RTM, merkezi Seul'de bulunan endüstriyel bir yapay zeka şirketidir. Görüntü birimi, üretim tesisleri için yapay zeka destekli güvenlik izleme sistemleri geliştirir: fabrika sahasına önceden kurulmuş kameralar, insanları, düşmeleri, tehlikeli bölge ihlallerini, yangını veya dumanı algılayan Ultralytics YOLO26 modelleriyle kesintisiz izlenir. Sistem, müşterinin mevcut bilgisayarında tümleşik grafiklerden ayrık GPU'lara kadar çalışır.
Kimsenin izlemediği kameraları izlemek#
Endüstriyel kazalar, kimsenin gözetmediği boşluklarda meydana gelme eğilimindedir. Fabrikalarda her üretim hattında kameralar vardır, ancak hiç kimse tüm görüntü akışlarını her an izleyemez. RTM bunu sürekli yapmak için bir sistem geliştirdi: her kamera kanalı, biri kişi algılama, diğeri yangın ve duman algılama için eğitilmiş iki Ultralytics YOLO26 modeli çalıştırır. Bu modeller, çalışan düşmeleri ve tehlikeli bölge ihlalleri için alarm veren deterministik bir olay katmanına veri sağlar.
Son altı ayda RTM'nin endüstriyel güvenlik yapay zeka çözümü; çelik, pil, kimya ve plastik, gıda ve robotik üretimi yapan 21 şirkette 7/24 kullanıma alındı veya yerinde değerlendirmeye tabi tutuldu. Mevcut CCTV sistemlerine bağlanan çözüm, bir çalışanın tehlikeli bir bölgeye girdiğini veya düştüğünü algılıyor ve dahili sistemler üzerinden uyarı gönderiyor ya da PLC entegrasyonu aracılığıyla bağlı fabrika ekipmanlarını doğrudan kontrol ediyor.
Şekil 1. Ultralytics YOLO destekli RTM düşme algılama canlı yayını (görsel kaynağı: RTM).
Kimsenin satın almak istemediği donanım sorununu çözmek#
Güvenlik izlemesi, hiçbir sistem kurmama seçeneğiyle rekabet eder. Tek bir kamerayı bile izleyebilmek için yeni sunucu donanımı gerektiren bir sistem söz konusuysa değerlendirme çoğu zaman başlamadan sona erer. Üreticiler için mevcut durum, pahalı özel donanım ile hiçbir otomatik izleme sistemi kullanmamak arasında seçim yapmaktı.
RTM bu ödünleşimi ortadan kaldırmayı hedefledi: kontrol odasında hâlihazırda bulunan herhangi bir bilgisayarda, Intel tümleşik grafiklerden NVIDIA RTX 3090'a kadar çalışabilen ve her tesis için ayrı bir derleme gerektirmeyen tek bir dağıtım.
RTM bu hedefe ulaşmak için her iki YOLO26 modelini de sabit bir şekille ONNX biçimine aktarır ve ONNX Runtime üzerinden beş yürütme sağlayıcısıyla çalıştırır: TensorRT, CUDA, OpenVINO, DirectML ve CPU. Başlangıçta çıkarım kütüphanesi kurulu GPU'nun üreticisini algılar ve uygun sağlayıcı zincirini otomatik olarak seçer. Böylece model başına aynı 36 MB'lık dosya, hedef makinede ayrık GPU bulunmasa da üst düzey bir kart bulunsa da değişiklik yapılmadan çalışır. Dağıtılan uygulamada Python veya PyTorch bağımlılığı yoktur ve her üretici için ayrı bir sürüm hattını yönetmek gerekmez.
YOLO26'nın uçtan uca algılama başlığı, tek yapıt yaklaşımını uygulanabilir hâle getirdi: model son algılamaları doğrudan ürettiğinden RTM'nin C++ çıkarım katmanında yalnızca bir güven eşiği ve letterbox ters dönüşümü gerekir. NMS'yi yeniden uygulamak veya Python eğitim hattı ile C++ dağıtım hattı arasındaki eşleşme farkını gidermek gerekmez; bu tür hatalar genellikle bir algılayıcı diller arasında taşındığında ortaya çıkar.
GPU'nun sağladığı katkı: ölçümler#
RTM, NVIDIA RTX 3090 üzerinde iki YOLO26-small modelini (kişi ve ateş/duman) iki girdi çözünürlüğünde kıyasladı (ONNX Runtime 1.26.0, CUDA yürütme sağlayıcısı, FP32, yığın boyutu 1, yalnızca ileri geçiş). 640×640 boyutunda kişi modeli kare başına 4,20 ms, ateş/duman modeli ise 4,34 ms sürer; 1280×1280 boyutunda ikisi de yaklaşık 12,5 ms'ye çıkar ve GPU belleği 406 MB'den 1.302 MB'ye yükselir. Böylece 640×640 kare başına yaklaşık 2,9 kat daha düşük maliyetlidir ve bellekte 3,2 kat daha az yer kaplar; daha büyük girdi ise küçük ve uzaktaki nesnelerin algılanmasını iyileştirir. RTM, varsayılan olarak 640×640'ı kullanıma sunar; GPU kapasitesi bulunan sahalarda kanal sayısı yerine algılama payı için harcanabilecek 1280×1280 dışa aktarımını da erişilebilir tutar.
CUDA'da FP32'den TensorRT ile FP16'ya geçmek, iki modelin kare başına birleşik maliyetini 8,68 ms'den 6,26 ms'ye düşürerek %28 azalma sağladı. Bu, tek GPU'da dört kanal boyunca 28,8 FPS yerine yaklaşık 39,9 FPS anlamına gelir. RTM, kullanıma sunmadan önce FP16 dönüşümünün doğruluğa maliyet getirmediğini doğruladı: hem ateş hem de duman için geri çağırma, tüm nesne boyutu gruplarında ve olay düzeyinde değişmeden kaldı. Dağıtılmış uygulamada önerilen özelliklere sahip bir makine (16 çekirdek sınıfı Intel Core i7 veya daha iyisi, 32 GB RAM, RTX 5060 8 GB veya üstü) eş zamanlı 6 kanalı desteklerken, yalnızca tümleşik grafiklere sahip düşük sınıf bir makine bile 1 kanalı destekler; her kutu için ürün üst sınırı 10 kanaldır.
Neden Ultralytics YOLO26?#
RTM, kişi algılayıcısını ve yangın/duman algılayıcısını aynı Ultralytics eğitim kod tabanıyla eğitiyor; bu iki algılayıcı arasında alana özgü hiçbir dallanma olmaksızın 352 satır kod ortak kullanılıyor. İnsanları izleyen bir algılayıcıyla yangını izleyen bir algılayıcı arasındaki tek fark yapılandırma dosyası: giriş boyutu, epoch sayısı, öğrenme oranı ve veri kümesinin bileşimi. Bu, Ultralytics YOLO'nun nasıl oluşturulduğunun doğrudan bir sonucu. Algılama görevleri genelinde tek ve tutarlı bir mimari ile eğitim API'si, yeni bir algılama alanına yeni bir işlem hattı yerine yapılandırma değişikliğiyle geçilebilmesini sağlıyor; küçük bir mühendislik ekibinin iki kod tabanını ayrı ayrı sürdürmeden üretim kalitesinde iki modeli kullanıma alabilmesini mümkün kılan da bu.
Aynı tutarlılık, YOLO26'ya geçişi de düşük riskli hâle getirdi. RTM, projeye başladıktan dört gün sonra, Mayıs 2026'da YOLO26'yı benimsedi ve geçiş için mevcut eğitim kodunda hiçbir satırın değiştirilmesi gerekmedi; yalnızca farklı bir kontrol noktası kullanıldı. Ultralytics, model nesilleri boyunca eğitim arayüzünü kararlı tuttuğu için en yeni mimariye geçmek, RTM'nin zaten geliştirip test ettiği işlem hattını yeniden yazmak anlamına gelmedi.
"Aynı veri kümesinde bile giriş boyutu ve veri artırma, modelin performansını değiştiriyor. Ultralytics ile bunların hepsi tek bir yapılandırma dosyasında yer alıyor; biz de birkaç değeri değiştiriyor, farklı seçenekleri yan yana çalıştırıyor ve en iyisini seçiyoruz. Bunların hiçbiri için koda dokunmuyoruz; dolayısıyla on çalıştırmayı hazırlamak, bir çalıştırmayı yapmak kadar kolay." — RTM Yapay Zekâ Mühendisi
Bu kararlılık doğruluk açısından da yarar sağladı. Beş aşamalı ardışık eğitim müfredatını tek bir ortak çalıştırmada birleştirmek, çalışma eşiği değişmeden doğrulama mAP50 değerini 0,672'den 0,689'a çıkardı. RTM, modeli yeniden tasarlamak yerine aynı YOLO26 mimarisini yeniden eğiterek bu kazanımı elde etti. Ayrıca YOLO26, sabit şekilli bir ONNX yapıtına sorunsuz biçimde aktarılıyor ve algılama eşikleri uygulamaya derlenmek yerine bir yan dosyayla sunuluyor. Böylece sahadaki sistem, ana uygulamada hiçbir değişiklik yapmadan tek bir ONNX dosyasını değiştirerek bu doğruluk kazanımından yararlandı. Küçük bir mühendislik ekibinin, eşgüdümlü bir sürüm çıkarmadan tüm tesislere model güncellemeleri gönderebilmesini sağlayan budur ve bu, özel bir mimari yerine YOLO26 üzerine kurulum yapmanın doğrudan sonucudur.
Algılamanın ötesinde neler var?#
RTM'nin alarmları ham algılama sonuçlarından ibaret değil: Görüntüdeki bir kişi tek başına olay sayılmaz; düşüp yerde kalmış bir kişi ise sayılır. İki YOLO26 modelinin üzerinde, alarm verilmeden önce izleme, duruş durumu, bölge üyeliği ve kayan pencere oylamasını birleştiren deterministik bir olay katmanı çalışır. Bu mantığı modelden ayrı tutmak, kamera yüksekliği, açısı ve aydınlatması fabrikadan fabrikaya büyük ölçüde değişse de tek bir kişi algılayıcısının her tesiste kullanılmasını sağlar. Ayrıca bu sayede yeni güvenlik davranışları mevcut algılamaları yeniden kullanabilir: RTM şu anda aynı kişi algılama çıktısıyla KKD uygunluğunu izlemek için yeni bir model veya GPU donanımlı tesislerde yeni bir donanım gerektirmeyen bir sistem geliştiriyor.
Genel Etki#
Etki, RTM'nin iş birliğine dayalı robot müşterilerinde en açık biçimde görülüyor. Bu müşteriler, fabrikalara cobot tedarik edip kuruyor ve fiziksel veya lazerli güvenlik bariyerlerine rağmen çalışanların robotlarla çarpışması sorunuyla uzun süredir uğraşıyordu. RTM'nin sistemiyle tehlikeli bölge ihlali algılanır algılanmaz PLC'ye bağlı bir durdurma komutu gecikmeden robota iletiliyor. Bu entegratörler de sistemi fiziksel bariyerlerin yerine varsayılan güvenlik cihazı olarak benimsemiş durumda.
Bir çelik üreticisi müşteri, Ultralytics YOLO'nun algılama senaryolarını farklı tesislere göre özelleştirme becerisinin, daha önce sahada devriye gezen 100'den fazla güvenlik izleme personelinin sayısını azaltmalarını sağladığını bildirdi. Daha genel olarak üreticiler, değerlendirdikleri güvenlik izleme seçenekleri arasında RTM'nin çözümünü kurulumu en kolay ve maliyet açısından en verimli seçenek olarak tanımlıyor; tehlikeli bölge, düşme ve yangın/duman algılama ihtiyaçlarının çoğunu karşılıyor.
Aynı modellerle daha fazla ölçeklendirme#
RTM'nin bir sonraki adımı, tümüyle mevcut kişi algılama çıktısı üzerine kurulu KKD uygunluğu algılama. Eğitilecek yeni model yok; GPU kapasitesi bulunan tesislerde kurulacak yeni donanım da gerekmiyor. Sistem daha fazla üretim tesisine ve donanım düzeyine yayıldıkça model başına tek ONNX dışa aktarımı, en düşük özellikli tümleşik grafikli bilgisayardan sahadaki en üst düzey GPU sunucusuna kadar iş yükünü taşımaya devam ediyor.
Kendi Görsel Yapay Zeka çözümlerini geliştirmek mi istiyorsun? Ultralytics YOLO modellerimizi keşfet, modellerin farklı sektörlerde, üretimde bilgisayarlı görü dâhil nasıl kullanıldığını gör ve başlamak için lisanslama seçeneklerimize göz at.
Yazan
Dijital İçerik Yöneticisi · Ultralytics
