Improved YOLO architectures for efficient and accurate object detection in aerial images
Havadan alınan görüntülerde nesnelerin verimli ve doğru tespiti için geliştirilmiş YOLO mimarileri
- Tez No: 999488
- Danışmanlar: DOÇ. DR. MEHMET CENGİZ ONBAŞLI
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Nesne tespiti, İnsansız hava aracı, İnsansız otonom hava sistemleri, Object detection, Unmanned aerial vehicle, Unmanned autonomous aerial vehicles
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Koç Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Havai nesne tespiti; gözetleme, afet yönetimi ve hassas tarım gibi otonom insansız hava aracı (İHA) uygulamaları için kritik bir bileşendir. Ancak havai görüntüler, geniş ölçek değişkenliği, yoğun nesne dağılımı ve karmaşık arka planlar gibi özgün zorluklar içerir. YOLO ailesi gerçek zamanlı tespit açısından oldukça başarılı olsa da, hafif tasarımlı YOLOv11s modeli havai veri kümelerinde sınırlı doğruluk sergilemektedir. Bu tez, YOLOv11s mimarisine yönelik bir dizi yapısal iyileştirme önererek, doğruluk, hız ve verimlilik arasında denge kurmayı amaçlamaktadır. Önerilen değişiklikler; ek tahmin katmanları (P2–P5), dikkat mekanizmaları (CBAM, GAM), alternatif özellik birleştirme ağları (BiFPN), hafif omurga yapıları (Ghost, EfficientNet) ve iyileştirilmiş kayıp fonksiyonlarını (WIoU, Focal ECIoU) kapsamaktadır. Önerilen modeller, VisDrone ve DOTA adlı iki temel havai görüntü veri kümesi üzerinde değerlendirilmiş; doğruluk, işlem hızı ve model boyutu arasındaki denge ayrıntılı olarak incelenmiştir. VisDrone veri kümesinde, YOLOv11s + P2–P5 + Rep varyantı en yüksek doğruluk artışını sağlamış, mAP50 değerini 0.468'den 0.494'e (+%5.6) yükseltmiş, 196 FPS hız ve 23 MB model boyutu ile gerçek zamanlı performans göstermiştir. Benzer şekilde +P2– P5 + BiFPN ve +P2–P5 varyantları sırasıyla 0.493 ve 0.491 mAP50 değerlerine ulaşmış, her ikisi de 250 FPS üzeri hızlara erişmiştir. DOTA veri kümesinde, +P2 ve +P2–P5 + Rep konfigürasyonları sırasıyla 0.561 (+%1.8) ve 0.557 (+%1.1) mAP50 değerleri elde etmiş, 116 FPS'e varan hız artışları göstermiştir. Buna karşılık, EfficientNet omurgası model boyutunu %52 azaltmasına rağmen doğrulukta belirgin düşüşe yol açmış, dengeli mimari tasarımın önemini ortaya koymuştur. Bu çalışma, havai görüntülere özgü YOLOv11s varyantlarının sistematik bir analizini sunmakta; doğruluk, hesaplama verimliliği ve model kompaktlığı arasındaki etkileşimi detaylı biçimde incelemektedir. Elde edilen bulgular, modüler ve hafif mimari uyarlamaların, model karmaşıklığını artırmadan gerçek zamanlı İHA algılama sistemlerinin başarımını önemli ölçüde artırabileceğini göstermektedir.
Özet (Çeviri)
Aerial object detection plays a vital role in autonomous Unmanned Aerial Vehicle (UAV) applications such as surveillance, disaster response, and precision agriculture. However, aerial imagery presents unique challenges, including wide-scale variation, dense object distributions, and cluttered backgrounds. While the YOLO family of models has demonstrated excellent real-time performance, lightweight variants such as YOLOv11s still exhibit limited accuracy on aerial datasets. This thesis proposes a series of architectural improvements to YOLOv11s to enhance its performance on aerial images without compromising efficiency. The proposed modifications include additional prediction heads (P2–P5), attention mechanisms (CBAM, GAM), alternative feature-fusion networks (BiFPN), lightweight backbone substitutions (Ghost, EfficientNet), and optimized loss functions (WIoU, Focal ECIoU). Extensive experiments were conducted on two benchmark datasets, VisDrone and DOTA, to evaluate the trade-offs among detection accuracy, inference speed, and model size. On VisDrone, the YOLOv11s + P2–P5 + Rep variant achieved the highest accuracy improvement, raising mAP50 from 0.468 to 0.494 (+5.6%) with real-time performance (196 FPS) and compact size (23 MB). Similarly, the +P2–P5 + BiFPN and +P2– P5 variants reached mAP50 = 0.493 and 0.491, respectively, both operating above 250 FPS. On DOTA, the +P2 and +P2–P5 + Rep configurations improved accuracy to 0.561 (+1.8%) and 0.557 (+1.1%), respectively, with significant speed gains (up to 116 FPS). In contrast, the EfficientNet backbone reduced model size by 52% but caused a sharp accuracy drop, confirming the importance of balanced architectural design. Overall, this work provides a systematic analysis of YOLOv11s variants tailored for aerial object detection and highlights the trade-offs between accuracy, computational efficiency, and model compactness. The findings demonstrate that modular and lightweight architectural adaptations can substantially enhance real-time UAV perception systems without increasing model complexity.
Benzer Tezler
- Yüksek çözünürlüklü görüntülerde derin öğrenme tabanlı nesne tespiti için yeni bir önişleme yöntemi geliştirilmesi
Development of a new preprocessing method for deep learning based object detection in high resolution images
MUHAMMED TELÇEKEN
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DEVRİM AKGÜN
PROF. DR. SEZGİN KAÇAR
- Uydu görüntülerinden uçak tipi tespitinde genetik algoritma tabanlı hiperparametre optimizasyonunun yolo modeline etkisinin araştırılması
Investigation of the effect of genetic algorithm-based hyperparameter optimization on the yolo model for aircraft type detection from satellite images
MUSTAFA CANDOĞDU ÇUTUR
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiAkdeniz ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖVÜNÇ POLAT
PROF. DR. SÜLEYMAN BİLGİN
DOÇ. DR. SERDAR GÜNDOĞDU
- Vision-based detection and recognition of maritime objects for autonomous surface navigation
Otonom deniz seyrüseferi için görüntü tabanlı engel tespiti ve gemi sınıflandırma
SEVDA SAYAN YONCA
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HAZIM KEMAL EKENEL
- Elektrikli gemilerin şarj prosesi için yapay zekâ tabanlı yeni bir otonom kontrol sistemi
A novel AI-based autonomous control system for the charging process of electric ships
EMİN GÜNEY
Doktora
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. CÜNEYT BAYILMIŞ
- Deep learning based classification in through the wall microwave imaging
Duvar arkası mikrodalga görüntülemede derin öğrenme tabanlı sınıflandırma
GÜLÇİN YARIMAY
Doktora
İngilizce
2026
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
PROF. DR. İBRAHİM AKDUMAN