Akademik Veri Yönetim Sistemi
XXIII. Türkiye Ulusal Jeodezi Komisyonu (TUJK) Sempozyumu 2024, Çanakkale, Türkiye, 6 - 09 Kasım 2024, ss.1-2
Kentsel ve kırsal alanlarda meydana gelen yangınlar, çevreye ve doğaya büyük zarar verirken, telafisi mümkün olmayan mal ve can kayıplarına neden olarak yıkıcı sonuçlara yol açabilmektedir. Yangınla mücadelede yangın, alev veya duman olayının mümkün olan en erken zamanda tespit edilmesi ve itfaiye birimlerinin hızlı müdahalesi çok önemlidir. Yangınların tespitinde kullanılan geleneksel yöntemlerin doğruluk ve hız açısından sınırlılığı, gerçek-zamanlı tespiti zorlaştırarak erken müdahaleyi güçleştirmektedir. Teknolojik gelişmelerle birlikte, iklim değişikliği ve afet yönetiminde yapay zekâ araçlarının kullanımı, hızlı, efektif ve gerçek-zamanlı çözümlere olanak sağlaması nedeniyle hızla artmaktadır. Bu çalışma kapsamında, YOLO (You Only Look Once) mimarisinin Eylül 2024 sonunda yayımlanan son versiyonu YOLOv11’in farklı ölçeklendirmeleri (11n, 11s, 11m, 11l ve 11x), çeşitli kaynaklardan elde edilen 21527 adet gerçek ve yapay yangın ve duman görüntülerini içeren D-Fire isimli veri seti kullanılarak eğitilmiştir. Google Colab ortamında A100 GPU çalışma zamanında gerçekleştirilen eğitim süresinin, modelin boyutuna bağlı olarak 46 ile 98 dakika arasında değiştiği görülmüştür. Modellerin doğrulamasında hassasiyet, duyarlılık ve F1-skor metrikleri üzerinden yapılan değerlendirme sonucunda duman sınıfı için sırasıyla 0.72, 0.79, 0.75; yangın sınıfı için ise 0.61, 0.67 ve 0.63 değerleriyle YOLOv11s modeli en iyi sonuçları vermiştir. Modellerin erken uyarı için kullanılabilirliği; farklı ortam ve koşullarda (iç mekân, dış mekân, gece, gündüz), orman ve taşıt trafiğini izleyen güvenlik ve gözetleme kameralarından elde edilen videolar üzerinde test edilmiştir. Model tahminlerindeki sınırlayıcı kutu genişliklerinin zamana bağlı değişimi ile yangının başlangıcı ve büyümesi arasındaki ilişki ortaya konulmuştur. Bulgular, YOLOv11’in yangın ve dumanın gerçek-zamanlı erken tespitinde düşük güçlü cihazlarda ve gözetim sistemlerinde kullanılabileceğini göstermiştir. Farklı boyutlardaki modellerle yapılan değerlendirmeler sonucunda, yangın tespitinin çeşitli senaryolarda ve koşullarda etkin bir şekilde gerçekleştirilebileceği öngörülmektedir.
The occurrence of fires in urban and rural areas cause significant damage to the environment and nature, leading to devastating consequences with irreversible losses of property and lives. In the context of firefighting, it is crucial to detect fire, flame, or smoke incidents as early as possible and for firefighting units to respond quickly. The limitations of traditional methods used for fire detection in terms of accuracy and speed make real-time detection challenging, thereby hindering early intervention. In consequence of technological advancements, the use of artificial intelligence tools in climate change and disaster management is rapidly increasing, as they enable fast, effective, and real-time solutions. In this study, variants (11n, 11s, 11m, 11l, and 11x) of YOLOv11, the latest version of the YOLO (You Only Look Once) architecture released at the end of September 2024, were trained using the D-Fire dataset, which contains 21527 real and synthetic fire and smoke images obtained from different sources. The training process, conducted in Google Colab’s A100 GPU runtime, with the duration varying between 46 to 98 minutes, depending on the model size. In the validation of the models, YOLOv11s model demonstrated the most optimal performance, with the values of 0.72, 0.79, 0.75 for the smoke class and 0.61, 0.67 and 0.63 for the fire class, respectively, as a result of the evaluation made on the precision, sensitivity and F1-score metrics. The usability of the models for early warning was tested on videos obtained from security and surveillance cameras monitoring forests and vehicle traffic in various environments and conditions (indoor, outdoor, night, day). The relationship between the onset and growth of the fire was demonstrated by analyzing the temporal changes in the bounding box widths of model predictions. The results indicate that YOLOv11 can be used on low-power devices and surveillance systems for real-time early detection of fire and smoke. The evaluations conducted with models of different sizes suggest that fire detection can be effectively performed in various scenarios and conditions.