Derin öğrenme ile araç tespiti: Yıldız Teknik Üniversitesi kampüs otopark alanları örneği
Vehicle detection with deep learning: Yıldız Technical University campus parking areas example
- Tez No: 720986
- Danışmanlar: DOÇ. DR. ANİME MELİS UZAR
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Araç tespiti, derin öğrenme, YOLO, Vehicle detection, deep learning, YOLO
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Harita Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Uzaktan Algılama ve Coğrafi Bilgi Sistemleri Bilim Dalı
- Sayfa Sayısı: 79
Özet
Günümüzde otomatik araç tespiti, akıllı şehirlerde ulaşım, afet ve kriz yönetimi, otoyol yönetimi, gerçek zamanlı araç tespiti ve otopark yönetimi gibi birçok farklı alanda kullanılmaktadır. Son yıllarda, araç tespit çalışmalarında yaygın olarak derin öğrenme yöntemleri tercih edilmektedir. Bu yöntemin kullanımının yüksek doğruluk ve hız avantajının yanı sıra, modeldeki katman sayısı, bağlantı özellikleri ve değişkenlerin seçiminden kaynaklanan problemleri de beraberinde getirdiği tespit edilmiştir. Ayrıca, yağmur, sis, güneş gibi olumsuz hava şartlarında sayısal görüntülerden araç tespitinde buğu ve gölge kaynaklı araçları tespit edememe, çift tespit etme ve sınıf karışıklığı gibi önemli sorunlara neden olmaktadır. Bu sebeple, araç tespitinde güncel, hızlı ve doğru bilgi elde etmek hala üzerinde çalışılan ve çözümlenmesi gereken önemli bir problemdir. Bu çalışmada amaç, derin öğrenme mimarilerinden olan YOLO versiyonlarının araçları tespit etmedeki model performansı ve otopark alanlarındaki başarısını analiz etmektir. Bu kapsamda YTÜ Davutpaşa kampüsü 2018 yılına ait, uygun hava koşullarında insansız hava aracı ile elde edilmiş 5472*3648 piksel boyutunda, 72 dpi çözünürlüğe sahip görüntüler kullanılmıştır. Elde edilen veri seti araba, otobüs ve minibüs olmak üzere VoTT programı kullanılarak etiketlenmiştir. Etiketlenen veri seti, YOLOv4-CSP, YOLOv4-tiny YOLOv4-P5, YOLOV4-P6, YOLOv5n, YOLOv5s, YOLOv5m, YOLOv5l, YOLOv5x mimarilerinde, aktarımlı öğrenme kullanarak eğitilmiştir. Elde edilen ağırlıklar belirlenen otopark alanlarında uygulanarak sonuçlar karşılaştırılmıştır. Sonuçların doğruluk analizleri hesaplanan F1-Skor değerine göre YOLOv4-CSP %68, YOLOv4-tiny %89, YOLOv4-P5 %61, YOLOv4-P6 %53, YOLOv5n %0.79 YOLOv5s %81, YOLOv5m %0.79, YOLOv5l %0.79 ve YOLOv5x %80 olarak bulunmuştur. Hesaplanan mAP doğruluk değerine göre ise YOLOv4-CSP %76, YOLOv4-tiny %75, YOLOv4-P5 %73, YOLOv4-P6 %75, YOLOv5n %0.82 YOLOv5s %80, YOLOv5m %0.84, YOLOv5l %0.79 ve YOLOv5x %79 olarak bulunmuştur. Sonuçta, F1-Skor değerinde YOLOv4-tiny modeli, mAP değerinde YOLOv5m modellerinin çalışmada analiz edilen diğer modellerden daha iyi sonuç verdiği tespit edilmiştir.
Özet (Çeviri)
Nowadays, automatic vehicle detection is used in many different areas such as transportation in smart cities, disaster and crisis management, highway management, real-time vehicle detection and parkinglot management. In recent years, deep learning methods have been widely preferred in vehicle detection studies. It has been determined that the use of this method brings with it the advantages of high accuracy and speed, as well as problems arising from the number of layers in the model, connection properties and selection of variables. In addition, adverse weather conditions such as rain, fog and sun cause important problems such as the inability to detect vehicles caused by mist and shadow, double detection and class confusion in vehicle detection from digital images. For this reason, obtaining up-to-date, fast and accurate information in vehicle detection is still an important problem that is being studied and needs to be resolved. The aim of this study is to analyze the model performance of YOLO versions, which is one of the deep learning architectures, in detecting vehicles and their success in parking areas. In this context, images of the YTU Davutpaşa campus in 2018, taken by an unmanned aerial vehicle in suitable weather conditions, with a size of 5472 * 3648 pixels and a resolution of 72 dpi were used. The created dataset was labeled as car, bus and minibus using the VOTT program. The tagged dataset was trained in YOLOV4-CSP, YOLOV4-tiny YOLOV4-P5, YOLOV4-P6, YOLOV5n, YOLOV5s, YOLOV5m, YOLOV5l, YOLOV5x architectures using transfer learning. Obtained weights were applied in the designated parking areas and the results were compared. Accuracy analyzes of the results according to the F1-Score values were determined as YOLOv4-CSP 68%, YOLOv4-tiny 89%, YOLOv4-P5 61%, YOLOv4-P6 53%, YOLOv5n 0.79% YOLOv5s 81%, YOLOv5m 0.79%, YOLOv5l 0.75% and YOLOv5l 0.75%. calculated. Accuracy analyzes of the results according to the mAP values were determined as YOLOv4-CSP 76%, YOLOv4-tiny 75%, YOLOv4-P5 73%, YOLOV4-P6 75%, YOLOV5n 0.82% YOLOv5s 80%, YOLOv5m 0.84%, YOLOv5l 0.79% and YOLOv5 calculated. As a result, it was determined that the YOLOV4-tiny model at the F1-Score value and the YOLOv5m model at the mAP value gave better results than the other models analyzed in the study.
Benzer Tezler
- Derin öğrenme yöntemleri ile ektopik erüpsiyon bölgelerinin otomatik tespiti ve şiddet sınıflandırması
Automatic detection and severity grading of ectopic eruption regions using deep learning methods
ESEN TURUNÇ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HAMZA OSMAN İLHAN
- Derin öğrenme kullanılarak araç içi görüntüden dikkatsiz sürücü tespiti
Distracted driver detection from in vehicle image using deep learning
SEYİT OZAN ÖZDİL
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SONGÜL VARLI
- Heterojen gömülü hesaplama kullanılarak ileri yol şerit tespiti
Advanced lane line detection using heterogeneous embedded computing
MUSTAFA EMRE YILMAZ
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. BURCU ERKMEN
- Sürücü destek sistemleri için yeni yol ve işaret tanıma yöntemleri
New road and sign recognition methods for driver assistance systems
GÜLCAN YILDIZ
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKaradeniz Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BEKİR DİZDAROĞLU
- Classification of abnormal respiratory sounds using deep learning techniques
Solunum seslerinin derin öğrenme yöntemleri ile sınıflandırılması
AHAMADI ABDALLAH IDRISSE
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
DOÇ. DR. OKTAY YILDIZ