如何使用 Ultralytics YOLO 模型高效分类衣物

洗衣服看似简单。但这只是在发生意想不到的事情之前。 

你可能会把几件不同颜色的衬衫扔进机器，然后按下启动键，希望出来的东西看起来都一样。然而，事情并非总是如此。 

也许一件白色 T 恤变成了灰色，也许一件心爱的毛衣小了几个尺码。随着时间的推移，即使是很小的分类失误也会悄无声息地磨损你的衣服。

令人惊讶的是，许多人即使知道衣物分类的重要性，却仍然不做这项工作。最近的一项调查发现，40 岁以下的成年人中，只有不到一半的人定期将衣物分为白色和深色。由此可见，在洗衣服时偷工减料是多么容易，尤其是在忙碌的时候。

​

如果您根本不需要考虑分类问题，那会怎么样呢？想象一下，在您按下 "开始 "键之前，自动系统就能识别服装、颜色，甚至护理标签符号。由于计算机视觉技术的出现，这个曾经充满幻想的想法如今已成为可能。

计算机视觉是人工智能（AI）的一个分支，它使机器能够高精度地观察和解读图像和视频。利用视觉人工智能模型（如Ultralytics YOLO11和即将推出的Ultralytics YOLO26），系统可以分析服装、颜色，甚至护理标签上的符号，这些符号表明一件衣服应该机洗、手洗还是完全不洗。这种理解水平使准确的衣物分类成为可能，而无需人工操作。

在这篇文章中，我们将探讨为什么要对衣物进行分类，如何正确地进行分类，以及 Ultralytics YOLO 模型如何使分类过程更加创新和高效。让我们开始吧！

正确洗衣分类的重要性

打开洗衣机，发现一件白衬衫变成了粉红色，这可能会令人沮丧。这样的时刻很好地提醒我们，为什么衣物分类真的很重要。

正确分类有助于保持衣物的颜色、形状和质地。当亮色或深色衣物与浅色衣物一起洗涤时，颜色会渗出，使整件衣物变得暗淡无光。将它们分开洗涤有助于避免这种情况。

丝绸、羊绒和蕾丝等精致织物也需要格外呵护。它们不应该用洗涤较重衣物的苛刻洗衣程序来洗涤。同时，按织物类型和重量将衣物分类有助于洗衣机更好地工作。较轻和较重的衣物吸水和脱水的方式不同，因此将类似的衣物放在一起洗涤可以使清洗更均匀，减少绒毛，漂洗效果更好。 

您选择的水温和洗涤剂也有不同。冷水有助于保护颜色和娇嫩的织物，而热水则更适合处理严重污渍和消毒。

最终，所有这些小习惯加在一起，就能帮助您节约能源、减少磨损，并使您的衣物保持更长时间的美观。

衣物分类时应考虑的因素

以下是一些简单的注意事项，它们能让您的衣服在每次洗涤后的外观和感觉大不相同：

• 按颜色分开：将白色衣服、亮色衣服和深色衣服放在不同的衣物中。这样可以防止染料转移，帮助颜色保持鲜艳，白色保持明亮。

• 按织物类型分类：将牛仔裤、毛巾和毛衣等厚重衣物与轻薄织物分开洗涤。混洗可能会导致拉伸、褪色或额外磨损，尤其是对于精致的衣物。
  ‍
• 拉上所有拉链：洗涤前，请拉上所有拉链，以防卡住和损坏。打开的拉链会在洗涤过程中夹住娇嫩的织物。
  ‍
• 查看保养标签：衣物标签上的小图标非常重要，值得花点时间阅读。它们会告诉你衣服是应该手洗、干洗、风干还是轻柔循环，这样每块布料都能得到应有的呵护。
  ‍
• 正确装载洗衣机：仔细测量洗衣粉的用量，保持装载量平衡，以便均匀清洁每件物品。

视觉人工智能如何帮助高效分拣衣物

计算机视觉有可能让衣物分类变得更容易。它可以用来快速识别不同的颜色、衣物和质地，帮助避免人们在手工分拣衣物时经常犯的错误。

事实上，最近的一项研究表明，计算机视觉和机器人技术可用于自动分拣纺织品。研究人员使用了一个计算机视觉模型，该模型支持对象检测等任务，对象检测是一种在图像中定位和识别对象的方法，它可以在纺织品沿着传送带移动时找到每件纺织品。 

他们根据不同外观类别的纺织品标签实例对模型进行了定制训练，使其能够根据颜色和质地将每件物品直观地分类为浅色衣服、深色衣服或多色衣服。然后，机器人使用定制的抓手拾起每件物品，并将其放入正确的垃圾箱，所有这一切都无需人工帮助。虽然这项研究的重点是纺织品回收，但同样的步骤--看到一件物品、了解它是什么以及知道它应该放在哪里--使自动洗衣分类成为可能。

​

Ultralytics YOLO 模型如何支持洗衣分拣系统

计算机视觉解决方案依赖于几项核心视觉任务，它们共同帮助机器解释所看到的内容。例如，物体检测使系统能够识别图像中的物体并确定其位置。 

同样，实例分割通过在像素级别勾勒出每个项目的确切形状，增加了更多细节。此外，图像分类还有助于对系统正在查看的内容进行分类，例如识别颜色、图案或服装类型。

Ultralytics YOLOv8 和 YOLO11 等模型支持这些任务，并可轻松应用于现实世界的系统中。它们可用于一次性高速检测服装、勾勒服装形状并对服装的视觉特征进行分类。这使得视觉人工智能解决方案能够在物品移动或转移时对其进行实时分析，从而使自动洗衣分拣既准确又高效。

使用 Ultralytics YOLO 模型整理衣物

以下是使用 Ultralytics YOLO 模型建立洗衣分拣系统的详细步骤：

• 收集并注释洗衣图像：要开始构建系统，首先要收集不同条件下的洗衣物图像，如混合堆放、单件衣物和各种照明设置。注释格式取决于您计划使用的计算机视觉任务。例如，如果选择 "对象检测"，每件衣物都会标注一个边界框。如果选择实例分割，则可以标注像素级掩码。这些注释会告诉模型物品出现的位置和所属的类别。
  ‍
• 训练定制的 Ultralytics YOLO 模型： 使用注释数据集，您可以定制训练一个类似 YOLO11 的模型，使其能够检测服装、勾勒服装形状或对颜色、服装类型或图案等特征进行分类。
  ‍
• 测试和评估训练有素的模型： 在单独的测试集上对模型进行评估，以确认它能正确识别和分类未见过的新服装。这一步骤可确保系统在真实条件下可靠运行。
  ‍
• 部署模型： 一旦模型运行良好，就将其连接到指向篮筐或分拣站的实时摄像头上。系统会实时处理图像，识别每件衣物，并应用分类规则将衣物引导到相应的垃圾桶。这种设置可以集成到一系列硬件系统中，例如在洗衣篮之间实际移动物品的机械臂、将衣物输送到不同区域的自动输送机，或使用内部隔间自动分隔衣物的智能篮。

随着洗衣分拣视觉系统的使用，对其性能进行监控并在需要时进行更新非常重要。添加新图像、定期重新训练以及在衣物款式或面料发生变化时调整分拣规则，都有助于保持系统的准确性和可靠性。

视觉人工智能在洗衣店运营中的其他应用

除了分拣，视觉人工智能还被用于洗衣和纺织工作流程的其他部分。在很多情况下，仅仅看一件衣服还不足以决定它应该如何洗涤。两件衬衫从外观上看可能是一样的，但其中一件可能需要轻洗，而另一件则需要干洗，这就是为什么检查洗涤标签至关重要。将这一步骤自动化有助于减少错误，确保衣物得到正确处理。

例如，最近的一个研究项目使用Ultralytics YOLOv8图像分类模型开发了一个护理标签识别系统。该团队在 10,000 多张护理标签符号图像上对模型进行了训练，使其能够从单张照片中准确识别洗涤、烘干和熨烫符号。训练好的模型被集成到一个移动应用程序中，该应用程序可以扫描衣物的护理标签，并返回识别出的符号以及建议的洗涤说明，从而使用户更容易正确护理衣物。

​

Vision AI 在洗衣操作中的另一个关键应用是织物缺陷检测。由 YOLOv8 等机型提供支持的解决方案可以在洗涤或包装前扫描衣物是否有污渍、撕裂、松线或磨损区域等缺陷。 

及早发现这些问题有助于防止损坏的衣物进入自动化设备，减少返工，并确保只有完好的衣物才能继续进入工作流程。在大规模洗衣环境中，这可以改善质量控制并最大限度地减少浪费。

​

使用视觉人工智能分拣衣物的利弊

以下是使用 Vision AI 分拣衣物的一些主要优势：

• 资源效率：通过提高将衣物分类到正确洗涤类别的准确性，Vision AI 可帮助防止混装衣物，并可轻松实现只使用必要的水、能源和洗涤剂的洗涤周期。
  ‍
• 灵活 部署选项:视觉模型可在边缘设备、嵌入式硬件、云服务器等硬件上运行。这意味着视觉系统既可用于小型环境，也可用于大型环境。
  ‍
• 利用数据不断改进：随着在运行过程中收集到更多图像，视觉系统可进行重新训练，以适应新的服装款式和环境条件。

尽管有这些优势，但在实施此类解决方案时，仍需注意一些因素。以下是一些常见的限制因素：

• 对成像条件的敏感性：照明、阴影、相机角度和镜头质量的变化会降低服装识别的可靠性。
  ‍
• 难以处理杂乱堆放的衣物：当衣物严重重叠或紧紧粘在一起时，视觉系统可能难以正确识别所有物品。
  ‍
• 集成复杂：协调摄像机、传感器和机器人系统需要精确的计时、校准和工程设计，以确保稳定运行。

主要要点

正确分拣衣物有助于保护织物、保持颜色鲜艳并延长衣物的使用寿命。视觉人工智能使这一过程更快、更可靠。 

Ultralytics YOLOv8 和 YOLO11 等机型可以进行定制训练，以识别衣物类型和区分颜色类别，从而使自动化系统能够准确地对物品进行分类。这样可以减少浪费，避免洗涤周期错误，支持更智能、更可持续的洗衣操作。

加入我们的社区并访问我们的GitHub 存储库，了解更多有关人工智能的信息。查看我们的解决方案页面，了解物流中的人工智能和 汽车行业中的计算机视觉。了解我们的 许可选项，立即开始使用 Vision AI 进行构建！