Ultralytics YOLO11 ile paket tanımlama ve bölümleme

İnternetten bir şey sipariş ettiğinde ve bu evine gönderildiğinde, süreç basit hissettirir. Birkaç düğmeye tıklarsın ve paket kapında belirir. Ancak bu akıcı teslimatın arkasında, paketleri gitmeleri gereken yere ulaştırmak için yorulmadan çalışan karmaşık bir depolar, kamyonlar ve sınıflandırma sistemleri ağı vardır. Bu sistemin omurgası olan logistics industry, 2027 yılına kadar inanılmaz bir şekilde 13,7 milyar avroya büyüyecek şekilde öngörülmektedir.

Ancak bu büyüme, sınıflandırma hataları, gecikmeli teslimatlar ve verimsizlikler gibi kendi payına düşen zorluklarla birlikte gelir. Daha hızlı ve daha doğru teslimatlara yönelik talep arttıkça, geleneksel yöntemler yetersiz kalmakta ve işletmeler daha akıllı çözümler için yapay zekaya (AI) ve computer vision teknolojisine yönelmektedir.

Vision AI in logistics, süreçleri otomatize ederek ve paket yönetiminde doğruluğu artırarak sektörü yeniden şekillendiriyor. Görselleri ve videoları gerçek zamanlı olarak analiz eden computer vision, paketlerin yüksek hassasiyetle tanımlanmasına, takip edilmesine ve sınıflandırılmasına yardımcı olarak hataları azaltır ve operasyonları kolaylaştırır. Özellikle Ultralytics YOLO11 gibi gelişmiş computer vision modelleri, daha hızlı ve daha doğru paket tanımlaması sağlar.

Roboflow Package Segmentation Dataset gibi yüksek kaliteli bilgisayarlı görü veri setleriyle Ultralytics YOLO11 modelini özel olarak eğitmek, gerçek dünya senaryolarında en iyi performansı sağlar. Bu makalede, lojistik operasyonlarını yeniden tanımlamak için bu dataset kullanılarak YOLO11 modelinin nasıl eğitilebileceğini inceleyeceğiz. Ayrıca gerçek dünya uygulamalarını da ele alacağız. Hadi başlayalım!

Computer vision akıllı depolarda verimliliği nasıl yeniden tanımlıyor?#

Depolar her saat binlerce paket işler. Sınıflandırma veya takipteki hatalar gecikmelere, maliyet artışlarına neden olabilir ve müşterileri hayal kırıklığına uğratabilir. Makinelerin görselleri yorumlamasını ve görevleri akıllıca yerine getirmesini mümkün kılmak için computer vision kullanılabilir. Vision AI solutions çözümleri, operasyonların daha az hatayla sorunsuz bir şekilde yürütülmesine yardımcı olabilir.

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

Özellikle Ultralytics YOLO11, paket elleçleme işlemlerini hızlandırmak için kullanılabilir. Paketleri gerçek zamanlı olarak yüksek bir hassasiyetle hızlıca tespit edebilir. Verimliliği artırarak ve hataları azaltarak YOLO11, kusursuz operasyonları destekler ve şirketlerin teslim tarihlerine uymasına ve daha iyi müşteri deneyimleri sunmasına yardımcı olur.

Fig 1. YOLO11 kullanarak kutuların tespit edilmesine dair bir örnek.

Ultralytics YOLO11 lojistik uygulamalar için harika bir seçenektir#

Ultralytics YOLO11, nesne tespiti, instance segmentation ve görüntü sınıflandırma gibi çeşitli computer vision tasks işlemlerini destekleyerek onu farklı sektörler için çok yönlü bir araç haline getirir. YOLO11, hızı ve doğruluğu bir araya getirerek lojistik sektörü için harika bir araç olmasını sağlar.

YOLOv8m'den %22 daha az parametre ile COCO veri setinde daha yüksek hassasiyet elde eder, bu da nesneleri daha doğru ve verimli bir şekilde algılamasını sağlar. Bu, hızlı tempolu ve yüksek hacimli gönderim ortamlarında bile paketleri hızlı ve güvenilir bir şekilde tanımlayabileceği anlamına gelir.

Ayrıca, bu avantajlar yalnızca paketlerle sınırlı değildir. Örneğin, Ultralytics YOLO11, depolarında çalışanları gerçek zamanlı olarak tespit etmek, güvenliği ve verimliliği artırmak için kullanılabilir. Çalışan hareketlerini takip edebilir, kısıtlı alanları belirleyebilir ve yöneticileri potansiyel tehlikelere karşı uyararak kazaların önlenmesine ve operasyonların sorunsuz yürütülmesine yardımcı olabilir.

Şekil 2. Depodaki işçileri tespit etmek için Ultralytics YOLO11 kullanımına bir örnek.

Paket segmentasyon veri kümesiyle Ultralytics YOLO11 modelini optimize etme#

Her harika yapay zeka uygulamasının arkasında genellikle yüksek kaliteli veri setleri üzerinde eğitilmiş bir model vardır. Bu tür veri setleri, lojistik computer vision çözümleri oluşturmak için çok önemlidir.

Böyle bir veri kümesine iyi bir örnek, gerçek dünyadaki lojistik zorluklarını yansıtacak şekilde tasarlanmış olan Roboflow Universe Package Segmentation Dataset veri kümesidir. Bu veri kümesi, görsellerdeki paketleri tespit etmek ve ana hatlarını çizmek (veya bölütlemek) için bir modeli eğitmek üzere kullanılabilir.

Instance segmentation, nesneleri tanımlayan, sınırlayıcı kutular oluşturan ve bunların şeklini hassas bir şekilde çizen bir computer vision görevidir. Yalnızca nesnelerin etrafına sınırlayıcı kutular yerleştiren nesne tespitinin aksine instance segmentation, ek bir özellik olarak ayrıntılı, piksel düzeyinde maskeler sağlar.

Roboflow Universe Package Segmentation Dataset veri kümesi, loş aydınlatma ve kalabalık alanlardan öngörülemeyen yönelimlere kadar çeşitli koşullardaki paketlerin görsellerini içerir. Ayrıca bu veri kümesinin yapısı, etkili model training eğitimi ve değerlendirmesi için oluşturulmuştur. Eğitim için 1920 açıklama eklenmiş görsel, test için 89 ve doğrulama için 188 görselten oluşmaktadır. Bu çeşitli instance segmentation veri kümesi kullanılarak eğitilen computer vision modelleri, depoların ve dağıtım merkezlerinin karmaşıklıklarına kolayca uyum sağlayabilir.

Fig 3. Roboflow Package Segmentation Dataset veri kümesine genel bakış.

Paket segmentasyon veri kümesiyle Ultralytics YOLO11 modelini eğitme#

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

Ultralytics Python package paketi Roboflow Package Segmentation Dataset veri kümesini desteklediğinden, YOLO11'i bunun üzerinde eğitmek yalnızca birkaç satır kod gerektirir ve eğitim beş dakikadan kısa sürede başlatılabilir. Daha fazla ayrıntı için official Ultralytics documentation resmi belgelerine göz at.

Ultralytics YOLO11 modelini bu veri kümesi üzerinde eğittiğinde, arka planda eğitim süreci paket segmentasyon veri kümesini üç parça halinde bölerek başlar: eğitim, doğrulama ve test. Eğitim seti, modele paketleri doğru bir şekilde tanımlamayı ve segmentlere ayırmayı öğretirken, doğrulama seti ise modeli daha önce görülmemiş görseller üzerinde test ederek doğruluğunu ince ayarlarla artırmaya yardımcı olur ve gerçek dünya senaryolarına iyi uyum sağlamasını sağlar.

Son olarak, test seti modelin dağıtıma hazır olduğunu doğrulamak için genel performansı değerlendirir. Eğitim tamamlandığında model, paket tanımlama ve sıralama gibi görevleri otomatikleştirerek lojistik iş akışlarına sorunsuz bir şekilde uyum sağlar.

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

Daha akıllı lojistik için computer vision uygulamaları#

Paket segmentasyon veri kümesini kullanarak Ultralytics YOLO11 modelini nasıl özel olarak eğiteceğimizi incelediğimize göre, akıllı lojistikte bilgisayarla görü uygulamalarının bazı gerçek dünya kullanım alanlarını tartışalım.

Ultralytics YOLO11 ile akıllı depo izleme#

Depolar, özellikle yoğun satış sezonlarında saatte binlerce paketi yönetir. Her şekil ve boyuttaki paketler, sıralanmayı ve gönderilmeyi bekleyerek konveyör bantlarında hızla hareket eder. Bu kadar büyük hacimli paketleri manuel olarak sıralamak hatalara, gecikmelere ve israf edilen çabaya yol açabilir.

Ultralytics YOLO11 kullanarak depolar çok daha verimli bir şekilde çalışabilir. Model, her bir paketi tanımlamak için object detection kullanarak gerçek zamanlı bir akışı analiz edebilir. Bu, paketlerin doğru bir şekilde izlenmesine yardımcı olarak hataları azaltır ve yanlış yere konulan veya geciken gönderileri önler.

Fig 5. Paketleri tespit etmek ve saymak için YOLO11 kullanılması.

Buna ek olarak, Ultralytics YOLO11 modelinin instance segmentation yetenekleri, üst üste binmiş veya yığılmış olsalar bile bireysel paketleri doğru bir şekilde tanımlayıp ayırarak paket elleçleme sürecini daha verimli hale getirir. Sıralama doğruluğunu artırarak ve daha iyi envanter takibi sağlayarak YOLO11, lojistik süreçlerini otomatikleştirmeye, hataları azaltmaya ve operasyonların sorunsuz bir şekilde devam etmesine yardımcı olur.

Hasar tespiti için Ultralytics YOLO11 kullanımı#

Kimse yırtık, ezik veya hasarlı bir paket almak istemez. Bu durum müşteriler için sinir bozucu, işletmeler için ise maliyetli olabilir; şikayetlere, iadelere ve kaynak israfına yol açar. Paketleri tutarlı bir şekilde sağlam teslim etmek, müşteri güvenini korumanın anahtarıdır.

Ultralytics YOLO11, bu sorunların erken fark edilmesine yardımcı olabilir. Sıralama merkezlerinde YOLO11, ezikleri, yırtıkları veya sızıntıları tespit etmek amacıyla instance segmentation kullanarak paketleri gerçek zamanlı taramak için kullanılabilir. Hasarlı bir paket tespit edildiğinde, otomatik olarak işaretlenebilir ve üretim hattından çıkarılabilir. Vision AI destekli bir sistem, israfı azaltmaya ve müşterilerin yalnızca yüksek kaliteli ürünler almasını sağlamaya yardımcı olabilir.

Lojistikte computer vision'ın artıları ve eksileri#

Akıllı lojistikte bilgisayarla görü kullanımının gerçek dünya uygulamalarını incelediğimize göre, Ultralytics YOLO11 gibi bilgisayarla görü modellerinin sağladığı avantajlara daha yakından bakalım. Paketleme kalitesini korumaktan yoğun talep dönemlerindeki görevleri yönetmeye kadar, küçük iyileştirmeler bile büyük bir fark yaratabilir.

İşte temel faydalardan bazılarına hızlı bir bakış:

• Maliyet tasarrufu: Verimliliği artırarak, israfı azaltarak ve iadeleri en aza indirerek Ultralytics YOLO11, genel operasyonel maliyetlerin düşmesine yardımcı olur.

• Depo otomasyonu: Kenar bilişim (edge computing) için optimize edilmiş olan Ultralytics YOLO11, depo robotları ve havadan drones ile entegre edilerek büyük ölçekli sipariş karşılama merkezlerinde paket yönetimini otomatikleştirebilir.

• Sürdürülebilirlik avantajları: Atıkları azaltarak, rotaları optimize ederek ve gereksiz gönderileri en aza indirerek Ultralytics YOLO11, daha çevre dostu lojistik operasyonlarına katkıda bulunur.

Avantajlarına rağmen, lojistik iş akışlarında computer vision yeniliklerini uygularken akılda tutulması gereken belirli sınırlamalar da vardır:

• Sürekli güncelleme ihtiyacı: AI modellerinin yeni zorluklara, paket türlerine veya değişen depo düzenlerine uyum sağlaması için düzenli olarak güncellenmesi ve yeniden eğitilmesi gerekir.
• Eski sistemlerle entegrasyon: Birçok lojistik şirketi eski altyapılara güvenir, bu da modern AI teknolojileriyle sorunsuz entegrasyonu zorlaştırır.
• Gizlilik ve güvenlik endişeleri: AI destekli görüntü sistemlerinin kullanılması, çalışan gizliliği ve veri güvenliği konusunda endişelere yol açabilir ve bu da dikkatli politika değerlendirmeleri gerektirir.

Akıllı depolar hakkında önemli çıkarımlar#

Ultralytics YOLO11, Roboflow Package Segmentation Dataset gibi veri setleri üzerinde özel olarak eğitildiğinde, çeşitli depo koşullarına uyum sağlayarak ve yoğun dönemlerde verimli bir şekilde ölçeklenerek lojistik otomasyonunu geliştirebilir. Lojistik operasyonlar daha karmaşık hale geldikçe, YOLO11 doğruluğu sağlamaya, hataları en aza indirmeye ve teslimatların sorunsuz bir şekilde devam etmesine yardımcı olabilir.

Lojistikte Vision AI, daha akıllı, daha hızlı ve daha güvenilir iş akışları sağlayarak sektörü dönüştürüyor. İşletmeler, computer vision'ı operasyonlarına entegre ederek verimliliği artırabilir, maliyetleri düşürebilir ve müşteri memnuniyetini iyileştirebilir.

Yapay zekayı iş başında görmek için community topluluğumuza katıl ve GitHub repository deponu incele. Çözüm sayfalarımızda YOLO licensing options lisanslama seçeneklerimizi keşfet ve computer vision in agriculture tarımda computer vision ile AI in healthcare sağlıkta yapay zeka hakkında daha fazla bilgi edin.