YOLOv3 ve faster R-CNN'in caltech yaya veriseti üzerinde karşılaştırılması
Comparison of YOLOv3 and faster R-CNN on caltech pedestrian dataset
- Tez No: 838294
- Danışmanlar: PROF. DR. AYLİN KANTARCI
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Ege Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 133
Özet
Bu tez çalışmasında şehir içerisinde bir araç kamerası ile çekilmiş olan 10 saatlik video verisi içeren Caltech Yaya Veriseti (Caltech Pedestrian Dataset) üzerinde nesne tespiti için özel tasarlanmış olan Faster R-CNN ve YOLOv3 derin öğrenme modelleri eğitilmiş ve eğitim sonucunda bu iki modelin, video kareleri içerisinde bulunan yayaları tespit edebilmede ne kadar başarılı oldukları gözlemlenmiştir. Çalışma Google Colab platformu üzerinde Python dili ile kodlanmış olup Faster R-CNN modelinin implementasyonu Torchvision kütüphanesi ile gerçekleştirilmiş, YOLOv3 modelinin implementasyonu ise Darknet çatısı ile gerçekleştirilmiştir. Modeller, kodlandıktan sonra veriseti ile belirlenmiş koşullar ve imkânlar doğrultusunda eğitilmiş ve test işlemleri yapılmıştır. Modellerin test edilmesi sonucunda YOLOv3'ün yayaları tespit etmede Faster R-CNN'den çok daha başarılı olduğu ve daha az kaynak tükettiği için çok daha performanslı çalışarak eğitim sürecini çok daha hızlı bir şekilde gerçekleştirdiği ancak test sürecinde imajların birer birer tespit edilmesinde biraz daha yavaş olduğu gözlemlenmiştir.
Özet (Çeviri)
In this thesis, Faster R-CNN and YOLOv3 deep learning models, which are specially designed for object detection, were trained on the Caltech Pedestrian Dataset, which contains 10 hours of video data taken with a vehicle camera in the city, and it was observed how successful these two models were in detecting pedestrians in the video frames. The study was coded in Python on the Google Colab platform, the implementation of the Faster R-CNN model was realized with the Trochvision library, and the implementation of the YOLOv3 model was realized with the Darknet framework. After the models were coded, they were trained and tested with the dataset in accordance with the specified conditions and possibilities. As a result of testing the models, it was found that YOLOv3 is much more successful than Faster R-CNN, and since it consumes fewer resources, it performs much more efficiently and performs the training process much faster, but it is a bit slower in detecting images one by one in the test process.
Benzer Tezler
- 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
ABDULGHANI MAWLOOD A.GHANI ABDULGHANI
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAtılım ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GONCA GÖKÇE MENEKŞE DALVEREN
- Fabrika içi ortamlarda görsel nesne sezimi
Visual object detection in factory environments
NAZLICAN GENGEÇ
Yüksek Lisans
Türkçe
2020
Elektrik ve Elektronik MühendisliğiEskişehir Osmangazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HASAN SERHAN YAVUZ
- Tek kamera ile hava aracı takibi ve telemetri sistemisenkronizasyonu
Aircraft tracking with a single camera and telemetry system synchronızation
VOLKAN TUTAY
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. İRFAN KARAGÖZ
- Derin öğrenme tabanlı nesne tespit algoritmaları ile hisse senedi al-sat karar destek sisteminin modellenmesi
Modeli̇ng of tradi̇ng deci̇si̇on support system wi̇th deep learni̇ng based object recogni̇ti̇on algori̇thms
GÜNAY TEMÜR
Doktora
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDüzce ÜniversitesiElektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SERDAR BİROĞUL
DOÇ. DR. UTKU KÖSE
- Otomatik diş dolgu tespitinde derin öğrenme algoritmalarının performanslarının karşılaştırılması
The comparison of deep learning algorithms' performances in detection of automated dental filling
GÖKTUĞ BACANLI
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MAHMUT EMİN ÇELİK