Güneş panellerinde oluşan kuş pisliği, tozlanma, fiziksel/elektriksel hasarlar ve kar örtüsü gibi faktörler, enerji üretim verimliliğini ciddi biçimde düşürmektedir. Bu çalışmada, söz konusu arıza türlerinin tek bir işlem hattı içerisinde, düşük hesaplama maliyetiyle ve yüksek doğrulukla tespit ve sınıflandırılmasını hedefleyen, YOLOv8 tabanlı bütünleşik bir derin öğrenme yaklaşımı önerilmektedir. Kaggle platformundan temin edilen 887 adet yüksek çözünürlüklü görüntü, Roboflow ortamında etiketlenmiş; veri setinin çeşitliliğini ve genelleme yeteneğini artırmak amacıyla döndürme, çevirme ve parlaklık ayarı gibi veri artırma teknikleri uygulanmıştır. Model eğitimi, %70 eğitim, %20 doğrulama ve %10 test veri bölünmesiyle, önceden eğitilmiş ağırlıklar kullanılarak Google Colab ortamında gerçekleştirilmiştir. Deneysel sonuçlar, önerilen modelin %94,3 mAP@0.5, %89 Top-1 doğruluk ve %99,1 Top-5 doğruluk değerlerine ulaştığını göstermektedir. Çalışmanın özgün katkısı, YOLOv8’in birleşik mimarisinden yararlanarak nesne tespiti ve sınıflandırma görevlerini ayrı modeller kullanmaksızın tek bir yapı altında optimize etmesidir. Elde edilen bulgular, geliştirilen yaklaşımın büyük ölçekli güneş enerjisi santrallerinde (GES) gerçek zamanlı izleme ve otonom bakım sistemlerine entegre edilebilir, ölçeklenebilir ve güvenilir bir çözüm sunduğunu ortaya koymaktadır. Bu yönüyle çalışma, saha uygulamalarına yönelik pratik bir çerçeve sunarak literatüre katkı sağlamaktadır.
Factors such as bird droppings, dust accumulation, physical/electrical faults, and snow coverage significantly reduce the energy production efficiency of photovoltaic panels. This study proposes an integrated YOLOv8-based deep learning framework that enables high-accuracy detection and classification of multiple fault types within a single processing pipeline and with low computational cost. A total of 887 high-resolution images obtained from the Kaggle platform were annotated using Roboflow, and data augmentation techniques including rotation, flipping, and brightness adjustment were applied to enhance dataset diversity and generalization. The model was trained in the Google Colab environment using pre-trained weights with a 70% training, 20% validation, and 10% test split. Experimental results indicate that the proposed approach achieves a 94.3% mAP@0.5, along with 89% Top-1 accuracy and 99.1% Top-5 accuracy. The key contribution of this study lies in leveraging the unified architecture of YOLOv8 to jointly optimize object detection and classification tasks without employing separate models. The findings demonstrate that the proposed framework can be effectively integrated into real-time monitoring and autonomous maintenance systems for large-scale solar power plants, offering a scalable, reliable, and application-oriented solution that contributes to the existing literature.