Yazar "Özcan, İbrahim" seçeneğine göre listele

Listeleniyor 1 - 1 / 1
  • Küçük Resim Yok
    Öğe
    Otonom araçlar için metasezgisel algoritmalar kullanarak olumsuz hava koşullarında yolo nesne algılama performansının iyileştirilmesi
    (Düzce Üniversitesi, 2024) Özcan, İbrahim; Altun, Yusuf; Parlak, Cevahir
    Otonom sürüşlerde en büyük problemlerden biri nesnenin doğru ve hızlı bir şekilde algılanamamasıdır. Özellikle olumsuz hava koşullarında (OHK) nesne algılama önemli bir problem olmaktadır. Sisli, kar fırtınalı, sağanak yağışlı, kum fırtınalı gibi hava durumları nesne algılama algoritmalarının performansını düşürmektedir. Genel olarak nesne algılama algoritmaları çift aşamalı ve tek aşamalı olmak üzere iki kategoriye ayrılır. Çift aşamalı yaklaşım potansiyel nesne bölgeleri önerir ve bu bölgelerde nesne algılama işlemi gerçekleştirilir. Tek aşamalı yaklaşım da görüntünün tüm piksellerinin tek bir seferde işlenmesi ve analiz edilmesiyle nesne algılama işlemi gerçekleştirilir. Tek aşamalı yaklaşımda nesne tespitinde, hız ön plana çıkarken, çift aşamalı yaklaşımda ise daha yüksek doğruluk ön plana çıkmaktadır. Bununla birlikte tek aşamalı yaklaşıma sahip nesne algılama algoritmalarından YOLO (You Look Only Once) ve sonra çıkan sürümleri, nesneyi doğru algılama konusunda çift aşamalı algoritmalardan daha iyi olduğu durumlar da olmaktadır. Bu tez çalışması, bir Derin Öğrenme (DÖ) algoritması olan YOLO sürüm 5, 7 ve 9'u kullanan otonom araçlar için OHK'de nesne algılamanın iyileştirilmesine odaklanmıştır. DÖ'nün başarısı, YOLO'nun bu üç versiyonunun optimizasyon ve eğitim için kullanılan hiperparametrelerinin etkili bir şekilde ayarlanmasına bağlıdır. Hiperparametrelerin optimizasyonu, genellikle manuel olarak uygulandığı için, YOLO için açık bir araştırma konusudur. Bu tez çalışmasında, YOLOv5, YOLOv7 ve YOLOv9 hiperparametrelerini optimize etmek için Gri Kurt Optimizasyon (GKO), Yapay Tavşan Optimizasyon (YTO) ve Şempanze Lider Seçim Optimizasyonu (ŞLSO) meta-sezgisel algoritmaları ayrı ayrı uygulandı. Çalışma, OHK'de DAWN (Vehicle Detection in Adverse Weather Nature) veri kümesini ve RTTS (Real-Time Transportation System) veri kümesini kullanarak optimize edilmiş hiperparametrelerin OHK'de nesne algılama üzerindeki etkisine odaklanmıştır. Sonuçlar, GKO, YTO ve ŞLSO'ya sahip en yeni YOLO modellerinin, özellikle farklı zorluklardaki hava koşullarını ve yalnızca yola ait verileri içeren DAWN veri setinde, nesne tespitini önemli ölçüde iyileştirdiğini göstermiştir. YOLO modellerinin OHK için nesne algılama konusundaki genel performansı sırasıyla YOLOv7 + YTO ile %6,146, YOLOv7 + ŞLSO ile %6,277 ve YOLOv9 + GKO ile %6,764 artmıştır.