Makine öğrenmesi yöntemleri ile deniz üzerindeki insanların tespiti
Human detection at sea by using machine learning methods
- Tez No: 997921
- Danışmanlar: DOÇ. DR. BÜLENT BOLAT
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Haberleşme Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışması, yüksek yansımalar, dalga kaynaklı örtülmeler, uzak mesafedeki küçük nesne boyutu ve sınıf dengesizliği gibi zorlu deniz koşullarında insan tespiti performansını artırmak amacıyla, güncel YOLO mimarilerinin (YOLOv8x, YOLOv10x ve deneysel YOLO12X) SeaDronesSee veri seti üzerindeki etkinliğini karşılaştırmalı olarak incelemektedir. Çalışma kapsamında, üç büyük ölçekli model Google Colab A100-SXM4-80GB donanımı üzerinde 1536 piksel yüksek çözünürlükle eğitilmiş ve standart bir protokol (6.225 eğitim, 1.778 doğrulama, 890 test görüntüsü; toplam 63.081 etiketli nesne) altında değerlendirilmiştir. Elde edilen nihai test sonuçlarına göre; YOLOv8x modeli %92,3 mAP50 ve %87,6 duyarlılık değerleri ile özellikle insan sınıfında %94 doğru sınıflandırma oranı ve yalnızca %6 kaçırma oranı ile en kapsamlı tespit performansını sunmuştur. Maksimum Olmayan Bastırma gerektirmeyen mimariye sahip YOLOv10x modeli, düşük gecikme süresiyle benzer doğruluğu (%57,8 mAP50-95) sağlamış ancak şamandıra sınıfında %21 kaçırma oranıyla daha tutucu bir profil sergilemiştir. Deneysel YOLO12X ise eğitim sürecindeki sayısal kararsızlıklara ve gradyan patlamalarına rağmen %92,6 kesinlik skoru ile yanlış alarmların kritik olduğu senaryolar için yüksek kesinlik vaat etmiş; ancak şamandıra sınıfında %27 kaçırma oranı ve %70 doğru sınıflandırma başarısıyla en düşük performansı göstermiştir. Karmaşıklık matrisi analizlerinde, YOLOv8x'in tüm sınıflarda en yüksek doğru sınıflandırma oranlarına (%94 insan, %93 tekne, %80 şamandıra) ve en düşük nesne kaçırma oranlarına sahip olduğu belirlenmiştir. Tezin temel katkıları arasında tekrarlanabilir bir kıyaslama sunulması, dikkat mekanizması tabanlı YOLO12X için kararlılık odaklı bir eğitim stratejisi geliştirilmesi ve farklı operasyonel senaryolar için model seçim rehberi oluşturulması yer almaktadır. Sonuçlar, modern YOLO tasarımlarının deniz güvenliği uygulamalarında hız, duyarlılık ve kesinlik arasında uygulanabilir dengeler sunduğunu göstermekte olup; arama-kurtarma operasyonları için YOLOv8x'in en güvenilir seçenek olduğu ortaya konmuştur.
Özet (Çeviri)
This thesis comparatively investigates the effectiveness of state-of-the-art YOLO architectures (YOLOv8x, YOLOv10x, and experimental YOLO12X) on the SeaDronesSee dataset to enhance human detection performance under challenging maritime conditions such as high reflections, wave-induced occlusions, small object sizes at distant ranges, and class imbalance. Within the scope of this study, three large-scale models were trained at 1536-pixel high resolution on Google Colab A100-SXM4-80GB hardware and evaluated under a standardized protocol (6,225 training, 1,778 validation, 890 test images; 63,081 labeled objects in total). According to the final test results, the YOLOv8x model achieved 92.3% mAP50 and 87.6% recall, demonstrating the most comprehensive detection performance with a 94% correct classification rate and only 6% miss rate in the human class. The YOLOv10x model, featuring a Non-Maximum Suppression-free architecture, achieved similar accuracy (57.8% mAP50-95) with lower latency but exhibited a more conservative profile with a 21% miss rate in the buoy class. Despite numerical instabilities and gradient explosions during training, the experimental YOLO12X promised high precision for scenarios where false alarms are critical with a 92.6% precision score; however, it showed the lowest performance with a 27% miss rate and 70% correct classification accuracy in the buoy class. Confusion matrix analyses revealed that YOLOv8x achieved the highest correct classification rates across all classes (94% human, 93% boat, 80% buoy) and the lowest object miss rates. The key contributions of this thesis include providing a reproducible benchmark, developing a stability-oriented training strategy for attention mechanism-based YOLO12X, and establishing a model selection guide for different operational scenarios. The results demonstrate that modern YOLO designs offer viable trade-offs between speed, recall, and precision in maritime security applications, with YOLOv8x identified as the most reliable choice for search and rescue operations.
Benzer Tezler
- Sentetik açıklıklı radar görüntülerinden deniz petrol kirliliğinin tespiti
Oil spill detection from synthetic aperture radar image
DENİZ HODA
Yüksek Lisans
Türkçe
2020
Jeodezi ve FotogrametriYıldız Teknik ÜniversitesiHarita Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ANİME MELİS UZAR DİNLEMEK
- Tomorrow's İstanbul: Adaptive urban flood mitigation planning for climate change-induced hydro- meteorological hazards
Yarının İstanbul'u: İklim değişikliğinin neden olduğu hidrometeorolojik tehditlere karşı uyumlu kentsel sel planlaması
BATUHAN GUGUK
Yüksek Lisans
İngilizce
2024
Şehircilik ve Bölge Planlamaİstanbul Teknik ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
PROF. DR. AZİME TEZER
- Kenar koruyan görüntü ayrışım yöntemleri ile SAR görüntülerinde otomatik hedef sınıflama performansının arttırılması
Increasing automatic target recognition rate of SAR images via edge preserving image decomposition methods
HALDUN BOZKURT
Yüksek Lisans
Türkçe
2016
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. IŞIN ERER
- BMI prediction from face images
Yüz görüntülerinden vücut kitle indeksi tahmini
GÜLPINAR BÖLÜKBAŞ
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA ERSEL KAMAŞAK
- Deep learning-based behavior analysis of seafarers
Derin öğrenme tabanlı gemi adamlarının davranış analizi
VEYSEL GÖKÇEK
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiDeniz Ulaştırma İşletme Mühendisliği Ana Bilim Dalı
DOÇ. DR. GAZİ KOÇAK
DR. ÖĞR. ÜYESİ YAKUP GENÇ