Hareketli Nesne Analizi İçin Derin Öğrenme Mimarisi

Abstract

Bu tez, çeşitli hareketli nesnelerin yüksek hassasiyetle ve gerçek zamanlı olarak tanımlanmasını amaçlamaktadır. Çalışmada, özellikle karayolları başta olmak üzere hava, deniz ve demiryolları üzerinde hareket halinde olan tüm araçlar, araç plakaları ve yayaları tanımaya odaklanılmaktadır. Geliştirilmiş olan model trafik kazası, yaya, araç plakası, bisiklet, üç tekerlekli bisiklet-tripörtör, motorsiklet, atv, kar aracı, jetski, araba, van, limuzin, otobüs-minibüs, kamyon, yarı römorklu kamyon(tır), tankerli kamyon, çöp kamyonu, beton mikserli kamyon, itfaiye aracı, yol süpürme kamyonu, iş makinesi, forklift, traktör, segway, at arabası, helikopter, uçak, gemi-tekne, tren, skuter, araba-polis, araba-taksi, van-ambulans, van-polis ve van-taksi olmak üzere toplam 35 sınıfı kapsamaktadır. Haraketli nesleri tanımanın yanı sıra farklı hava koşulları da modellemenin önemli bir bileşeni olarak belirlenmiştir. Model, dijital kameralardan elde edilen görüntüleri hızlı bir şekilde işleyebilen YOLOv7 algoritması ile geliştirilmiştir. YOLOv7 algoritması görüntü üzerindeki araçları gerçek zamanlı olarak tanımlayarak bu araçların sınıflandırılmasını mümkün kılar. Performansı artırmak ve eğitimi hızlandırmak için COCO veri seti ile önceden eğitilmiş bir YOLOv7 modelindeki öğrenilen bilgiler, özel araç sınıflarını içeren veri setimizin eğitiminde kullanılmıştır. Çalışma, tüm araç sınıflarında yüksek kesinlik ve geri çağırma hızlarına ulaşmayı hedeflemektedir. Çalışmanın YOLOv7 algoritması ile eğitilmesi sonucunda %89 mAP@0.50 ve %84 geri çağırma değerlerine ulaşılarak önemli oranda başarı elde edilmiştir.