Investigating a road traffic detection using YOLOv7
YOLOv7 kullanarak bir yol trafik algılamasını incelemek
- Tez No: 795193
- Danışmanlar: PROF. DR. ŞABAN SELİM ŞEKER
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Üsküdar Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 73
Özet
Doğru bir trafik hacmi tahmini elde etmek için yoldaki araçları saymak, mevcut durumu değerlendirmek için akıllı ulaşım sistemlerinden (ITS) alınan verilerin kullanılmasında önemli bir aşamadır. Şehirlere ve ilgili toplu taşıma sistemlerine giderek daha fazla kamera yerleştirildikçe, gözetim kayıtları giderek daha önemli bir bilgi kaynağı haline geliyor. Akıllı ulaşım sistemleri, nesne algılamaya önemli bir vurgu yapmaktadır. Bu teknolojinin kritik kullanımlarından biri, farklı araç türlerini sınıflandırmaktır. Nesne algılama, görüntülerden ve videolardan araçlarla ilgili verileri çıkarmayı amaçlar. Gerçek zamanlı izleme sistemlerinde algılamanın kesinliği ve doğruluğu ile veri elde etmek için bu yöntemi kullanan akıllı sistemlerin işlem hızlarında sorunlar vardır. Ancak, bu sorunların tümü kullanılan yöntemden kaynaklanmaktadır. Bu çalışma, YOLO (Sadece Bir Kez Bakarsınız) algoritmasını kullanarak araçların tespiti için bir sistem önermektedir. YOLO modeli, yüksek ortalama ortalama hassasiyete (mAP) sahip araç türlerini belirlemek için çeşitli derin öğrenme algoritmaları kullanabilir. Ayrıca, YOLOv7 kullanılarak karayolu trafik tespitini araştırmak için, Algoritmayı eğitmek için veriler toplandı ve manuel olarak etiketlendi. Eğitilen model, belirli bir zaman sınırında araç sayısını tespit etmek ve saymak için yağmurlu, güneşli, gece, karlı ve sisli gibi iklim koşullarında Lagos ve İstanbul'daki farklı yol kavşaklarında toplanan gerçek zamanlı gözetim videosu üzerinde test edilmiştir. Bu araştırmanın sonucu python yazılımı kullanılarak otomatik olarak bir veri tabanına kaydedilmiştir. Ayrıca sonuç, Tıkanıklığın zaman içindeki büyüme oranını izlemek için bir çizgi grafiği oluşturmak üzere Matlab kullanılarak değerlendirildi. Her iki şehirde de modelin sonucunu karşılaştırırken anlamlı bir fark yoktu. Ancak Algoritma sisli hava koşullarında berbat bir performans sergilemektedir.
Özet (Çeviri)
Counting vehicles on the road to get an accurate traffic volume estimate is an important stage in using data from intelligent transportation systems (ITS) to evaluate the present state of affairs. As more and more cameras are placed across cities and respective public transit systems, surveillance recordings are becoming an increasingly essential source of information. Intelligent transportation systems place a significant emphasis on object detection. One of the critical uses of this technology is to classify different types of vehicles. Object detection aims to extract data relevant to vehicles from images and videos. There are problems with the precision and accuracy of detection in real-time tracking systems and the processing speeds of intelligent systems that utilize this method to acquire data. However, these problems all come from the method used. This study proposes a system for detecting vehicles using the YOLO (You Look Only Once) algorithm. The YOLO model can use a variety of deep learning algorithms to identify vehicle types with high mean average precision (mAP). Moreover, to investigate road traffic detection using the YOLOv7, data were collected and labelled manually to train the Algorithm. The trained model was tested on real-time surveillance video collected on different road intersections in Lagos and Istanbul under climatic conditions like rainy, sunny, night, snowy, and foggy to detect and count the number of vehicles at a specific time limit. The result of this research was automatically recorded in a database using python software. Furthermore, the result was evaluated using Matlab to create a line chart to track the growth rate of Congestion over time. There was no significant difference comparing the result of the model in both cities. However, the Algorithm has a lousy performance in foggy weather conditions.
Benzer Tezler
- Crowd localization and counting via deep flow maps
Derin öğrenme ile çıkarılan hareket haritaları kullanılarak nesne kalabalıklarının tespiti ve sayımı
PEDRAM YOUSEFI
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. BİLGE GÜNSEL
- Türkiye'deki ortalama hız ihlal tespit sistemlerinin trafik güvenliğine etkisi
Institute of traffic the impact of average speed violation detection systems on traffic safety in Türkiye
RECEP BALTA
Yüksek Lisans
Türkçe
2022
TrafikPolis AkademisiUlaşım Güvenliği ve Yönetimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÜLGEN ASLAN DÜZGÜN
- Şerit takip desteği sistemi için fonksiyonel emniyet analizi
Functional safety analysis for lane keeping assistance system
EMİR KUDUN
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
DOÇ. DR. İLKER ÜSTOĞLU
- Trafik kaza kara noktalarının tespiti ve incelenmesi (Kastamonu örneği)
Detection and investigation of traffic accidental land poi̇nts (Kastamonu example)
YASEMİN SAĞLIK
Yüksek Lisans
Türkçe
2023
TrafikKastamonu Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ADEM AHISKALI
- Türkiye'de elektronik denetleme sistemleri ile tespit edilen hız aşım oranlarının incelenmesi
Investigation of overspeed ratios determined by electronic detection systems in Turkey
SEYİT MERİÇ SEZGİN
Yüksek Lisans
Türkçe
2022
KazalarGazi ÜniversitesiKazaların Çevresel ve Teknik Araştırması Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EBRU ARIKAN ÖZTÜRK