Derin Öğrenme ile Araç Tespiti: Yıldız Teknik Üniversitesi Kampüs Otopark Alanları Örneği
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, HARİTA MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2022
Tezin Dili: Türkçe
Öğrenci: ŞENNUR ÖZTÜRK
Danışman: Anime Melis Uzar
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Günümüzde otomatik araç tespiti, akıllı şehirlerde ulaşım, afet ve kriz yönetimi, otoyol yönetimi, gerçek zamanlı araç tespiti ve otopark yönetimi gibi birçok farklı alanda kullanılmaktadır. Son yıllarda, araç tespit çalışmalarında yaygın olarak derin öğrenme yöntemleri tercih edilmektedir. Bu yöntemin kullanımının yüksek doğruluk ve hız avantajının yanı sıra, modeldeki katman sayısı, bağlantı özellikleri ve değişkenlerin seçiminden kaynaklanan problemleri de beraberinde getirdiği tespit edilmiştir. Ayrıca, yağmur, sis, güneş gibi olumsuz hava şartlarında sayısal görüntülerden araç tespitinde buğu ve gölge kaynaklı araçları tespit edememe, çift tespit etme ve sınıf karışıklığı gibi önemli sorunlara neden olmaktadır. Bu sebeple, araç tespitinde güncel, hızlı ve doğru bilgi elde etmek hala üzerinde çalışılan ve çözümlenmesi gereken önemli bir problemdir. Bu çalışmada amaç, derin öğrenme mimarilerinden olan YOLO versiyonlarının araçları tespit etmedeki model performansı ve otopark alanlarındaki başarısını analiz etmektir. Bu kapsamda YTÜ Davutpaşa kampüsü 2018 yılına ait, uygun hava koşullarında insansız hava aracı ile elde edilmiş 5472*3648 piksel boyutunda, 72 dpi çözünürlüğe sahip görüntüler kullanılmıştır. Elde edilen veri seti araba, otobüs ve minibüs olmak üzere VoTT programı kullanılarak etiketlenmiştir. Etiketlenen veri seti, YOLOv4-CSP, YOLOv4-tiny YOLOv4-P5, YOLOV4-P6, YOLOv5n, YOLOv5s, YOLOv5m, YOLOv5l, YOLOv5x mimarilerinde, aktarımlı öğrenme kullanarak eğitilmiştir. Elde edilen ağırlıklar belirlenen otopark alanlarında uygulanarak sonuçlar karşılaştırılmıştır. Sonuçların doğruluk analizleri hesaplanan F1-Skor değerine göre YOLOv4-CSP %68, YOLOv4-tiny %89, YOLOv4-P5 %61, YOLOv4-P6 %53, YOLOv5n %0.79 YOLOv5s %81, YOLOv5m %0.79, YOLOv5l %0.79 ve YOLOv5x %80 olarak bulunmuştur. Hesaplanan mAP doğruluk değerine göre ise YOLOv4-CSP %76, YOLOv4-tiny %75, YOLOv4-P5 %73, YOLOv4-P6 %75, YOLOv5n %0.82 YOLOv5s %80, YOLOv5m %0.84, YOLOv5l %0.79 ve YOLOv5x %79 olarak bulunmuştur. Sonuçta, F1-Skor değerinde YOLOv4-tiny modeli, mAP değerinde YOLOv5m modellerinin çalışmada analiz edilen diğer modellerden daha iyi sonuç verdiği tespit edilmiştir. Anahtar kelimeler: Araç tespiti, derin öğrenme, YOLO