Makine öğrenmesi yöntemleri ile deniz üzerindeki insanların tespiti

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, ELEKTRONİK VE HABERLEŞME MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2026

Tezin Dili: Türkçe

Öğrenci: MURAT TETİK

Danışman: Bülent BOLAT

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

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.