Geri Dön

YOLO, Faster R-CNN ve SSD MÖobile net kullanarak market raf ürünlerinin algılanması ve tanımlanması

Market shelf products detection and recognition Using YOLO, Faster R-CNN, and SSD Mobile net

  1. Tez No: 912962
  2. Yazar: ALAA MOHAMED JAMEL ABDULQADER MAWLAWI
  3. Danışmanlar: DR. ÖĞR. ÜYESİ GÜLŞAH TÜMÜKLÜ ÖZYER
  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: İngilizce
  9. Üniversite: Atatürk Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 96

Özet

Amaç: Bu çalışmanın amacı, market raflarındaki ürünlerin otomatik olarak tespit edilmesi ve tanımlanması için YOLOv11, YOLOv8, Faster R-CNN ve SSD MobileNet gibi derin öğrenme tabanlı modelleri kullanarak performans karşılaştırması yapmaktır. Bu teknolojinin, süpermarket envanter yönetimi ve müşteri deneyimi üzerindeki etkileri analiz edilmiştir. Yöntem: Çalışmada, Erzurum ilindeki marketlerden elde edilen raf görüntülerinden oluşan bir veri seti kullanılmıştır. Görseller, Roboflow 3.0 aracıyla detaylı olarak etiketlenmiş ve YOLOv11, YOLOv8, Faster R-CNN ve SSD MobileNet modelleri eğitilmiştir. Model performansları mAP (Ortalama Doğruluk), kayıp eğrileri ve F1-güven, doğruluk-duyarlılık gibi metriklerle değerlendirilmiştir. Bulgular: Deneysel sonuçlara göre YOLOv11 modeli en yüksek doğruluk oranını sağlarken, YOLOv8 modeli hız ve performans açısından dengeli bir çözüm sunmuştur. SSD MobileNet, düşük hesaplama maliyetiyle donanım kısıtlı ortamlarda başarılı performans sergilemiştir. Faster R-CNN ise özellikle küçük nesnelerin tespitinde daha yüksek başarı göstermiştir. Sonuçlar: YOLOv11, doğruluk ve hız açısından üstün performans göstererek market raflarındaki ürünlerin tespitinde en uygun çözüm olarak belirlenmiştir. YOLOv8 modeli ise daha hızlı bir yapı sunarak, gerçek zamanlı uygulamalar için avantaj sağlamıştır. Bu bulgular, otomatik envanter yönetimi, raf boşluklarının tespiti ve müşteri deneyiminin iyileştirilmesi için YOLO tabanlı modellerin etkin kullanımını önermektedir.

Özet (Çeviri)

Purpose: The aim of this study is to conduct a performance comparison of deep learning-based models, including YOLOv11, YOLOv8, Faster R-CNN, and SSD MobileNet, for the automated detection and identification of products on supermarket shelves. The study analyzes the impact of this technology on supermarket inventory management and customer experience. Method: The study utilized a dataset consisting of shelf images obtained from markets in Erzurum. The images were meticulously labeled using the Roboflow 3.0 tool, and the models YOLOv11, YOLOv8, Faster R-CNN, and SSD MobileNet were trained. Model performances were evaluated using metrics such as mAP (Mean Average Precision), loss curves, and F1-confidence, precision-recall curves. Findings: Experimental results show that the YOLOv11 model achieved the highest accuracy, while the YOLOv8 model provided a balanced solution in terms of speed and performance. SSD MobileNet demonstrated successful performance in hardware-constrained environments due to its low computational cost. Faster R-CNN, on the other hand, excelled in detecting small objects. Conclusions: The YOLOv11 model exhibited superior performance in terms of accuracy and speed, making it the most suitable solution for detecting products on supermarket shelves. The YOLOv8 model offered a faster structure, making it advantageous for real-time applications. These findings suggest the effective use of YOLO-based models for automatic inventory management, shelf gap detection, and improving customer experience.

Benzer Tezler

  1. Prediction of COVID 19 disease using chest X-ray images based on deep learning

    Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini

    ISMAEL ABDULLAH MOHAMMED AL-RAWE

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ADEM TEKEREK

  2. Travma sonrası kemik kırıklarının tespitinde bilgisayarlı görü ve derin öğrenme algoritmaları

    Computer vision and deep learning algorithms on post-traumatic bone fractures detection

    MUHAMMED TAHA ZEREN

    Doktora

    Türkçe

    Türkçe

    2023

    Endüstri ve Endüstri MühendisliğiSakarya Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SEHER ARSLANKAYA

  3. Osmanlıca el yazması belgeler için derin öğrenme tabanlı karakter tanıma yöntemi

    Deep learning based character recognition method for Ottoman manuscript documents

    ALİ ALPER DEMİR

    Doktora

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiSüleyman Demirel Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ UFUK ÖZKAYA

  4. Sağlık uygulamaları için görüntü / video işleme ile sahne sınıflandırması

    Scene classification with image / video processing for healthcare applications

    HASAN ALİ ERİŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-Cerrahpaşa

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUHAMMED ALİ AYDIN

    DR. ÖĞR. ÜYESİ MEHMET ALİ ERTÜRK

  5. Aircraft detection from large scale remote sensing images with deep learning techniques

    Büyük ölçekli uzaktan algılama görüntülerinden derin öğrenme teknikleriyle uçak tespiti

    MEHMET SOYDAŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    PROF. DR. ELİF SERTEL