RTM, Seul merkezli bir endüstriyel yapay zeka şirketidir. Şirketin vizyon birimi, üretim sahaları için yapay zeka destekli güvenlik izleme sistemleri inşa etmektedir: fabrika zeminine halihazırda monte edilmiş kameralar, entegre grafiklerden harici GPU'lara kadar müşterinin halihazırda sahip olduğu herhangi bir bilgisayarda çalışan ve insanları, düşmeleri, tehlikeli bölge ihlallerini, yangın veya dumanı tespit eden Ultralytics YOLO26 modelleri tarafından günün 24 saati izlenmektedir.
Kimsenin izlemediği kameraları izlemek#
Endüstriyel kazalar, kimsenin kapsamadığı boşluklarda meydana gelme eğilimindedir. Fabrikaların her hatta halihazırda kameraları vardır, ancak hiç kimse her akışı her zaman izleyemez. RTM bunu sürekli olarak yapmak için bir sistem inşa etti: her kamera kanalı iki Ultralytics YOLO26 modeli çalıştırır; biri insan tespiti, diğeri ise yangın ve duman tespiti için eğitilmiştir ve bu modeller, çalışan düşmeleri ve tehlikeli bölge ihlalleri için alarmlar üreten belirleyici bir olay katmanını besler.
Geçtiğimiz altı ay içinde, RTM'nin endüstriyel güvenlik yapay zeka çözümü 7/24 konuşlandırıldı veya çelik, batarya, kimya ve plastik, gıda ve robotik imalatını kapsayan 21 üretim şirketinde yerinde değerlendirme aşamasındadır. Mevcut CCTV'ye bağlı olan sistem, bir çalışanın tehlikeli bir bölgeye girdiğini veya düştüğünü tespit eder ve iç sistemler aracılığıyla uyarıları tetikler veya PLC entegrasyonu yoluyla bağlı fabrika ekipmanını doğrudan kontrol eder.
Şekil 1. Ultralytics YOLO'dan yararlanan RTM Düşme tespiti canlı akışı. (Görsel kaynağı: RTM)
Kimsenin satın almak istemediği donanımı çözmek#
Güvenlik izleme, hiçbir şey kurmama seçeneğiyle rekabet eder. Bir sistem tek bir kamerayı izleyebilmeden önce yeni sunucu donanımı gerektiriyorsa, değerlendirme genellikle başlamadan biter. Üreticiler için mevcut durum, pahalı özel donanım ile hiç otomatize izleme olmaması arasında bir seçim olmuştur.
RTM bu ödünleşimi ortadan kaldırmayı amaçladı: Intel entegre grafiklerinden bir NVIDIA RTX 3090'a kadar kontrol odasında halihazırda duran herhangi bir PC'de çalışan ve saha başına ayrı bir derleme gerektirmeyen tek bir konuşlandırma.
Buna ulaşmak için RTM, her iki YOLO26 modelini de statik bir boyutta ONNX formatına aktarır ve bunları TensorRT, CUDA, OpenVINO, DirectML ve CPU olmak üzere beş yürütme sağlayıcısı üzerinden ONNX Runtime aracılığıyla çalıştırır. Başlangıçta çıkarım kitaplığı, yüklü GPU üreticisini tespit eder ve doğru sağlayıcı zincirini otomatik olarak seçer; böylece hedef makinede hiç harici GPU olmasa da üst düzey bir kart olsa da model başına aynı 36 MB'lık dosya değiştirilmeden çalışır. Konuşlandırılan uygulamada Python veya PyTorch bağımlılığı yoktur ve bakımını yapılması gereken üretici bazlı bir sürüm yolu bulunmaz.
YOLO26'nın uçtan uca tespit başlığı, bu tek yapılı yaklaşımı pratik hale getirdi: model nihai tespitleri doğrudan çıktığı için RTM'nin C++ çıkarım katmanı yalnızca bir güven eşiğine ve bir letterbox ters dönüşümüne ihtiyaç duyar; yeniden uygulanacak NMS yoktur ve Python eğitim yolu ile C++ konuşlandırma yolu arasında hata ayıklanacak bir uyumluluk farkı bulunmaz. Bu, bir dedektör dil sınırlarını aştığında tipik olarak ortaya çıkan bir hata sınıfıdır.
Bir GPU'nun satın aldıkları, ölçüldü#
RTM, bir NVIDIA RTX 3090 üzerinde (ONNX Runtime 1.26.0, CUDA yürütme sağlayıcısı, FP32, toplu iş 1, yalnızca ileri geçiş) iki giriş çözünürlüğünde her iki YOLO26-small modelini (insan ve yangın/duman) kıyasladı. 640×640'ta insan modeli kare başına 4,20 ms ve yangın/duman modeli 4,34 ms hızla çalışır; 1280×1280'de her ikisi de kabaca 12,5 ms'ye yükselirken GPU belleği 406 MB'tan 1.302 MB'a çıkar. Bu durum, 640×640'ı kare başına yaklaşık 2,9 kat daha ucuz ve bellekte 3,2 kat daha hafif kılarken, daha büyük giriş küçük ve uzak nesnelerin tespitini iyileştirir. RTM, varsayılan olarak 640×640 gönderir ve kanal sayısı yerine tespit marjına harcayacak GPU boşluğuna sahip sahalar için 1280×1280 dışa aktarımını kullanılabilir durumda tutar.
FP32'de CUDA'dan FP16'da TensorRT'ye geçmek, her iki model için birleşik kare başına maliyeti 8,68 ms'den 6,26 ms'ye düşürdü; bu %28'lik bir azalmadır ve tek bir GPU üzerinde 28,8 FPS yerine dört kanalda kabaca 39.9 FPS'ye eşittir. RTM, göndermeden önce FP16 dönüşümünün doğruluğa hiçbir maliyeti olmadığını doğrulamıştır: geri çağırma (recall), her nesne boyutu demetinde ve hem yangın hem de duman için olay düzeyinde değişmemiştir. Konuşlandırılan uygulamada, önerilen teknik özelliklere sahip bir makine (16 çekirdek sınıfı Intel Core i7 veya üstü, 32 GB RAM, RTX 5060 8 GB veya üstü) 6 eşzamanlı kanalı desteklerken, yalnızca entegre grafiklere sahip düşük seviyeli bir makine, kutu başına 10 kanal ürün sınırına karşı hala 1 kanalı destekler.
Neden Ultralytics YOLO26'dan yararlanmalı?#
RTM, insan dedektörünü ve yangın/duman dedektörünü aynı Ultralytics eğitim kod tabanı aracılığıyla eğitir ve ikisi, hiçbir domaine özel dallanma olmaksızın 352 satır kodu paylaşır. İnsanları izleyen bir dedektör ile yangını izleyen bir dedektör arasında değişen tek şey bir yapılandırma dosyasıdır: giriş boyutu, epoch'lar, öğrenme oranı ve veri kümesi kompozisyonu. Bu, Ultralytics YOLO'nun nasıl inşa edildiğinin doğrudan bir sonucudur. Tespit görevleri arasında tek ve tutarlı bir mimari ile eğitim API'si, yeni bir tespit domaininin yeni bir boru hattı yerine bir yapılandırma değişikliği olduğu anlamına gelir; bu da küçük bir mühendislik ekibinin iki kod tabanı bakımını yapmak zorunda kalmadan üretime hazır iki model ayağa kaldırmasını sağlayan şeydir.
Aynı tutarlılık, YOLO26'ya geçişi de düşük riskli hale getirdi. RTM, projenin dördüncü gününde, Mayıs 2026'da YOLO26'yı benimserdi ve geçiş, mevcut eğitim kodunun sıfır satırının değiştirilmesini gerektirdi, yalnızca farklı bir kontrol noktası (checkpoint) gerekti. Ultralytics, eğitim arayüzünü model nesilleri boyunca kararlı tuttuğu için, en yeni mimariye yükseltme yapmak, RTM'nin halihazırda inşa ettiği ve test ettiği bir boru hattını yeniden yazmak anlamına gelmiyordu.
"Aynı veri kümesinde bile giriş boyutu ve artırma (augmentation), modelin performansını değiştirir. Ultralytics ile bunların hepsi tek bir yapılandırma dosyasında yaşar, bu yüzden birkaç değeri değiştiririz, çeşitli çeşitlemeleri yan yana çalıştırır ve en iyisini alırız. Bunların hiçbirinde koda asla dokunmayız, bu yüzden on çalıştırmayı sıraya koymak birini çalıştırmak kadar iş yükü getirir." - Yapay Zeka Mühendisi, RTM
Bu kararlılık doğruluk açısından da karşılığını verdi. Beş aşamalı sıralı bir eğitim müfredatını tek bir ortak çalıştırmada konsolide etmek, değişmeyen bir çalışma eşiğinde doğrulama mAP50 değerini 0,672'den 0,689'a yükseltti; bu, RTM'nin modeli yeniden tasarlamak yerine aynı YOLO26 mimarisinde yeniden eğiterek basitçe elde edebileceği bir kazançtı. YOLO26, tespit eşikleri uygulamaya derlenmek yerine bir yan dosya (sidecar file) olarak gönderilen sabit şekilli bir ONNX yapısına temiz bir şekilde aktarıldığı için saha, ana uygulamada hiçbir değişiklik yapmadan yalnızca bir ONNX dosyasını değiştirerek bu doğruluk kazancını benimsedi. Küçük bir mühendislik ekibinin koordineli bir sürüm olmaksızın model güncellemelerini her sahaya itmesine izin veren şey budur ve bu, özel bir mimari yerine YOLO26 üzerine inşa etmenin doğrudan bir sonucudur.
Tespitin üzerinde ne yer alır?#
RTM'nin alarmları ham tespitler değildir: koddaki bir insan bir olay değildir, ancak düşmüş ve yerde kalmış bir insan olaydır. Herhangi bir alarm tetiklenmeden önce takibi, duruş durumunu, bölge üyeliğini ve kayan pencere oylamasını birleştiren belirleyici bir olay katmanı, iki YOLO26 modelinin üzerinde yer alır. Bu mantığı modelden ayrı tutmak, fabrikadan fabrikaya kamera yüksekliğinin, açısının ve aydınlatmasının çok büyük ölçüde değişmesine rağmen tek bir insan dedektörünün her saati hizmet etmesine olanak tanır. Bu aynı zamanda yeni güvenlik davranışlarının mevcut tespitleri yeniden kullanabileceği anlamına gelir: RTM artık GPU donanımlı sahalarda yeni bir model ve yeni bir donanım gerektirmeden, aynı insan tespiti çıktısı üzerinde KKE (Kişisel Koruyucu Ekipman) uyumluluk izlemesi inşa etmektedir.
Genel etki#
Etki, fabrikalar genelinde kobot tedarik eden ve kuran ve fiziksel veya lazer güvenlik çitlerine rağmen işçilerin robotlarla çarpışmasıyla uzun süredir uğraşan RTM'nin işbirlikçi robot entegrasyonu müşterilerinde en açık şekilde ortaya çıkmaktadır. RTM'nin sistemi ile tehlikeli bölge ihlali tespit edilir ve hiçbir gecikme olmaksızın robot üzerinde PLC bağlantılı bir durdurmayı hemen tetikler ve bu entegratörler o zamandan beri bunu fiziksel çitlerin yerine varsayılan güvenlik cihazları olarak benimsemiştir.
Bir çelik imalatı müşterisi, Ultralytics YOLO'nun tespit senaryolarını farklı sahalara uyarlama yeteneğinin, daha önce zeminde devriye gezen 100'den fazla güvenlik izleme personelini azaltmalarını sağladığını bildirdi. Daha geniş anlamda üreticiler, RTM'nin çözümünü değerlendirdikleri güvenlik izlemesi seçenekleri arasında kurulumu en kolay ve maliyeti en etkin olanı olarak tanımlarken; tehlike bölgesi, düşüş ve yangın/duman tespiti en çok ihtiyaç duyduklarını karşılamaktadır.
Aynı modeller üzerinde daha da ölçeklendirme#
RTM'nin sonraki adımı, tamamen mevcut insan tespiti çıktısı üzerine inşa edilmiş KKE uyumluluk tespitidir. Eğitilecek yeni bir model yoktur ve GPU boşluğuna sahip sahalarda kurulacak yeni bir donanım yoktur. Ek imalat sahalarında ve donanım katmanlarında yaygınlaştırma devam ettikçe, model başına aynı tek ONNX dışa aktarımı, en düşük özellikli entegre grafikli PC'den zemindeki en üst düzey GPU sunucusuna kadar yükü taşımaya devam eder.
Kendi Vision AI çözümlerinizi geliştirmekle mi ilgileniyorsunuz? Ultralytics YOLO modellerimizi keşfedin, üretimde bilgisayarlı görü dahil olmak üzere endüstriler genelinde nasıl kullanıldıklarını görün ve başlamak için lisanslama seçeneklerine göz atın.
