A comparison of image detection algorithms YOLO and faster R-CNN in different conditions
Farklı koşullarda görüntü algılama algoritmaları YOLO ve faster R-CNN'nin karşılaştırılması
- Tez No: 704702
- Danışmanlar: DR. ÖĞR. ÜYESİ GONCA GÖKÇE MENEKŞE DALVEREN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Atılım Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 105
Özet
Bu tezde, hem zorlu hava koşullarında hem de karanlıkta daha iyi nesne tespiti açısından YOLOv4 ile YOLOv3 ve Faster R-CNN'yi karşılaştırıyoruz. Yağmurlu, sisli ve karlı hava koşullarında ve hatta geceleri yayalar, arabalar, otobüsler ve motosikletler gibi hareket eden nesneleri tespit etmek zor olabilir. Bu çalışma, hiçbirinin başlangıçta kötü hava koşullarında veya geceleri performans göstermesinin amaçlanmadığını akılda tutarak, bu tür durumlarda hangisinin en iyi performansı gösterdiğini belirlemek için üç modülü değerlendirmeyi amaçlamaktadır. Bu çalışma Tesla P4 GPU, 12GB RAM kullanılarak yapılmıştır. Bu algoritmaları, YOLOv4'ün 40.000 yineleme, 72 mAP ve 0.63 geri çağırma ile en iyi sonuçları aldığı bir açık görüntü veri seti ile eğittik. Öte yandan, YOLOv3 36000 yinelemede, 65.53 mAP'de ve 0.54 geri çağırma'da maksimum puan almıştır. Son olarak, Faster R-CNN 36000 yineleme, 51 mAP ve 0.49 geri çağırma elde etmiştir. Algılama performansı değerlendirmesi açısından, 30 FPS ile videoda YOLOv4 42 FPS'de, YOLOv3 37 FPS'de ve Faster R-CNN 10 FPS'de performans göstermiştir. Elde edilen sonuçlara göre, YOLOv4, YOLOv3 ve Faster R-CNN'ye kıyasla en iyi performansı göstermiştir.
Özet (Çeviri)
In this thesis, we compare YOLOv4 with YOLOv3 and Faster R-CNN in terms of better object detection in both challenging weather conditions and darkness. Moving objects such pedestrians, cars, buses and motorcycles can be difficult to detect in rainy, foggy and snowy weather conditions or even at night. This study is aimed at evaluating the three modules to determine which perform best in such circumstances, bearing in mind that none of them was initially intended to perform in bad weather conditions or at night. This Study is done by utilizing Tesla P4 GPU, with 12GB RAM. We trained these algorithms with an Open-Image dataset, where YOLOv4 has scored the best results at 40,000 iterations, 72 mAP, and 0.63 Recall. On the other hand, YOLOv3 has scored maximum at 36000 iterations, 65.53 mAP, and 0.54 Recall. Finally, Faster R-CNN scored 36,000 iterations, 51 mAP, and 0.49 Recall. In terms of detection performance evaluation, YOLOv4 performed at 42 FPS, while YOLOv3 was at 37 FPS and Faster R-CNN at 10 FPS in video with 30 FPS. Based on the results, YOLOv4 has performed the best in comparison to YOLOv3 and Faster R-CNN.
Benzer Tezler
- Derin öğrenme ile yere nüfuz eden radarlarda hedef tespiti
Target detection on ground penetrating radars (GPR) with deep learning
FATİH KÖPRÜCÜ
Yüksek Lisans
Türkçe
2021
Bilim ve Teknolojiİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
DOÇ. DR. IŞIN ERER
- Çilek meyvesi gelişiminin derin öğrenme metotlarıyla karşılaştırmalı incelenmesi
Comparison of development strawberry fruit with deep learning methods
LEVENT DALGIN
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolVan Yüzüncü Yıl ÜniversitesiYapay Zeka ve Robotik Ana Bilim Dalı
DOÇ. DR. MURAT CANAYAZ
- Active learning based human in the loop deep object detectionfor scalable data annotation
Ölçeklenebilir veri etiketlenmesi için aktif öğrenme tabanlı insan katılımlı derin nesne tespiti sistemi
ATABERK ARMAN KAYHAN
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
DOÇ. DR. NAZIM KEMAL ÜRE
- Askeri araç tespitinde yolo yapay zeka uygulaması ile renk tonu doygunluğu değeri (HSV) yönteminin karşılaştırılması
Comparison of yolo ai application and color saturation value (HSV) method in military vehicle detection
SERKAN GÜNDÜZ
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Gedik ÜniversitesiYapay Zeka Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ŞERİFE ESRA DİNÇER
- Otomatik optik inceleme cihazlarının tasarımı ve Baskı Devre Kart kusurlarının sınıflandırılması
Design of automated optical inspection device and classification of Printed Circuit Board defects
MUSTAFA ERYILMAZ
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ATİLA YILMAZ