Journals Books 2687-5527 doi.org/10.36287/setsci
Latest Issue Archive Future Issues About Us
Conference Proceedings

SETSCI - Volume 5(2) (2022)
ISAS-WINTER-2022 - 6th International Symposium on Innovative Approaches in Smart Technologies, Online, Turkey, Dec 08, 2022

Uçak Görüntülerinin Sınıflandırılmasında Farklı Yapay Zekâ Algoritmalarının Performansı
Özgün Devrim Kılıç1, Mustafa Emre Aydemir2*, Pınar Öztürk Özdemir3
1Milli Savunma Üniversitesi, İstanbul, Türkiye
2İstanbul Esenyurt Üniversitesi, İstanbul, Türkiye
3Milli Savunma Üniversitesi, İstanbul, Türkiye
* Corresponding author: mustafaaydemir@esenyurt.edu.tr
Published Date: 2022-12-22   |   Page (s): 84-88   |    430     51
https://doi.org/10.36287/setsci.5.2.018
ABSTRACT 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
REFERENCES [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


SET Technology - Turkey
eISSN  : 2687-5527    
DOI : doi.org/10.36287/setsci

E-mail : info@set-science.com
+90 533 2245325

Tokat Technology Development Zone Gaziosmanpaşa University Taşlıçiftlik Campus, 60240 TOKAT-TURKEY
©2018 SET Technology