如何使用 Ultralytics YOLO 模型高效分类衣物

洗衣服看起来可能是件简单的事，但遇到意外情况时就不是这样了。

你可能会把几件不同颜色的衬衫扔进洗衣机，按下启动键，然后希望它们洗完后看起来都一样。然而，事情并不总是如你所愿。

也许一件白色 T 恤洗后变成了灰色，或者你最喜欢的毛衣洗完缩水了好几号。即使是很小的分类失误，长此以往也会悄悄损耗衣物。

令人意外的是，许多人即使知道分类有多重要，仍然会跳过这一步。一项近期调查发现，40 岁以下的成年人中，定期将衣物分类洗涤，把白色衣物和深色衣物分开的人不到一半。这表明洗衣时偷工省事有多容易，尤其是在你忙碌的时候。

图 1. 分类洗涤有助于保持衣物色彩鲜亮、面料完好。

如果你完全不用考虑分类洗涤会怎样？想象一下，在你按下“启动”键之前，一个自动化系统就能识别衣物、颜色，甚至护理标签上的符号。这个曾经只存在于未来的想法，如今因计算机视觉而成为可能。

计算机视觉是人工智能 (AI) 的一个分支，使机器能够以很高的准确度观察和解读图像与视频。借助 Ultralytics YOLO11 和更新的 Ultralytics YOLO26 等视觉 AI 模型，系统可以分析衣物、颜色，甚至护理标签上的符号，从而判断衣物应机洗、手洗，还是完全不能水洗。这样的理解能力让系统无需人工干预，也能准确分类待洗衣物。

本文将探讨洗衣分类为何重要、如何正确分类，以及 Ultralytics YOLO 模型如何让这一流程更具创新性、更高效。

正确分类洗衣的重要性#

打开洗衣机时发现白衬衫变成了粉色，这会让人很懊恼。这样的时刻提醒我们，分类洗衣确实很重要。

正确分类有助于衣物保持颜色、形状和质感。鲜艳或深色衣物与浅色衣物一起洗时，可能会掉色，让整桶衣物都变暗淡。将它们分开洗有助于避免这种情况。

丝绸、羊绒和蕾丝等精细面料也需要格外呵护。它们不应该使用适合厚重衣物的强力洗涤程序。同时，按面料类型和重量将衣物分组，也有助于洗衣机发挥更好的效果。较轻和较重的衣物吸水和脱水方式不同，因此把类似的衣物一起洗，能让清洁更均匀、减少绒毛，也更容易漂洗干净。

你选择的水温和洗涤剂也会产生影响。冷水有助于保护颜色和精细面料，而热水更适合去除顽固污渍和杀菌。

归根结底，这些小习惯积少成多，能帮你节省能源、减少磨损，并让衣物更长时间保持良好状态。

分类洗衣时需要考虑的因素#

以下几个简单的注意事项，就能显著影响每次洗完衣服后的外观和手感：

• 按颜色分类：将白色衣物、鲜艳色衣物和深色衣物分开洗。这能防止染料相互沾染，帮助衣物保持鲜艳，也让白色衣物保持亮白。
• 按面料类型分组：牛仔裤、毛巾和毛衣等厚重衣物要与轻薄面料分开洗。混洗可能导致衣物变形、褪色或磨损加剧，精细衣物尤其如此。
• 拉上所有拉链：洗涤前拉上所有拉链，以免勾丝或造成损坏。打开的拉链在洗涤过程中可能会勾住精细面料。
• 查看护理标签：衣物标签上的小图标很重要，值得花点时间仔细查看。标签会告诉你衣物是否需要手洗、干洗、晾干或使用轻柔程序，让每种面料都得到所需的护理。
• 正确装载洗衣机：仔细测量洗涤剂用量，并保持衣物负载均衡，确保每件衣物都能洗得均匀。

视觉 AI 如何助力高效分类洗衣#

计算机视觉有望让分类洗衣变得轻松许多。它可以快速识别不同的颜色、衣物和质地，帮助避免人们手动分类衣物时常犯的错误。

事实上，一项近期研究展示了如何利用计算机视觉和机器人自动分类纺织品。研究人员使用了一种支持目标检测等任务的计算机视觉模型；目标检测是一种在图像中定位并识别物体的方法，可用于识别沿传送带移动的每件纺织品。

研究人员使用不同外观类别的纺织品标注样本对模型进行了定制训练，使模型能够根据颜色和质地，将每件物品视觉分类为浅色衣物、深色衣物或多色衣物。随后，机器人使用定制夹爪拾取每件衣物，并将其放入正确的箱子，全程无需人工协助。虽然这项研究聚焦于纺织品回收，但同样的步骤——观察物品、了解物品是什么，以及判断物品应该放在哪里——也让自动化分类洗衣成为可能。

图 2. 机器人视觉系统识别并拾取一件衣物。(来源)

Ultralytics YOLO 模型如何支持分类洗衣系统#

计算机视觉解决方案依赖多个相互协作的核心视觉任务，帮助机器解读所见内容。例如，目标检测能让系统识别图像中的物品并确定其位置。

类似地，实例分割能在像素级勾勒每件物品的确切形状，提供更多细节。此外，图像分类有助于对系统看到的内容进行分类，例如识别颜色、图案或衣物类型。

Ultralytics YOLOv8 和 YOLO11 等模型支持这些任务，并能让你轻松将其应用于真实系统。它们可以在一次推理中高速完成衣物检测、形状勾勒和视觉特征分类。这让视觉 AI 解决方案能够实时分析移动或位置变化的物品，使自动化分类洗衣既准确又高效。

使用 Ultralytics YOLO 模型分类洗衣#

下面详细介绍如何使用 Ultralytics YOLO 模型构建分类洗衣系统：

• 收集并标注洗衣图像：要开始构建系统，先收集不同情境下的洗衣图像，例如混在一起的衣物、单件衣物以及各种光照条件下的图像。标注格式取决于你计划使用的计算机视觉任务。例如，如果选择目标检测，就要为每件衣物标注边界框。如果选择实例分割，则可以标注像素级掩码。这些标注能教会模型物品出现的位置以及所属类别。
• 训练自定义 Ultralytics YOLO 模型： 使用已标注的数据集，你可以自定义训练 YOLO11 等模型，让模型检测衣物、勾勒衣物形状，或对颜色、衣物类型、图案等特征进行分类。
• 测试并评估训练好的模型：使用单独的测试集评估模型，确认模型能正确识别并分类未曾见过的新衣物。这一步能确保系统在真实条件下可靠运行。
• 部署模型：模型表现良好后，将其连接到实时摄像头，并将摄像头对准洗衣篮或分拣站。系统会实时处理图像、识别每件衣物，并应用分拣规则将衣物送往合适的箱子。这套方案可以集成到各种硬件系统中，例如在洗衣篮之间实际搬运衣物的机械臂、将衣物分流到不同区域的自动传送带，或通过内部隔间自动分类衣物的智能洗衣篮。

使用分类洗衣视觉系统时，监控系统表现并在需要时更新系统十分重要。添加新图像、定期重新训练，以及根据服装款式或面料的变化调整分拣规则，有助于系统长期保持准确可靠。

视觉 AI 在洗衣运营中的其他应用#

除了分类之外，视觉 AI 也用于洗衣和纺织工作流程的其他环节。很多时候，仅凭观察衣物并不足以判断应该如何清洗。两件衬衫外观可能完全相同，但一件需要轻柔洗涤，另一件却必须干洗，因此查看护理标签至关重要。将这一步自动化有助于减少错误，并确保衣物得到正确处理。

例如，一项近期研究项目使用 Ultralytics YOLOv8 图像分类模型，开发了一个护理标签识别系统。团队使用超过 10,000 张护理标签符号图像训练模型，使模型能够准确识别单张照片中的洗涤、烘干和熨烫符号。训练好的模型被集成到一款移动应用中，应用会扫描衣物的护理标签，返回识别出的符号及推荐洗涤说明，让用户更轻松地正确护理衣物。

图 3. 使用 YOLOv8 对护理标签进行分类（来源）。

视觉 AI 在洗衣运营中的另一项重要应用是面料缺陷检测。基于 Ultralytics YOLOv8 等模型的解决方案可以在洗涤或包装前扫描衣物以查找缺陷，例如污渍、撕裂、松散的线头或磨损区域。Ultralytics Platform 上的公开数据集（例如 Fabric Stain）可作为训练此类检测器的良好起点。

及早发现这些问题有助于防止受损物品进入自动化设备、减少返工，并确保只有状况良好的衣物继续流经工作流程。这能改善质量控制，并减少大型洗衣环境中的浪费。

图 4. 检测 T 恤上的污渍和破洞（来源）

使用视觉 AI 分类衣物的优缺点#

以下是使用视觉 AI 分类洗衣的一些主要优势：

• 资源效率：通过提高衣物分类到正确洗涤类别的准确度，视觉 AI 有助于避免混洗，并让你轻松选择只使用必要水量、能源和洗涤剂的洗涤程序。
• 灵活的部署选项： 视觉模型可以运行在边缘设备、嵌入式硬件、云服务器等硬件上（参见这些模型部署选项）。这意味着视觉系统既可以用于小规模环境，也可以用于大规模环境。
• 利用数据持续改进：随着运行期间收集的图像不断增加，你可以重新训练视觉系统，使其适应新的服装款式和环境条件。

尽管这些解决方案有诸多优势，实施时仍有一些因素需要考虑。以下是一些常见限制：

• 对成像条件敏感：光照、阴影、摄像头角度和镜头质量的变化，都会降低衣物识别的可靠性。
• 难以处理杂乱堆放的衣物：当衣物严重重叠或紧紧缠在一起时，视觉系统可能难以正确识别所有物品。
• 集成复杂：协调摄像头、传感器和机器人系统需要精准的时序控制、校准和工程投入，才能确保稳定运行。

要点#

正确分类洗衣有助于保护面料、保持颜色鲜亮并延长衣物寿命。视觉 AI 能让这一流程更快速、更可靠。

Ultralytics YOLOv8 和 YOLO11 等模型可以通过定制训练来识别衣物类型并区分颜色类别，从而让自动化系统准确分类物品。这能减少浪费、防止洗涤程序选择错误，并推动洗衣运营变得更智能、更可持续。

加入我们的社区并访问我们的 GitHub 代码库，进一步了解 AI。访问我们的解决方案页面，阅读关于物流中的 AI和汽车行业中的计算机视觉的内容。了解我们的许可选项，立即开始构建视觉 AI 项目！