Derin öğrenme yaklaşımları ile gömülü platform üzerinde yüz analizi sisteminin gerçekleştirilmesi
Implementation of face analysis system with deep learning approaches on embedded platform
- Tez No: 895496
- Danışmanlar: DOÇ. DR. İSMET KANDİLLİ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 69
Özet
Bu tez, düşük maliyetli bu platformun gerçek zamanlı olarak, karmaşık derin öğrenme görevlerini nasıl yerine getirebileceğini göstermek amacıyla popüler bir tek kartlı bilgisayar olan Raspberry Pi kullanarak, yüz tanıma için çoklu görev öğrenimini araştırmaktadır. Verimlilikleri ve doğrulukları nedeniyle temel modeller olarak, MobileNet, MobileNetV2 ve InceptionV3'ü kullandık. MTL modellerin eğitimi için, bilinen bireylerin ve VGGFace2 veri kümesindeki ünlülerin fotoğraflarından oluşturulan ve üç göreve bölünen bir veri tabanında kimliklerin tanımlanması (9 sınıf), yaşların tahmini (3 grup) ve etnik kökenin tahmini (3 grup) olarak gerçekleştirilmiştir. Çoklu görev öğrenme yaklaşımı, bu görevlerin derin öğrenme modelleri arasında paylaşılan katmanlar kullanılarak, eşzamanlı olarak yürütülmesini sağlanmıştır. Sonuçlar, yüksek doğruluk oranları göstermiştir: MTL-InceptionV3 modeli, kimlik tanımada %93,3, yaş tahmininde %95,6 ve etnik köken tahmininde %97,5 doğruluğa ulaşmıştır. MTL-MobileNet modeli, kimlik tanımada %99, yaş tahmininde %99,3 ve etnik köken tahmininde %99,5 ile en yüksek doğruluğa ulaşmıştır. MTL-MobileNetV2 modeli ise kimlik tanımada %98,3, yaş tahmininde %97,3 ve etnik köken tahmininde %99 doğruluk performansı sergiledi. Bu etkileyici sonuçlar, güvenlik sistemleri, kişiselleştirilmiş müşteri deneyimleri ve demografik analiz gibi gerçek dünya uygulamalarında, Raspberry Pi tabanlı yüz tanıma sistemlerinin önemli bir potansiyele sahip olduğunu göstermektedir. Çalışma, Raspberry Pi üzerinde çoklu görev öğrenmenin pratik olduğunu göstererek, karmaşık derin öğrenme modellerinin sınırlı kaynaklarla bile verimli bir şekilde çalışabileceğini kanıtlamaktadır. Bu, yenilikler için kapı açarak yüz tanıma sistemlerini daha esnek ve kullanımı daha kolay hale getirmektedir. Ayrıca, gerçek zamanlı uygulamalarda hesaplama yükünü ve enerji kullanımını azaltarak kaynakların daha verimli kullanılmasını sağlamaktadır.
Özet (Çeviri)
This thesis investigates multi-task learning for facial recognition using the Raspberry Pi, a popular single-board computer, to demonstrate how this inexpensive platform can perform deep learning tasks complexity in real time. We used MobileNet, MobileNetV2, and InceptionV3 as base models due to their efficiency and accuracy. The MTL models training is performed on a database built from photos of known individuals and celebrities from the VGGFace2 dataset, divided into three tasks: identifying individuals (9 classes), age estimation (3 groups) and ethnicity prediction (3 groups). Multi-task learning enables the simultaneous execution of these tasks using shared layers between deep learning models. The results show a high accuracy rate: MTL-InceptionV3 models achieved 93.3% person identification, 95.6% age estimation and 97.5% ethnicity prediction. The MTL-MobileNet model achieved the highest accuracy with 99% person identification, 99.3% age estimation and 99.5% ethnicity prediction. The MTL-MobileNetV2 model achieved 98.3% results in person identification, 97.3% age estimation, and 99% ethnicity prediction. These results demonstrate the significant potential of Raspberry Pi-based facial recognition systems in real-world applications such as security systems, personalized customer experiences, and demographic analytics. The study shows that multi-task learning on the Raspberry Pi is practical, demonstrating that complex deep learning models can run efficiently even with limited resources. This opens opportunities for innovation, making facial recognition systems more flexible and easier to use. It also enables better resource utilization, thereby reducing computational load and energy consumption in real-time applications.
Benzer Tezler
- Real-time anomaly detection in UAV systems using TinyML on ARM Cortex-M microcontrollers
ARM Cortex-M mikrodenetleyicilerde gömülü makine öğrenmesi kullanarak İHA sistemlerinde gerçek zamanlı anomali tespiti
MEHMET ALPEREN BAKICI
Yüksek Lisans
İngilizce
2024
Havacılık ve Uzay Mühendisliğiİstanbul Teknik ÜniversitesiSavunma Teknolojileri Ana Bilim Dalı
PROF. DR. ECE OLCAY GÜNEŞ
- Manipulation of visually recognized objects using deep learning
Görsel tanınan nesnelerin derin öğrenme kullanarak hareket ettirilmesi
ERTUĞRUL BAYRAKTAR
Doktora
İngilizce
2018
Mekatronik Mühendisliğiİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. PINAR BOYRAZ
- Hierarchical deep bidirectional self-attention model for recommendation
Hiyerarşik çift yönlü öz dikkat tabanlı derin öğrenme tavsiye modeli
İREM İŞLEK
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ŞULE GÜNDÜZ ÖĞÜDÜCÜ
- Domates hastalıklarının sınıflandırılması için makine öğrenmesi ve derin öğrenme temelli yeni yaklaşımlar
New approaches to classification of tomato diseases based on machine learning and deep learning
HASAN ULUTAŞ
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. VEYSEL ASLANTAŞ
- Beyond the product: Expanding orders of design and its implications for industrial design education in Turkey
Ürünün ötesinde: Tasarımın genişleyen kapsamı ve Türkiye'deki endüstriyel tasarım eğitimindeki yansımaları
SEDA DUMAN
Doktora
İngilizce
2021
Endüstri Ürünleri Tasarımıİstanbul Teknik ÜniversitesiEndüstri Ürünleri Tasarımı Ana Bilim Dalı
PROF. DR. ŞEBNEM TİMUR ÖĞÜT