Ultralytics YOLO11 ile paket tanımlama ve segmentasyonu

İnternetten bir şey sipariş ettiğinde ve siparişin evine gönderildiğinde süreç kolay görünür. Birkaç düğmeye tıklarsın ve paket kapına gelir. Ancak bu sorunsuz teslimatın arkasında, paketleri gitmeleri gereken yere ulaştırmak için durmaksızın çalışan karmaşık bir depo, kamyon ve tasnif sistemi ağı vardır. Bu sistemin bel kemiği olan lojistik sektörünün 2028'e kadar 14 trilyon avroyu aşması bekleniyor.

Ancak bu büyüme; tasnif hataları, geciken teslimatlar ve verimsizlikler gibi çeşitli zorlukları da beraberinde getiriyor. Daha hızlı ve doğru teslimat talebi arttıkça geleneksel yöntemler yetersiz kalıyor; işletmeler daha akıllı çözümler için yapay zekâya (AI) ve bilgisayarlı görüye yöneliyor.

Lojistikte görsel yapay zekâ, süreçleri otomatikleştirip paket işlemeyi daha doğru hâle getirerek sektörü yeniden şekillendiriyor. Görüntüleri ve videoları gerçek zamanlı analiz eden bilgisayarlı görü; paketleri yüksek hassasiyetle tanımlamaya, izlemeye ve ayırmaya yardımcı olabilir, böylece hataları azaltıp operasyonları kolaylaştırır. Özellikle Ultralytics YOLO11 gibi gelişmiş bilgisayarlı görü modelleri, paketlerin daha hızlı ve daha doğru tanımlanmasını sağlar.

Ultralytics YOLO11'in Roboflow Package Segmentation Dataset gibi yüksek kaliteli bilgisayarlı görü veri kümeleriyle özel olarak eğitilmesi, gerçek dünya senaryolarında en iyi performansı sağlar. Bu makalede, lojistik operasyonlarını yeniden tanımlamak üzere YOLO11'i eğitmek için bu veri kümesinin nasıl kullanılabileceğini inceleyeceğiz. Gerçek dünyadaki uygulamalarını da ele alacağız. Haydi başlayalım!

Bilgisayarlı görü akıllı depolarda verimliliği nasıl yeniden tanımlıyor?#

Depolarda her saat binlerce paket işlenir. Tasnif veya takip hataları gecikmelere, maliyet artışlarına ve müşteri memnuniyetsizliğine yol açabilir. Makinelerin görüntüleri yorumlayıp görevleri akıllıca yerine getirmesini sağlamak için bilgisayarlı görüden yararlanılabilir. Yapay zekâ destekli görü çözümleri, operasyonların daha az hatayla sorunsuz ilerlemesi için süreçleri kolaylaştırmaya yardımcı olabilir.

Örneğin bilgisayarlı görü; paket tanımlama ve hasar algılama gibi görevleri geliştirerek bunları manuel yöntemlerden daha hızlı ve güvenilir hâle getirebilir. Bu sistemler çoğu zaman dar alanlar veya yetersiz aydınlatma gibi zorlu ortamlarda da iyi çalışacak şekilde tasarlanır.

Özellikle Ultralytics YOLO11, paketlerin işlenmesini hızlandırmak için kullanılabilir. Paketleri gerçek zamanlı olarak hızlı ve hassas biçimde algılayabilir. Verimliliği artırıp hataları azaltan YOLO11, şirketlerin teslim tarihlerine uymasına ve daha iyi müşteri deneyimleri sunmasına yardımcı olarak operasyonların sorunsuz ilerlemesini sağlar.

Şekil 1. YOLO11 kullanılarak kutuların algılanmasına örnek.

Ultralytics YOLO11, lojistik uygulamaları için çok uygundur.#

Ultralytics YOLO11; nesne algılama, örnek segmentasyonu ve görüntü sınıflandırma gibi çeşitli bilgisayarlı görü görevlerini destekleyerek farklı sektörlerde kullanılabilecek çok yönlü bir araç hâline gelir. Hız ve doğruluğu bir araya getiren YOLO11, lojistik sektörü için harika bir araçtır.

YOLOv8m'den %22 daha az parametreyle COCO veri kümesinde daha yüksek ortalama hassasiyet (mAP) elde ederek nesneleri daha doğru ve verimli biçimde tespit etmesini sağlar. Böylece hızlı ve yüksek hacimli kargo ortamlarında bile paketleri hızla ve güvenilir şekilde tanımlayabilir.

Üstelik bu avantajlar yalnızca paketlerle sınırlı değil. Örneğin Ultralytics YOLO11, depolarda çalışanları gerçek zamanlı algılayarak güvenliği ve verimliliği artırmak için kullanılabilir. Çalışanların hareketlerini izleyebilir, kısıtlı alanları belirleyebilir ve olası tehlikeler konusunda yöneticileri uyararak kazaların önlenmesine ve operasyonların sorunsuz yürütülmesine yardımcı olabilir.

Şekil 2. Depoda çalışanları algılamak için Ultralytics YOLO11 kullanımına örnek.

Paket segmentasyonu veri kümesiyle Ultralytics YOLO11'i iyileştirme#

Her başarılı yapay zekâ uygulamasının arkasında genellikle yüksek kaliteli veri kümeleriyle eğitilmiş bir model bulunur. Bu tür veri kümeleri, lojistik alanında bilgisayarlı görü çözümleri geliştirmek için kritik öneme sahiptir.

Bu tür bir veri kümesine iyi bir örnek, gerçek dünyadaki lojistik zorluklarını yansıtmak üzere tasarlanan Roboflow Universe Package Segmentation Dataset veri kümesidir. Bu veri kümesi, görüntülerdeki paketleri algılayıp dış hatlarını belirlemek (veya segmentlere ayırmak) üzere bir model eğitmek için kullanılabilir.

Örnek segmentasyonu, nesneleri tanımlayan, sınırlayıcı kutular oluşturan ve şekillerinin ana hatlarını hassas biçimde belirleyen bir bilgisayarlı görü görevidir. Nesnelerin çevresine yalnızca sınırlayıcı kutular yerleştiren nesne algılamanın aksine örnek segmentasyonu, ek bir özellik olarak piksel düzeyinde ayrıntılı maskeler sunar.

Roboflow Universe Package Segmentation Dataset; loş ışık ve dağınık alanlardan öngörülemeyen yönlere kadar çeşitli koşullardaki paketlerin görüntülerini içerir. Ayrıca bu veri kümesinin yapısı, etkili model eğitimi ve değerlendirme için oluşturulmuştur. Eğitim için açıklama eklenmiş 1920, test için 89 ve doğrulama için 188 görüntüden oluşur. Bu çeşitli örnek segmentasyonu veri kümesi kullanılarak eğitilen bilgisayarlı görü modelleri, depo ve dağıtım merkezlerinin karmaşık koşullarına kolayca uyum sağlayabilir.

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

Ultralytics YOLO11'i paket segmentasyonu veri kümesiyle eğitme#

Ultralytics YOLO11 gibi Ultralytics YOLO modellerini eğitmek basit ve kolay bir süreçtir. Modeller Komut Satırı Arayüzü (CLI) veya Python betikleri kullanılarak eğitilebilir; bu seçenekler esnek ve kullanıcı dostu kurulum yöntemleri sunar.

Ultralytics Python paketi Roboflow'un Paket Segmentasyonu Veri Kümesi'ni desteklediğinden, bu veri kümesiyle YOLO11'i eğitmek yalnızca birkaç satır kod gerektirir ve eğitime beş dakika gibi kısa bir sürede başlanabilir. Daha fazla ayrıntı için Paket Segmentasyonu Veri Kümesi kullanım kılavuzuna göz at.

Ultralytics YOLO11'i bu veri kümesiyle eğittiğinde, paket segmentasyonu veri kümesinin zaten sunduğu üç bölümü kullanır: eğitim, doğrulama ve test. Eğitim kümesi modele paketleri doğru biçimde tanımlamayı ve segmentlere ayırmayı öğretirken doğrulama kümesi, görülmemiş görüntülerle test ederek ve modelin gerçek dünya senaryolarına iyi uyum sağladığından emin olarak doğruluğunun ince ayarına yardımcı olur.

Son olarak test kümesi, modelin dağıtıma hazır olduğunu doğrulamak için genel performansını değerlendirir. Eğitim tamamlandığında model, paket tanımlama ve ayırma gibi görevleri otomatikleştirmek üzere lojistik iş akışlarına entegre edilebilir.

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

Daha akıllı lojistik için bilgisayarlı görü uygulamaları#

Paket segmentasyonu veri kümesini kullanarak Ultralytics YOLO11'i özel olarak nasıl eğiteceğimizi anlattığımıza göre, şimdi akıllı lojistikte bilgisayarlı görünün gerçek dünyadaki bazı uygulamalarını ele alalım.

Ultralytics YOLO11 ile akıllı depo izleme#

Özellikle yoğun alışveriş dönemlerinde depolar saatte binlerce paketi işler. Her şekil ve boyuttaki paketler, tasnif edilip sevk edilmeyi beklerken konveyör bantlarında hızla ilerler. Bu kadar çok paketi manuel olarak tasnif etmek hatalara, gecikmelere ve boşa harcanan emeğe yol açabilir.

Ultralytics YOLO11 kullanarak depolar çok daha verimli çalışabilir. Model, her paketi tanımlamak için nesne algılamayı kullanarak canlı görüntü akışını analiz edebilir. Bu, paketlerin doğru şekilde izlenmesine yardımcı olarak hataları, yanlış yere gönderilen veya geciken sevkiyatları azaltır.

Şekil 5. Paketleri algılamak ve saymak için YOLO11 kullanımı.

Bunun yanı sıra Ultralytics YOLO11'in örnek segmentasyonu özellikleri, üst üste dizilmiş veya birbirini örtmüş olsalar bile paketleri doğru şekilde tanımlayıp birbirinden ayırarak paketlerin işlenmesini daha verimli hâle getirir. Tasnif doğruluğunu artırıp envanter takibini iyileştiren YOLO11, lojistik süreçlerini otomatikleştirmeye, hataları azaltmaya ve operasyonların sorunsuz ilerlemesini sağlamaya yardımcı olur.

Hasar tespiti için Ultralytics YOLO11 kullanımı#

Kimse yırtılmış, ezilmiş veya hasar görmüş bir paket teslim almak istemez. Bu durum müşterileri hayal kırıklığına uğratabilir ve şikâyetlere, iadeye ve kaynak israfına yol açarak işletmelere maliyet getirebilir. Hasarsız paketleri tutarlı biçimde teslim etmek, müşteri güvenini korumanın önemli bir parçasıdır.

Ultralytics YOLO11, bu sorunların erken tespit edilmesine yardımcı olabilir. Tasnif merkezlerinde YOLO11, paketleri gerçek zamanlı tarayarak örnek segmentasyonuyla ezikleri, yırtıkları veya sızıntıları algılayabilir. Hasarlı bir paket belirlendiğinde otomatik olarak işaretlenip üretim hattından çıkarılabilir. Yapay zekâ destekli görü sistemi, israfı azaltmaya ve müşterilerin yalnızca yüksek kaliteli ürünleri teslim almasını sağlamaya yardımcı olabilir.

Lojistikte bilgisayarlı görünün artıları ve eksileri#

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

Başlıca avantajlardan bazılarına hızlıca göz atalım:

• Maliyet tasarrufu: Ultralytics YOLO11; verimliliği artırıp israfı azaltarak ve iadeleri en aza indirerek genel işletme maliyetlerini düşürmeye yardımcı olur.
• Depo otomasyonu: Uç bilişim için optimize edilen Ultralytics YOLO11, büyük ölçekli sipariş karşılama merkezlerinde paket işlemlerini otomatikleştirmek üzere depo robotlarıyla ve havadan çalışan dronlarla entegre edilebilir.
• Sürdürülebilirlik avantajları: Ultralytics YOLO11, israfı azaltıp rotaları iyileştirerek ve gereksiz sevkiyatları en aza indirerek daha çevre dostu lojistik operasyonlarına katkıda bulunur.

Avantajlarına rağmen lojistik iş akışlarında bilgisayarlı görü yeniliklerini uygularken göz önünde bulundurman gereken bazı kısıtlamalar da vardır:

• Sürekli güncelleme ihtiyacı: Yapay zekâ 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 dayanır; bu da modern yapay zekâ teknolojileriyle sorunsuz entegrasyonu zorlaştırır.
• Gizlilik ve güvenlik endişeleri: Yapay zekâ destekli görüntü sistemlerinin kullanılması, çalışan gizliliği ve veri güvenliğiyle ilgili endişelere yol açabilir; bu nedenle politika kararlarının dikkatle ele alınması gerekir.

Akıllı depolara ilişkin temel çıkarımlar#

Ultralytics YOLO11, Roboflow Package Segmentation Dataset gibi veri kümeleriyle özel olarak eğitildiğinde, çeşitli depo koşullarına uyum sağlayarak ve yoğun dönemlerde verimli şekilde ölçeklenerek lojistik otomasyonunu geliştirebilir. Lojistik operasyonları daha karmaşık hâle geldikçe YOLO11 doğruluğun sağlanmasına, hataların en aza indirilmesine ve teslimatların sorunsuz ilerlemesine yardımcı olabilir.

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

Topluluğumuza katıl ve yapay zekâyı iş başında görmek için GitHub depomuza göz at. YOLO lisanslama seçeneklerimizi incele ve çözümler sayfalarımızda tarımda bilgisayarlı görü ve sağlık hizmetlerinde yapay zekâ hakkında daha fazlasını keşfet.