Presented at the 6th International Symposium on Innovative Approaches in Smart Technologies (ISAS-WINTER-2022), Online, Turkey, Dec 08, 2022

SETSCI Conference Proceedings, 2022, 14, Page (s): 84-88 , https://doi.org/10.36287/setsci.5.2.018

Published Date: 22 December 2022    | 3021     68

Günümüzde yapay zekâ uygulamaları ile nesne tespiti birçok alanda kullanılmaktadır. Yapay zekâ ile görüntü işleme teknolojisinin ve veri setlerinin gelişmesiyle birlikte birçok matematiksel model ve algoritma nesne tespitinde kullanılmaktadır. Yapay zekâ algoritmasının başarısı ve verimliliği de kullanıcı için aynı oranda önem arz etmektedir. Bu çalışmada farklı zeminlerde ve açılardan çekilmiş uçak fotoğrafının OpenCv kütüphanesinde farklı algoritmalarla tespit edilmesi ve algoritmaların tespit etmedeki başarılarının kıyaslanması amaçlanmıştır. Bu tespit aşamasında Haarcascade ve YOLO algoritmaları kullanılmıştır. Çekilen fotoğraflar etiketlenmiş ve veri seti oluşturulmuştur. Bir sonraki aşamada Haarcascade modeli ile ortam oluşturulmuş ve fotoğraflar eğitilmiştir. İkinci aşamada YOLO algoritması üzerinden ortam oluşturulup fotoğraflar eğitilmiştir. Bu iki algoritma ile ayrı ayrı nesne tespiti yapılmış olup sonuçlarının kıyaslanması için Confisuon Matrix oluşturulmuştur. Kıyaslama sonrasında metrikler, grafikler ve tablo halinde değerlendirilmiştir.

Keywords - Yapay zekâ, algoritma kıyaslaması, HaarCascade, YOLOv5

[1] Viola P., Jones M., “Rapid object detection using a boosted cascade of simple features”, Accepted Conference on Computer Vision and Pattern Recognition, 2001.

[2] Pavani K.,Siriramya P., “Comparison of KNN, ANN, CNN and YOLO algorithms for detecting the accurate traffic flow and build an Intelligent Transportation System”, 2nd International Conference on Innovative Practices in Technology and Management (ICIPTM), Uttar Pradesh, 2022

[3] Koç T.,”HaarCascade Eğitimi”, 3 Kasım 2022, https://talhakoc.net/haar-cascade-egitimi/

[4] Rastogi A.,Ryuh B.S.,” Teat detection algorithm: YOLO vs. Haar-cascade”, School of Mechanical Systems Engineering, Chonbuk National University, January 10, 2019

[5] Görsel Analiz,”YOLO nedir?”, 3 Kasım 2022, http://gorselanaliz.com/yolo-nedir/

[6] Zhang C.,Zhang Z., “A Survey of Recent Advances in Face Detection”,Microsoft Research Microsoft Corporation, 2010

[7] Mesci Y.,”YOLO Algoritmasını Anlamak” 4 Kasım 2022, https://medium.com/deep-learning-turkiye/yolo-algoritmasını anlamak-290f2152808f

[8] J. Redmon and A. Farhadi. Yolo9000: Better, faster, stronger.In Computer Vision and Pattern Recognition (CVPR), 2017 IEEE Conference on, pages 6517–6525. IEEE, 2017.

[9]Vinh T.,Anh N. ”Real-Time Face Mask Detector Using YOLOv3 Algorithm and Haar Cascade Classifier”, International Conference on Advanced Computing and Applications (ACOMP), 2020.

[10]Öğündür G.,”Doğruluk(Accuracy), Kesinlik(Precision), Duyarlılık(Recall) ya da F1Score”,5 Kasım 2022, https://medium.com/@gulcanogundur/do%C4%9Fruluk-accuracy-kesinlik-precision-duyarl%C4%B1l%C4%B1k-recall-ya-da-f1-score-300c925feb38

[11] Redmon J.,Farhadi A. “YOLOv3: An Incremental Improvement” University Of Washington

This is an Open Access article distributed under the terms of the Creative Commons Attribution License 4.0, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.