneyimleri sunmasına yardımcı olur.

__wf_reserved_inherit
Şekil 1. YOLO11 kullanarak kutuları tespit etmeye bir örnek.

YOLO11, lojistik uygulamaları için harika bir seçenektir

YOLO11, nesne algılama, örnek segmentasyonu ve görüntü sınıflandırması gibi çeşitli bilgisayarlı görü görevlerini destekleyerek çeşitli sektörler için çok yönlü bir araçtır. YOLO11, hızı ve doğruluğu bir araya getirerek lojistik sektörü için harika bir araçtır. 

YOLOv8m'den %22 daha az parametreye sahip olmasına rağmen, COCO veri kümesinde daha yüksek hassasiyet elde ederek nesneleri daha doğru ve verimli bir şekilde tespit etmesini sağlar. Bu, hızlı ve yüksek hacimli gönderim ortamlarında bile paketleri hızlı ve güvenilir bir şekilde tanımlayabileceği anlamına gelir.

Ayrıca, bu avantajlar sadece paketlerle sınırlı değil. Örneğin, YOLO11, depolarda çalışanları gerçek zamanlı olarak tespit etmek, güvenliği ve verimliliği artırmak için kullanılabilir. Çalışan hareketini izleyebilir, kısıtlı alanları belirleyebilir ve potansiyel tehlikelere karşı denetçileri uyararak kazaları önlemeye ve sorunsuz operasyonlar sağlamaya yardımcı olabilir.

__wf_reserved_inherit
Şekil 2. YOLO11'in bir depoda çalışanları tespit etmek için kullanımına bir örnek.

Paket segmentasyon veri kümesi ile YOLO11'i optimize etme

Her harika yapay zeka uygulamasının arkasında genellikle yüksek kaliteli veri kümeleri üzerinde eğitilmiş bir model bulunur. Bu tür veri kümeleri, lojistik bilgisayarlı görü çözümleri oluşturmak için çok önemlidir. 

Böyle bir veri kümesine iyi bir örnek, gerçek dünya lojistik zorluklarını yansıtmak üzere tasarlanmış Roboflow Universe Package Segmentation Dataset veri kümesidir. Bu veri kümesi, görüntülerdeki paketleri algılamak ve ana hatlarını çizmek (veya bölümlere ayırmak) için bir modeli eğitmek için kullanılabilir.

Nesne bölümlendirme, nesneleri tanımlayan, sınırlandırma kutuları oluşturan ve şekillerinin ana hatlarını hassas bir şekilde belirleyen bir bilgisayar görüsü görevidir. Yalnızca nesnelerin etrafına sınırlandırma kutuları yerleştiren nesne algılamanın aksine, nesne bölümlendirme ek bir özellik olarak ayrıntılı, piksel düzeyinde maskeler sağlar. 

Roboflow Universe Paket Segmentasyonu Veri Kümesi, loş ışık ve karmaşık alanlardan öngörülemeyen yönlere kadar çeşitli koşullardaki paketlerin görüntülerini içerir. Ayrıca, bu veri kümesinin yapısı etkili model eğitimi ve değerlendirmesi için oluşturulmuştur. 1920 adet etiketlenmiş eğitim, 89 adet test ve 188 adet doğrulama görüntüsünden oluşur. Bu çeşitli örnek segmentasyonu veri kümesi kullanılarak eğitilmiş bilgisayarlı görü modelleri, depoların ve dağıtım merkezlerinin karmaşıklıklarına kolayca uyum sağlayabilir.

__wf_reserved_inherit
Şekil 3. Roboflow Paket Segmentasyon Veri Setine Genel Bakış.

Paket segmentasyon veri kümesi ile YOLO11 eğitimi

Ultralytics YOLO11 gibi Ultralytics YOLO modellerini eğitmek basit ve anlaşılır bir süreçtir. Modeller, Komut Satırı Arayüzü (CLI) veya Python komut dosyaları kullanılarak eğitilebilir ve esnek ve kullanıcı dostu kurulum seçenekleri sunar.

Ultralytics Python paketi Roboflow Paket Segmentasyon Veri Kümesini desteklediğinden, YOLO11'i üzerinde eğitmek yalnızca birkaç satır kod gerektirir ve eğitim beş dakika kadar kısa bir sürede başlatılabilir. Daha fazla ayrıntı için resmi Ultralytics belgelerine göz atın.

YOLO11'i bu veri kümesi üzerinde eğittiğinizde, perde arkasında, eğitim süreci paket segmentasyon veri kümesini üç bölüme ayırarak başlar: eğitim, doğrulama ve test. Eğitim seti, modele paketleri doğru bir şekilde tanımlamayı ve bölümlere ayırmayı öğretirken, doğrulama seti, gerçek dünya senaryolarına iyi uyum sağlamasını sağlayarak, görünmeyen görüntüler üzerinde test ederek doğruluğunu ince ayarlamaya yardımcı olur. 

Son olarak, test seti, modelin dağıtıma hazır olduğunu doğrulamak için genel performansı değerlendirir. Eğitim tamamlandıktan sonra, model lojistik iş akışlarına sorunsuz bir şekilde entegre olur ve paket tanımlama ve sıralama gibi görevleri otomatikleştirir.

__wf_reserved_inherit
Şekil 4. YOLO11 için özel eğitim iş akışı. Görsel: yazar tarafından.

Daha akıllı lojistik için bilgisayarlı görü uygulamaları

Artık paket segmentasyon veri kümesini kullanarak YOLO11'i nasıl özel olarak eğiteceğimizi adım adım incelediğimize göre, akıllı lojistikte bilgisayarlı görü yönteminin bazı gerçek dünya uygulamalarını tartışalım.

YOLO11 ile akıllı depo izleme

Depolar genellikle, özellikle yoğun satış dönemlerinde saatte binlerce paket işler. Her şekil ve boyuttaki paketler, ayrılmayı ve gönderilmeyi bekleyerek konveyör bantları üzerinde hızla hareket eder. Bu kadar büyük hacimli paketleri manuel olarak ayıklamak hatalara, gecikmelere ve boşa harcanan çabaya yol açabilir.

YOLO11 kullanıldığında, depolar çok daha verimli çalışabilir. Model, gerçek zamanlı bir akışı analiz ederek her bir paketi nesne tespiti ile tanımlayabilir. Bu, paketleri doğru bir şekilde izlemeye, hataları azaltmaya ve yanlış yerleştirilmiş veya gecikmiş gönderileri önlemeye yardımcı olur.

__wf_reserved_inherit
Şekil 5. Paketleri tespit etmek ve saymak için YOLO11 kullanma.

Bunun da ötesinde, YOLO11'in örnek segmentasyonu yetenekleri, istiflenmiş veya üst üste binmiş olsalar bile, tek tek paketleri doğru bir şekilde tanımlayarak ve ayırarak paket işlemeyi daha verimli hale getirir. Sıralama doğruluğunu artırarak ve daha iyi envanter takibi sağlayarak YOLO11, lojistik süreçlerini otomatikleştirmeye, hataları azaltmaya ve operasyonların sorunsuz çalışmasını sağlamaya yardımcı olur.

Hasar tespiti için YOLO11 kullanma

Kimse yırtık, ezik veya hasarlı bir paket almak istemez. Müşteriler için sinir bozucu ve işletmeler için maliyetli olabilir, bu da şikayetlere, iadelere ve kaynak israfına yol açar. Sağlam paketlerin tutarlı bir şekilde teslim edilmesi, müşteri güvenini korumanın önemli bir parçasıdır.

YOLO11, bu sorunları erken yakalamaya yardımcı olabilir. Ayıklama merkezlerinde, YOLO11, ezikleri, yırtıkları veya sızıntıları tespit etmek için örnek segmentasyonu kullanarak paketleri gerçek zamanlı olarak taramak için kullanılabilir. Hasarlı bir paket tespit edildiğinde, otomatik olarak işaretlenebilir ve üretim hattından çıkarılabilir. Görüntüleme Yapay Zeka odaklı bir sistem, israfı azaltmaya ve müşterilerin yalnızca yüksek kaliteli ürünler almasını sağlamaya yardımcı olabilir.

Lojistikte bilgisayarlı görü kullanımının artıları ve eksileri

Artık akıllı lojistikte bilgisayarlı görü kullanımının gerçek dünya uygulamalarını incelediğimize göre, YOLO11 gibi bilgisayarlı görü modellerinin sağladığı faydalara daha yakından bakalım. Paketleme kalitesinin korunmasından, yoğun talep sırasında görevlerin yönetilmesine kadar, küçük iyileştirmeler bile büyük fark yaratabilir.

İşte bazı temel avantajlara hızlı bir bakış:

  • Maliyet tasarrufu: YOLO11, verimliliği artırarak, israfı azaltarak ve iadeleri en aza indirerek genel işletme maliyetlerini düşürmeye yardımcı olur.
  • Depo otomasyonu: Uç bilgi işlem için optimize edilen YOLO11, büyük ölçekli lojistik merkezlerinde paket işlemeyi otomatikleştirerek depo robotlarına ve havadan drone'lara entegre edilebilir.
  • Sürdürülebilirlik faydaları: YOLO11, atığı azaltarak, rotaları optimize ederek ve gereksiz gönderileri en aza indirerek daha çevre dostu lojistik operasyonlarına katkıda bulunur.

Avantajlarına rağmen, lojistik iş akışlarında bilgisayarlı görü yeniliklerini uygularken akılda tutulması gereken bazı sınırlamalar da bulunmaktadır:

  • Sürekli güncelleme ihtiyacı: Yapay zeka modellerinin yeni zorluklara, paket türlerine veya değişen depo düzenlerine uyum sağlamak için düzenli olarak güncellenmesi ve yeniden eğitilmesi gerekir.
  • Eski sistemlerle entegrasyon: Birçok lojistik şirketi eski altyapıya güvenir ve bu da modern yapay zeka teknolojileriyle sorunsuz entegrasyonu zorlaştırır.
  • Gizlilik ve güvenlik endişeleri: Yapay zeka güdümlü görüntü işleme sistemlerinin kullanılması, çalışan gizliliği ve veri güvenliği hakkında endişelere yol açabilir ve dikkatli politika değerlendirmeleri gerektirebilir.

Akıllı depolarla ilgili önemli çıkarımlar

Ultralytics YOLO11, Roboflow Paket Segmentasyon Veri Kümesi gibi veri kümelerinde özel olarak eğitildiğinde, çeşitli depo koşullarına uyum sağlayarak ve yoğun dönemlerde verimli bir şekilde ölçeklenerek lojistik otomasyonunu geliştirebilir. Lojistik operasyonları daha karmaşık hale geldikçe, YOLO11 doğruluk sağlamaya, hataları en aza indirmeye ve teslimatların sorunsuz bir şekilde devam etmesine yardımcı olabilir.

Lojistikte görüntüleme yapay zekası, daha akıllı, daha hızlı ve daha güvenilir iş akışları sağlayarak sektörü dönüştürüyor. İşletmeler, bilgisayarlı görü teknolojisini operasyonlarına entegre ederek verimliliği artırabilir, maliyetleri düşürebilir ve müşteri memnuniyetini iyileştirebilir.

Yapay zekayı iş başında görmek için topluluğumuza katılın ve GitHub depomuza göz atın. Çözüm sayfalarımızda YOLO lisanslama seçeneklerimizi inceleyin ve tarımda bilgisayarlı görü ve sağlık hizmetlerinde yapay zeka hakkında daha fazla bilgi edinin.

Gelin, yapay zekanın geleceğini
birlikte inşa edelim!

Makine öğreniminin geleceği ile yolculuğunuza başlayın

Ücretsiz başlayın
Bağlantı panoya kopyalandı