如何使用 Ultralytics YOLO 模型高效分类衣物

洗衣服看起来似乎是一件简单的事，但只有在没有意外情况发生时才是这样。

你可能会把几件不同颜色的衬衫一起扔进洗衣机，按下启动键，然后希望它们洗出来后看起来都一样。不过，事情并不总是如此。

白色 T 恤可能会变成灰色，或者你最喜欢的毛衣洗出来后小了几个尺码。即使是轻微的分类失误，随着时间推移也可能悄悄损耗衣物。

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。最近的一项调查发现，40 岁以下的成年人中，经常将衣物按白色和深色分开的人不到一半。这说明洗衣时很容易偷懒走捷径，尤其是在你很忙的时候。

图 1. 分类衣物有助于保持色彩鲜艳和面料状态良好。

如果你完全不需要操心分类，会怎么样？想象一下，在你按下“启动”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。这种曾经只存在于未来想象中的理念，如今正因计算机视觉而逐渐成为可能。

计算机视觉是人工智能 (AI) 的一个分支，能够让机器高精度地查看和解读图像与视频。借助 Ultralytics YOLO11 以及即将推出的 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，还是完全不应水洗。这种理解能力让无需人工操作的精准衣物分类成为可能。

本文将介绍衣物分类为何重要、如何正确分类，以及 Ultralytics YOLO 模型如何让这一过程更具创新性和效率。让我们开始吧！

正确分类衣物的重要性#

打开洗衣机却发现白衬衫变成了粉色，这种情况确实令人沮丧。这样的时刻很好地提醒了我们，衣物分类为什么如此重要。

正确分类有助于衣物保持原有的颜色、形状和质感。鲜艳或深色衣物与浅色衣物一起洗时，颜色可能会渗染，使整桶衣物变得暗淡。将它们分开可以避免这种情况。

丝绸、羊绒和蕾丝等精细面料也需要额外护理。它们不应使用为厚重衣物设计的强力洗涤程序。同时，按面料类型和重量将衣物分组，有助于洗衣机取得更好的洗涤效果。较轻和较重的衣物吸水和甩干的方式不同，因此将相似衣物放在一起清洗，可以获得更均匀的清洁效果、减少绒毛，并改善漂洗效果。

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，而热水更适合处理顽固污渍和进行消毒。

归根结底，这些小习惯累积起来，可以帮助你节省能源、减少磨损，并让衣物更长时间保持良好状态。

分类衣物时需要考虑的因素#

以下是一些简单的注意事项，它们会显著影响每次洗涤后衣物的外观和手感：

• **按颜色分开：**将白色衣物、鲜艳色衣物和深色衣物分成不同的洗涤批次。这样可以防止染料转移，帮助颜色保持鲜艳、白色保持明亮。

• **按面料类型分组：**将牛仔裤、毛巾和毛衣等厚重衣物与较轻薄的面料分开清洗。将它们混在一起可能导致拉伸、褪色或额外磨损，精细衣物尤其如此。

• **拉好所有拉链：**洗涤前拉好所有拉链，以防勾挂和损坏。打开的拉链可能会在洗涤过程中勾住精细面料。

• **查看护理标签：**衣物标签上的小图标非常重要，值得你花一点时间查看。它们会告诉你衣物应手洗、干洗、自然晾干，还是使用轻柔程序，从而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，并保持洗涤负载平衡，确保每件衣物都能均匀清洗。

视觉 AI 如何帮助高效分类衣物#

计算机视觉有望让衣物分类变得更加轻松。它可以快速识别不同的颜色、衣物和纹理，帮助避免人们手动分类衣物时常犯的错误。

事实上，最近的一项研究展示了如何利用计算机视觉和机器人技术自动分类纺织品。研究人员使用了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和识别物体的方法，可用于查找沿传送带移动的每件纺织品。

他们使用不同外观类别的纺织品标注样本对模型进行定制训练，使模型能够根据颜色和纹理，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，机器人使用定制夹具抓取每件衣物，并将其放入正确的箱子中，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——查看物品、理解其类别并确定其去向——也使自动化衣物分类成为可能。

图 2. 机器人视觉系统识别并抓取一件衣物。（来源）

Ultralytics YOLO 模型如何支持衣物分类系统#

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

同样，实例分割可以在像素级别勾勒出每件物品的精确形状，从而提供更多细节。此外，图像分类可以帮助系统对所观察的内容进行分类，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，因此可以轻松将其应用于真实系统。它们能够在单次推理中检测衣物、勾勒其形状并分类其视觉特征，同时保持很高的速度。这使视觉 AI 解决方案能够实时分析移动或发生位移的物品，让自动化衣物分类兼具准确性和效率。

使用 Ultralytics YOLO 模型分类衣物#

下面将详细介绍使用 Ultralytics YOLO 模型构建衣物分类系统所涉及的步骤：

• **收集并标注衣物图像：**开始构建系统时，收集不同条件下的衣物图像，例如混合衣物堆、单件衣物以及各种光照环境下的图像。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，就为每件衣物标注一个边界框。如果选择实例分割，则可以标注像素级掩码。这些标注会教会模型物品出现的位置以及它们所属的类别。
• **训练自定义 Ultralytics YOLO 模型：**使用标注数据集对 YOLO11 等模型进行定制训练，使其能够检测衣物、勾勒衣物形状，或分类颜色、衣物类型和图案等特征。
• **测试和评估训练好的模型：**在独立的测试集上评估模型，确认它能够正确识别和分类新的、未见过的衣物。这一步可以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，将其连接到对准衣物篮或分类站的实时摄像头。系统实时处理图像、识别每件衣物，并应用分类规则将物品分配到相应的箱子中。这种设置可以集成到多种硬件系统中，例如用于在洗衣篮之间实际移动物品的机械臂、将衣物分流到不同区域的自动化传送带，或利用内部隔层自动分开衣物的智能衣物篮。

在使用衣物分类视觉系统时，务必监控其性能，并在需要时进行更新。添加新图像、定期重新训练，以及在服装款式或面料发生变化时调整分类规则，有助于让系统长期保持准确可靠。

视觉 AI 在洗衣作业中的其他应用#

除了分类之外，视觉 AI 也正应用于洗衣和纺织品工作流程的其他环节。在许多情况下，仅仅观察衣物外观并不足以决定应如何洗涤。两件衬衫的外观可能完全相同，但其中一件可能需要轻柔洗涤，另一件却需要干洗，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，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移动应用中，该应用可以扫描衣物的护理标签，返回识别出的符号及建议的洗涤说明，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 在洗衣作业中的另一项关键应用是面料缺陷检测。由 Ultralytics YOLOv8 等模型驱动的解决方案可以在洗涤或包装前扫描衣物缺陷，例如污渍、破损、松散线头或磨损区域。

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，并确保只有状态良好的衣物继续进入工作流程。这能改善质量控制，并减少大规模洗衣环境中的浪费。

图 4. 检测 T 恤上的污渍和破损（来源）

使用视觉 AI 分类衣物的优缺点#

以下是使用视觉 AI 分类衣物的一些主要优势：

• **资源效率：**通过提高将衣物准确分类到正确洗涤类别的能力，视觉 AI 有助于避免混洗，并能轻松使用只需消耗必要水量、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、云服务器等设备或平台上。这意味着视觉系统既可以为小规模环境设计，也可以为大规模环境设计。
• **通过数据持续改进：**随着运行过程中收集到更多图像，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。

尽管这些优势明显，但在实施此类解决方案时仍有一些因素需要注意。以下是几项常见限制：

• **对成像条件敏感：**光照、阴影、摄像头角度和镜头质量的变化，可能降低衣物识别的可靠性。
• **难以处理杂乱衣物堆：**当衣物严重重叠或紧密粘连在一起时，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确的时序、校准以及工程工作，才能确保稳定运行。

要点总结#

正确分类衣物有助于保护面料、保持颜色鲜艳并延长衣物使用寿命。视觉 AI 让这一过程更快速、更可靠。

Ultralytics YOLOv8 和 YOLO11 等模型可以经过定制训练，用于识别衣物类型和区分颜色类别，从而让自动化系统准确分类物品。这可以减少浪费、防止洗涤程序错误，并支持更智能、更可持续的洗衣作业。

加入我们的社区并访问我们的 GitHub 代码仓库，进一步了解 AI。查看我们的解决方案页面，了解物流领域中的 AI和汽车行业中的计算机视觉。探索我们的许可选项，立即开始使用视觉 AI 构建解决方案！