Real-time object detection using deep learning and computer vision
Derin öğrenme ve bilgisayarlı görü ile gerçek zamanlı nesne algılama
- Tez No: 831595
- Danışmanlar: DOÇ. DR. MURAT KURT
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Ege Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Uluslararası Bilgisayar Ana Bilim Dalı
- Bilim Dalı: Bilgi Teknolojileri Bilim Dalı
- Sayfa Sayısı: 146
Özet
Bu tezde, nesne algılama için MelNet adlı yeni bir derin öğrenme modeli önerilmiştir. MelNet, nesne tespiti için KITTI veri kümesi üzerinde eğitilmiştir. 300 eğitim döneminin ardından MelNet, 0,732'lik bir mAP (ortalama ortalama kesinlik) değerine ulaştı. Ayrıca YOLOv5, YOLOv8-n, YOLOv8-s, EfficientDet ve Faster- RCNN-MobileNet v3 olmak üzere beş farklı model KITTI veri seti üzerinde eğitilmiş ve nesne tespiti için MelNet ile karşılaştırılmıştır. 0.850 olan en iyi mAP değeri YOLOv8-s tarafından elde edilir. Sonuçlar, bazı durumlarda transfer öğrenimini kullanmanın daha iyi bir seçim olabileceğini göstermektedir. Gerçek şu ki, ana veri kümeleri (örn. ImageNet, COCO ve Pascal VOC) üzerinde eğitilmiş ve bu nedenle daha iyi sonuçlara sahip olan önceden eğitilmiş modellerdir. Diğer bir sonuç ise, belirli bir senaryo için yeni bir model tasarlamak ve bunu belirli bir veri kümesi üzerinde eğitmek de kabul edilebilir. Bu çalışma, MelNet'i yalnızca KITTI veri kümesi üzerinde eğitmenin, 150 çağdan sonra EfficientDet'ten daha iyi performans gösterdiğini göstermektedir. MelNet'i eğittikten sonra, sonuçlar önceden eğitilmiş başka bir modele yakındır.
Özet (Çeviri)
In this study, a novel deep learning model for object detection, named MelNet, was introduced. MelNet underwent training utilizing the KITTI dataset for object detection. Following 300 training epochs, MelNet attained an mAP (mean average precision) score of 0.732. Additionally, five alternative models—YOLOv5, YOLOv8-n, YOLOv8-s, EfficientDet, and Faster-RCNN-MobileNet v3—were trained on the KITTI dataset and juxtaposed with MelNet for object detection. The most favorable mAP score of 0.850 was achieved by YOLOv8-s. The outcomes underscore the efficacy of employing transfer learning in certain instances. Notably, preexisting models trained on prominent datasets (e.g., ImageNet, COCO, and Pascal VOC) yield superior results. Another finding underscores the viability of creating a new model tailored to a specific scenario and training it on a specific dataset. This investigation demonstrates that training MelNet exclusively on the KITTI dataset also surpasses EfficientDet after 150 epochs. Consequently, post-training, MelNet's performance closely aligns with that of other pre-trained models.
Benzer Tezler
- İnsansız hava araçlarında gerçek zamanlı nesne tespiti ve sınıflandırma için gömülü sistem ve derin öğrenme tekniklerinin kullanılması
Using embedded system and deep learning techniques for real-time object detection and classification in unmanned vehicles
ZİYA SAYGILI
Yüksek Lisans
Türkçe
2022
Mekatronik MühendisliğiSelçuk ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÜZİN ÖZMEN
- Derin öğrenme algoritmaları kullanılarak gerçek zamanlı silah tanıma uygulaması
Real-time handgun detection application using deep learning algorithms
ALİ AKDAĞ
Yüksek Lisans
Türkçe
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolNecmettin Erbakan ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. SABRİ KOÇER
- Defective fruits detection using deep convolutional networks
Derin konvolüsyon ağları ile bozulmuş meyvelerin tespiti
RHUDIE GRACE ZANG EDZANG
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGebze Teknik ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET GÖKTÜRK
- A proposed method for increasing the accuracy of object detection under rain conditions using deep learning
Derin öğrenmeyle yağmur durumlarında nesne tespitin doğrlığını artırmak için önerilen bir yöntem
FARIS KAREEM HALYUT SHAMMARI
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ADNAN SAHER MOHAMMED AL-AJEELI
- Real-time intelligent strawberry harvesting and quality determination system using computer vision and deep learning
Bilgisayarla görme ve derin öğrenmeyi kullanan gerçek zamanlı akıllı çilek hasadı ve kalite belirleme sistemi
NAGHAM YASSIN ALHAWAS
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇukurova ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
Prof. Dr. ZEKERİYA TÜFEKCİ