Nesne tanıma algoritmaları ile trafik tabelası tanıma
Traffic sign recognition with object recognition algorithms
- Tez No: 984028
- Danışmanlar: DR. ÖĞR. ÜYESİ EMEL SOYLU
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Veri işleme, Yazılım mühendisliği, Data processing, Software engineering
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Samsun Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yazılım Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Otonom araçlar ve akıllı ulaşım sistemlerinin gelişimi, trafik işaretlerinin doğru, hızlı ve güvenilir biçimde tespit edilmesini zorunlu hale getirmiştir. Trafik işaretlerinin gerçek zamanlı olarak tanınması, araçların yol koşullarına uyum sağlayabilmesi, güvenliğin artırılması ve trafik kurallarına uygun hareket edilmesi açısından önemli bir öneme sahiptir. Bu tez çalışmasında hem doğruluk hem de işlem verimliliği arasında denge sağlamayı amaçlayan altı farklı YOLOv11 versiyonu trafik işareti tespiti açısından incelenmiştir. Modeller, trafik işareti veri kümesi üzerinde eğitilmiş ve doğruluk, geri çağırma ve F1 puanı gibi metrikler üzerinden değerlendirilmiştir. Üç basit YOLOv11 modeli ve bu üç modelin ince ayar yapılmış sürümleri de çalışmada uygulanmış ve böylece trafik işareti tespitinde doğruluk oranının artırılması hedeflenmiştir. Yapılan iyileştirmeler sayesinde modellerin genelleme kabiliyeti güçlendirilmiş, küçük boyutlu ya da kısmen örtülmüş işaretlerin daha başarılı şekilde algılanması sağlanmıştır. Bu durum, özellikle karmaşık yol koşullarında ve farklı aydınlatma ortamlarında daha güvenilir bir performans ortaya koymuştur. Yapılan çalışma sonrasında elde edilen bulgular, YOLOv11n, YOLOv11s ve YOLOv11m modelleri ile bunların ince ayar yapılmış varyantlarının gerçek zamanlı trafik işareti tespiti için uygulanabilir ve güçlü çözümler sunduğunu göstermektedir. Çalışma, aynı zamanda veri artırma ve ince ayar teknikleriyle daha da yüksek performans elde edilebileceğini ortaya koyarak gelecekteki araştırmalar için yeni bir yön çizmektedir. Bu çalışmada kullanılan veri artırımı teknikleri ve dikkatle gerçekleştirilen etiketleme süreci, modellerin gerçek dünya koşullarına uyum yeteneğini önemli ölçüde geliştirmiştir. Farklı hava koşulları, aydınlatma değişimleri ile oluşturulan veriler sayesinde, modellerin dayanıklılığı artırılmış ve tespit hataları minimize edilmiştir. Yapılan çalışma sonucunda YOLOv11s modelinde 0.9882, YOLOv11m modelinde 0.9877, YOLOv11n modelinde 0.9899 F1 skoru elde edilmiştir. Elde edilen sonuçlar, geliştirilen YOLOv11 tabanlı modellerin otonom sürüş sistemleri ve akıllı ulaşım uygulamalarında güvenilir, hızlı ve ölçeklenebilir bir çözüm olarak kullanılabileceğini ortaya koymaktadır.
Özet (Çeviri)
The development of autonomous vehicles and intelligent transportation systems has made it essential to detect traffic signs accurately, quickly, and reliably. Real-time recognition of traffic signs is of great importance for vehicles to adapt to road conditions, enhance safety, and comply with traffic regulations. In this thesis, six different versions of YOLOv11, designed to balance both accuracy and computational efficiency, were examined for traffic sign detection. The models were trained on a traffic sign dataset and evaluated using metrics such as precision, recall, and F1 score. Three basic YOLOv11 models and their three improved versions were implemented in the study, aiming to increase detection accuracy. The applied improvements enhanced the generalization capability of the models, allowing them to better detect small or partially occluded signs. This resulted in more reliable performance, especially under complex road conditions and varying lighting environments. The findings of the study demonstrate that the YOLOv11n, YOLOv11s, and YOLOv11m models and their enhanced variants offer viable and powerful solutions for real-time traffic sign detection. The research also highlights that even higher performance can be achieved through data augmentation and fine-tuning techniques, paving the way for future studies. The data augmentation techniques and the carefully conducted labeling process used in this study significantly improved the models' adaptability to real-world conditions. By including data representing different weather and lighting conditions, the robustness of the models increased, and detection errors were minimized. As a result of the study, an F1 score of 0.9882 was obtained for the YOLOv11s model, 0.9877 for the YOLOv11m model, and 0.9899 for the YOLOv11n model. The results indicate that the developed YOLOv11-based models can be used as reliable, fast, and scalable solutions in autonomous driving systems and intelligent transportation applications.
Benzer Tezler
- Derin öğrenme ile trafik işaretlerini tanıyan bir sürücü destek sistemi
A driver assistance system that recognizes traffic signs with deep learning
MOHAMED TAGHİ
Yüksek Lisans
Türkçe
2022
UlaşımBandırma Onyedi Eylül ÜniversitesiAkıllı Ulaşım Sistemleri ve Teknolojileri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İLYAS ÖZER
- Düşük çözünürlüklü yüz görüntülerinin yerel zernike momentleri yöntemi ile sınıflandırılması
Classification of the low resolution face images by local zernike moments method
TOLGA ALASAĞ
Yüksek Lisans
Türkçe
2014
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUHİTTİN GÖKMEN
DOÇ. DR. MUSTAFA ERSEL KAMAŞAK
YRD. DOÇ. DR. SERAP KIRBIZ
- Derin Öğrenme Yöntemleri Kullanılarak Havadan Elde Edilen Görüntüler Üzerinde Nesne Tespiti
Object Detection on Aerial Images Using Deep Learning Methods
KEMAL TÜRKARSLAN
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. FIRAT HARDALAÇ
- Akıllı ulaşım sistemleri için karayolu tipi, kavşak ve virajların derin öğrenme yöntemleri ile belirlenmesi
Determination of highway type, intersections and curves for intelligent transportation systems by deep learning methods
VEDAT TÜMEN
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BURHAN ERGEN
- Space time adaptive processing (STAP) in multi input multi output (MIMO) radar
Çok girişli çok çıkışlı (ÇGÇÇ) radar larda uzay zaman adaptif işleme
MEYSAM BEHNAM KHAJEHPASHA
Yüksek Lisans
İngilizce
2016
Sivil Havacılıkİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
DOÇ. DR. MESUT KARTAL