Geri Dön

E-ticaret için gerçek zamanlı ürün kategorizasyonu: Yolo tabanlı görsel sınıflandırma

Real-time product categorization for e-commerce: Yolo-based image classification

PDF İndir

  1. Tez No: 1011860
  2. Yazar: SERGEN KAYNAK
  3. Danışmanlar: DR. ÖĞR. ÜYESİ CEM ÖZKURT
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Sakarya Uygulamalı Bilimler Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu tez çalışmasında, e-ticaret platformlarında ürün kategorizasyon sürecinin yalnızca görsel veriye dayalı olarak otomatikleştirilmesi amaçlanmıştır. Geleneksel olarak e-ticaret sitelerindeki ürün satıcılarının ürünlerini manuel olarak kategori ve alt kategoriler altında listelemesi, hem zaman alıcı bir süreç olmakta hem de yanlış kategori seçimleri nedeniyle kullanıcı deneyimini olumsuz etkilemektedir. Yanlış kategorizasyon, ürünlerin platform içi aramalarda görünürlüğünü azaltmakta, müşteri memnuniyetini düşürmekte ve satış performansını doğrudan etkilemektedir. Bu bağlamda, derin öğrenme tabanlı yöntemlerin görsel veriler üzerinden doğru ve hızlı kategorizasyon yapma potansiyeli araştırılmıştır. Çalışmada, YOLO modellerinden YOLOv8 ve YOLOv11 mimarilerinin farklı varyantları kullanılmıştır. Deneysel analizlerde, 11 farklı sınıftan oluşan ve toplamda 25.900 beyaz eşya ürün görselini içeren özgün bir veri seti kullanılmıştır. Veri seti eğitim, doğrulama ve test olmak üzere üç alt kümeye ayrılmış, modeller yüksek performanslı bir donanım altyapısı üzerinde eğitilmiştir. Performans değerlendirmesi için sınıflandırma alanında yaygın olarak kullanılan Accuracy@1 ve Accuracy@5 metrikleri tercih edilmiştir.Elde edilen bulgular, YOLO tabanlı modellerin ürün kategorizasyonu görevinde yüksek doğruluk sağladığını göstermiştir. YOLOv8'in büyük ölçekli varyantı Accuracy@1 ölçütünde %97,7'ye ulaşmış, YOLOv11 ise daha dengeli bir performans sergilemiştir. Tüm modellerde Accuracy@5 değerlerinin %99'un üzerinde gerçekleşmesi, sistemin doğru kategoriyi ilk beş tahmin içerisinde neredeyse her zaman sunduğunu ortaya koymuştur. Bu sonuçlar, çalışmanın başında öne sürülen hipotezlerin her ikisini de desteklemektedir: Görsel tabanlı derin öğrenme modelleri, manuel yöntemlere kıyasla daha yüksek doğruluk ve tutarlılık sağlamış (H1); aynı zamanda gerçek zamanlı işleme yeteneği ile kategorizasyon süresini anlamlı düzeyde kısaltmıştır (H2).Ayrıca geliştirilen web tabanlı uygulama, ürün görsellerinin yüklenmesinden sonra model tahminini hızlıca üretmekte ve veritabanı aracılığıyla anlamlı kategori–alt kategori bilgisi sunmaktadır. Bu yapı, hem satıcıların ürün ekleme sürecini kolaylaştırmakta hem de e-ticaret platformlarında daha doğru ve sistematik bir ürün kataloğu oluşturulmasına katkı sağlamaktadır.Sonuç olarak, bu tez çalışması, görsel tabanlı derin öğrenme modellerinin e-ticaret ürün kategorizasyonunda yüksek doğruluk ve verimlilik sunduğunu ortaya koymuş; hem teorik düzeyde hem de uygulama senaryosu üzerinden pratik katkılar sağlamıştır.

Özet (Çeviri)

This thesis aims to automate the product categorization process on e-commerce platforms based solely on visual data. Traditionally, sellers manually list their products under categories and subcategories, which is both a time-consuming process and negatively impacts user experience due to incorrect category selections. Incorrect categorization reduces the visibility of products in platform searches, lowers customer satisfaction, and directly affects sales performance. In this context, the potential of deep learning-based methods to perform accurate and fast categorization based on visual data has been investigated. In the study, different variants of the YOLOv8 and YOLOv11 architectures from the YOLO models were used. In the experimental analysis, a unique dataset consisting of 11 different classes and a total of 25,900 white goods product images was used. The dataset was divided into three subsets: training, validation, and testing, and the models were trained on a high-performance hardware infrastructure. Accuracy@1 and Accuracy@5 metrics, commonly used in the classification field, were preferred for performance evaluation. The findings showed that YOLO-based models achieved high accuracy in the product categorization task. The large-scale variant of YOLOv8 reached 97.7% on the Accuracy@1 metric, while YOLOv11 showed a more balanced performance. The fact that Accuracy@5 values exceeded 99% in all models revealed that the system almost always provided the correct category within the first five predictions. These results support both hypotheses proposed at the beginning of the study: Visual-based deep learning models provided higher accuracy and consistency compared to manual methods (H1); they also significantly reduced categorization time with their real-time processing capability (H2). Furthermore, the developed web-based application quickly generates model predictions after product images are uploaded and provides meaningful category-subcategory information via a database. This structure both facilitates the product addition process for sellers and contributes to the creation of a more accurate and systematic product catalog on e-commerce platforms. In conclusion, this thesis demonstrates that visual-based deep learning models offer high accuracy and efficiency in e-commerce product categorization, providing practical contributions both at a theoretical level and through application scenarios.

Benzer Tezler

  1. Tez No

    902372

    An optimized hybrid ai-based recommendation system for e-commerce

    E-ticaret için optimize edilmiş hibrit yapay zeka destekli öneri sistemi

    SAHAR FARHAT

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir Üniversitesi

    Büyük Veri Analitiği ve Yönetimi Ana Bilim Dalı

    DOÇ. DR. ATINÇ YILMAZ

  2. Tez No

    886721

    Determining e-commerce product recommendation systems utilizing mcdm methods

    Çkkv yöntemlerini kullanarak e-ticaret ürün öneri sistemlerinin belirlenmesi

    MİNE YAVUZ ŞAFAK

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. YUSUF İLKER TOPCU

  3. Tez No

    933832

    Machine learning applications on purchase prediction for e-commerce marketplaces

    E-ticaret pazar yerleri için satın alma tahmini üzerine makine öğrenmesi uygulamaları

    AYŞE AYLİN TOKUÇ

    Doktora

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKadir Has Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TAMER DAĞ

  4. Tez No

    901980

    Enhancing e-commerce experiences through recommendation system based on machine learning techniques

    Makine öğrenimi tekniklerine dayalı öneri sistemi aracılığıyla e-ticaret deneyimlerini geliştirmek

    SARA SABER

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÜsküdar Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. HAMZA EROL

  5. Tez No

    891872

    E-ticarette e-lojistik hizmet kalitesi ve satış sonrası hizmetlerin tekrar satın alma ve tavsiye etme niyeti üzerine etkisi

    E-logistics service quality in e-commerce the effect of after-sales services on re-purchasing and recommendation intention

    SEVGİ DAĞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    İşletmeAydın Adnan Menderes Üniversitesi

    Lojistik Yönetimi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÜNEŞ AÇELYA SİPAHİ

Geri Dön