Geri Dön

Yapay arı kolonisi ve parçacık sürü optimizasyonu ile YOLO algoritmasının hiperparametrelerinin belirlenmesi

Determining the hyperparameters of YOLO algorithm using artificial bee colony and particle swarm optimization

  1. Tez No: 857526
  2. Yazar: YAHYA GÜNER
  3. Danışmanlar: PROF. DR. MUSTAFA SERVET KIRAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Konya Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 72

Özet

Bu tez çalışmasında YOLO algoritmasının beşinci sürümü olan YOLOv5 algoritmasında bulunan hiperparametrelerin optimize edilmesi sürecinde Yapay Arı Kolonisi (ABC) ve Parçacık Sürü Optimizasyonu (PSO) algoritmalarının kullanımı ve etkinliği incelenmiştir. YOLO algoritması nesne tespiti alanında önemli ilerlemeler sağlamış olmasına karşın beraberinde getirdiği hiperparametrelerin uzman bilgisi ve deneme yanılmalar gerektiren ayarlamalara ihtiyaç duyması algoritmanın uygulanmasını karmaşık bir süreç haline getirmektedir. Bu çalışmada algoritmanın hiperparametrelerinden dokuz tanesi seçilerek ABC ve PSO algoritmaları ile optimize edilmiştir. Oxford-IIIT evcil hayvan veri kümesindeki görseller kullanılarak elde edilen modellerin eğitim performansları kıyaslandığında PSO ile optimize edilen modelin zor ve nadir bulunan verileri tespit etme eğiliminde olduğu ve hızlı yakınsama ile eğitildiği görülmüştür. Buna karşılık ABC ile optimize edilen modelin tüm verileri dengeli bir şekilde öğrenerek düşük öğrenme oranlarıyla yavaş ve istikrarlı bir yakınsama yaptığı görülmüştür. Test aşamasında ABC algoritması ile optimize edilen modelin %81,7 mAP skoru aldığı, bu sonucun eğitim sonuçlarına benzer olduğu görülmüşken PSO ile optimize edilen modelin %76,8 mAP skoru aldığı ve eğitim esnasında aşırı uymaya girdiği, test verilerinde başarılı bir performans vermediği görülmüştür. Bu sonuçlar YOLO algoritmasının hiperparametre optimizasyonu probleminde PSO'ya göre daha çok sonuç çeşitliliği üretebilen ABC algoritmasının başarılı sonuçlar elde etmek için daha elverişli olduğunu göstermiştir.

Özet (Çeviri)

This thesis investigates the application and effectiveness of Artificial Bee Colony (ABC) and Particle Swarm Optimization (PSO) algorithms in the optimization process of hyperparameters found in YOLOv5, the fifth iteration of the YOLO algorithm. Despite the significant advancements that YOLO has brought to the field of object detection, the requirement for expert knowledge and trial-and-error in tuning its numerous hyperparameters adds complexity to its application. In this study, nine hyperparameters of the algorithm were selected and optimized using ABC and PSO algorithms. When the training performance of the resulting models obtained using images from the Oxford-IIIT pet dataset was compared, it was observed that the model optimized with PSO tended to detect rare and challenging data and was trained with rapid convergence. In contrast, the model optimized with ABC learned all data in a balanced manner, achieving slow and steady convergence with low learning rates. During testing, the ABC-optimized model produced %81,7 mAP score which similar to its training outcomes while the PSO-optimized model produced %76,8 mAP score and exhibited overfitting and failed to perform well on the test data. These findings indicate that in the hyperparameter optimization problem of the YOLO algorithm, the ABC algorithm, which can produce a greater variety of results compared to PSO, is more conducive to achieving successful outcomes.

Benzer Tezler

  1. Karışım problemlerinde esnek hesaplama yöntemleri kullanarak maliyet optimizasyonu

    Cost optimization in mixture problems by using soft computing techniques

    MEHMET AKİF ŞAHMAN

    Doktora

    Türkçe

    Türkçe

    2016

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSelçuk Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ADEM ALPASLAN ALTUN

  2. Pankreas hastalıklarım tahmin etmek için makine öğreniminsı tabanlı bir yaklaşım

    A machine learning based approach to predicting pancreatic diseases

    DINA AMEER TAQI ZAINY

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankırı Karatekin Üniversitesi

    Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SELİM BUYRUKOĞLU

  3. A hybrid deep learning metaheuristic model for diagnosis of diabetic retinopathy

    Diyabetik retinopatinin tanısı için hibrit bir derin öğrenme meta-sezgisel modeli

    ÖMER FARUK GÜRCAN

    Doktora

    İngilizce

    İngilizce

    2022

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA

  4. Artificial bee colony (ABC), harmony search (HS) and particle swarm optimization (PSO) based discrete and continuous optimum design of steel trusses

    Yapay arı kolonisi (ABC), harmoni arama (HS) ve parçacık sürüsü optimizasyonu (PSO) ile çelik kafes sistemlerin ayrık ve sürekli optimum tasarımı

    PATRICK JEAN DE DIEU OUEDRAOGO

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    İnşaat MühendisliğiKaradeniz Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. AYŞE DALOĞLU

  5. Dalgacık tabanlı MC-CDMA sistemlerindeki yüksek güçlü amplifikatörlerde tepe gücü/ortalama güç oranının zeki optimizasyon teknikleri ile düşürülmesi

    Reduction of peak-to-average power ratio in high power amplifiers in wavelet-based MC-CDMA systems by intelligent optimization techniques

    WISAM HAYDER MAHDI MAHDI

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Elektrik ve Elektronik MühendisliğiErciyes Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. NECMİ TAŞPINAR