AIOR Tekstil Anomali Tespit Veri Seti, üretim hatlarında çalışacak görüntü işleme modellerinin eğitimi için piksel-doğrulukta maskelerle etiketlenmiş, sahaya uyumlu özel bir veri setidir. Hazır kamuya açık veri kümeleri tekstil için genellikle yetersiz kaldığından — sahnelerin üretim ışığını, kumaş tipini ve kamera düzeneğini yansıtmaması nedeniyle — ciddi bir anomali tespit modeli kuran her ekibin önce kendi veri setini titizlikle hazırlaması gerekir. AIOR bu yatırımı standart bir mühendislik sürecine dönüştürdü.
Hazır veri setleri neden yetmez?
Tekstil anomali tespitinde modelin başarısı; eğitim verisinin sahadaki ışık, kamera açısı, hat hızı ve kumaş çeşitliliğini ne kadar iyi yansıttığına doğrudan bağlıdır. Akademik literatürde sıkça kullanılan açık veri setleri genellikle laboratuvar koşullarında, sınırlı kumaş türüyle ve düşük çözünürlükte hazırlanmıştır; bu veriyle eğitilen bir model üretim hattına bağlandığında "domain gap" nedeniyle başarımı düşer. Etiketleme tutarsızlığı, sınıf dengesizliği ve hatalı bölgelerin sınırlarının net çizilmemesi gibi sorunlar, klasik tekstil veri setlerinde sıklıkla rastlanan tipik kusurlardır. Sonuç: model "kağıt üzerinde" yüksek metriklerle, sahada gerçek anomalileri kaçıran bir model olarak ortaya çıkar.
AIOR'un veri seti üretim disiplini
AIOR ekibi süreci üç aşamada yürütür: saha çekimi, etiketleme ve dengeleme. Çekim sırasında üretim hattındaki ışık, kamera kontrolü ve örnekleme stratejisi planlanır; her görüntü üretim koşullarındaki çeşitliliği temsil edecek biçimde toplanır. Etiketleme aşamasında piksel-doğrulukta maskeler oluşturulur — tek bir piksellik hata bile final segmentasyon başarımını etkilediği için iki bağımsız etiketleyici çalışır ve uyumsuzluklar üçüncü bir kontrol turunda çözülür. Son aşamada veri seti versiyonlanır, eğitim/değerlendirme/test alt kümeleri sızıntısız ayrılır ve sınıf dengesi bilinçli olarak ayarlanır. Tüm süreç dokümante edilir; veri seti yeniden eğitime sokulduğunda hangi koşullarda hangi örneklerin eklendiği geriye doğru izlenebilir.
Modelin sahaya açıldığında tutarlı performans göstermesi
Bu disiplinli süreç, eğitilen modelin gerçek üretim ortamına bağlandığında tutarlı performans göstermesini sağlayan temel girdi oldu. Yanlış-pozitif oranı kontrol altında, hatalı bölge sınırları net biçimde çizildi; yeni kumaş türleri için aynı süreç tekrar edilebildi. Veri setine yapılan yatırım kurum içinde kalır ve sonraki modellerin başlangıç sermayesi haline gelir.
Bu yaklaşım yalnızca tekstile değil; rastgele dokulu, yarı-rastgele veya akademik veriyle yetinmeyen her endüstriyel anomali tespit projesine doğrudan uyarlanabilir. Sahanıza özel piksel düzeyinde etiketlenmiş bir veri seti hazırlamak için AIOR ekibiyle iletişime geçebilirsiniz; süreç, hattınızdan alınacak küçük bir örneklem ve etiketleme rehberinin tasarımıyla başlar.
The AIOR Textile Anomaly Detection Dataset is a field-aligned, pixel-accurate annotated corpus prepared specifically to train computer vision models that have to run on production lines. Public, off-the-shelf datasets rarely cover the lighting, fabric type and camera rig of a real production line — and any team that takes textile anomaly detection seriously eventually has to build its own dataset. AIOR turns this investment into a repeatable engineering discipline rather than a one-off labelling effort.
Why public datasets are not enough
Model performance in textile anomaly detection is directly tied to how faithfully the training data reflects on-floor lighting, camera angle, line speed and fabric variety. Public benchmarks frequently used in academic literature are often captured in lab conditions, on a limited set of fabric types, at a resolution unlike the production camera. A model trained only on those benchmarks loses ground in the field due to the domain gap. Inconsistent annotation, class imbalance and fuzzy boundaries around defective regions are typical issues in classical textile datasets. The end result is the familiar pattern of a model that scores well on paper but misses the real defects on the floor.
The AIOR dataset production discipline
The AIOR team runs the process in three stages: field capture, annotation, and balancing. During capture, on-floor lighting, camera control and sampling strategy are planned, and every image is collected to represent the variability of real production conditions. During annotation, pixel-accurate masks are generated — because even a single-pixel error reshapes the segmentation metric, two independent annotators work in parallel and a third reviewer resolves disagreements. In the final stage, the dataset is versioned, train/validation/test splits are designed to avoid leakage, and class balance is tuned deliberately. The whole process is documented so the team can trace, retroactively, which samples were added under which conditions when the dataset is reused.
Why this disciplined dataset translates to in-field performance
This discipline is what allows the trained model to deliver consistent performance once it is connected to a real production environment. False positives stay under control, defect boundaries remain crisp, and the same workflow can be re-run for new fabric variants. The investment in the dataset stays inside the manufacturer and becomes the starting capital for every subsequent model iteration.
The same approach generalises directly beyond textile to any industrial anomaly detection project where random-textured surfaces and academic datasets fall short. To prepare a pixel-level annotated dataset specific to your line, you can reach out to the AIOR engineering team — the process starts with a small sample drawn from your floor and the design of an annotation guideline tuned to your defect catalogue.
AIOR ile çalışma süreci
AIOR; her projeyi standart bir mühendislik süreciyle yürütür. İlk aşama keşif görüşmesidir: ihtiyaç, mevcut altyapı, bütçe ve takvim üzerinde uyum sağlanır; gerektiğinde mevcut sistemler için kısa bir teknik denetim yapılır. İkinci aşama kapsam ve fizibilite raporudur: hangi katmanların nasıl ele alınacağı, riskler, varsayımlar ve teslim çıktıları yazılı olarak ortaya konur. Üçüncü aşama uygulama ve teslimattır: küçük, ölçülebilir adımlarla ilerleyen bir uygulama planı; her sprint sonunda çalışan bir çıktı ve kontrol noktası sağlar. Dördüncü aşama bakım ve geliştirmedir: teslim sonrası izleme, küçük iyileştirmeler ve yeni sürüm planlaması ekibinizle birlikte yürütülür.
Bu disiplin; tek seferlik bir teslimat yerine zaman içinde değer üreten sürdürülebilir bir mühendislik ortaklığı kurar — projeniz ister bir AI uygulaması, ister bir e-ticaret platformu, ister bir altyapı entegrasyonu olsun. AIOR mühendislik, yazılım, tasarım, üretim, izlenebilirlik, hosting, domain ve kurumsal çözümler alanlarında uçtan uca çalıştığı için; dijital ihtiyaçlarınızı tek bir teknik ortakla yürütmek operasyonel sürtünmeyi azaltır. Tedarikçi sayısının fazlalığından ve sorumlulukların tedarikçiler arasında parçalanmasından kaynaklanan tipik gecikmeler ortadan kalkar; ekibiniz tek bir muhatap üzerinden hem teknik hem ticari iletişimi yürütür. Detaylı bir teknik değerlendirme, fizibilite veya pilot çalışma için iletişim sayfasındaki formu doldurabilirsiniz; AIOR ekibi 1-2 iş günü içinde dönüş yapar ve süreç ilk keşif görüşmesiyle başlar.
How an AIOR engagement runs
AIOR runs every project through a standard engineering process. Stage one is the discovery conversation: alignment on need, existing infrastructure, budget and schedule, with a short technical audit of existing systems where relevant. Stage two is a scope and feasibility report: which layers will be addressed, how, with risks, assumptions and deliverables stated in writing. Stage three is delivery: an implementation plan that progresses in small, measurable steps, with a working output and a checkpoint at the end of each sprint. Stage four is maintenance and evolution: post-handover monitoring, small improvements and the planning of new releases run together with your team. This discipline turns a one-off delivery into a sustainable engineering partnership that compounds value over time — whether the project is an AI application, an e-commerce platform or an infrastructure integration.
