Otonom araçlar için metasezgisel algoritmalar kullanarak olumsuz hava koşullarında yolo nesne algılama performansının iyileştirilmesi
Küçük Resim Yok
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Düzce Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
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.
One of the biggest problems in autonomous driving is that the object cannot be detected accurately and quickly. Especially in adverse weather conditions (AWCs), object detection is a major problem. Weather conditions such as fog, snowstorms, thunderstorms, sandstorms, etc. degrade the performance of object detection algorithms. Object detection algorithms are generally divided into two categories: two-stage and one-stage. The two-stage approach suggests potential object regions and object detection is performed in these regions. In the single-stage approach, object detection is performed by processing and analyzing all image pixels simultaneously. While the single-stage approach emphasizes speed in object detection, the two-stage approach emphasizes higher accuracy. However, there are cases where single-stage object detection algorithms such as YOLO and its later versions are better than two-stage algorithms in detecting objects correctly. This thesis is focused on improving object detection in AWCs for autonomous vehicles using YOLO versions 5, 7, and 9, a Deep Learning (DL) algorithm. The success of YOLO depends on the effective tuning of the hyperparameters used for the optimization and training of these three versions of YOLO. Optimization of hyperparameters is an open research topic for YOLO, as it is usually implemented manually. In this thesis, Grey Wolf Optimization (GWO), Artificial Rabbit Optimization (ARO), and Chimpanzee Leader Election Optimization (CLEO) meta-heuristic algorithms were applied separately to optimize YOLOv5, YOLOv7 and YOLOv9 hyperparameters. The study focused on the impact of optimized hyperparameters on object detection in AWCs using the DAWN and the RTTS datasets. The results show that the state-of-the-art YOLO models with GWO, ARO, and CLEO significantly improve object detection, especially in the DAWN dataset, which includes weather conditions of different challenges and road-only data. The overall performance of the YOLO models on object detection for AWCs improved by 6.146% with YOLOv7 + ARO, 6.277% with YOLOv7 + CLEO, and 6.764% with YOLOv9 + GWO, respectively.
One of the biggest problems in autonomous driving is that the object cannot be detected accurately and quickly. Especially in adverse weather conditions (AWCs), object detection is a major problem. Weather conditions such as fog, snowstorms, thunderstorms, sandstorms, etc. degrade the performance of object detection algorithms. Object detection algorithms are generally divided into two categories: two-stage and one-stage. The two-stage approach suggests potential object regions and object detection is performed in these regions. In the single-stage approach, object detection is performed by processing and analyzing all image pixels simultaneously. While the single-stage approach emphasizes speed in object detection, the two-stage approach emphasizes higher accuracy. However, there are cases where single-stage object detection algorithms such as YOLO and its later versions are better than two-stage algorithms in detecting objects correctly. This thesis is focused on improving object detection in AWCs for autonomous vehicles using YOLO versions 5, 7, and 9, a Deep Learning (DL) algorithm. The success of YOLO depends on the effective tuning of the hyperparameters used for the optimization and training of these three versions of YOLO. Optimization of hyperparameters is an open research topic for YOLO, as it is usually implemented manually. In this thesis, Grey Wolf Optimization (GWO), Artificial Rabbit Optimization (ARO), and Chimpanzee Leader Election Optimization (CLEO) meta-heuristic algorithms were applied separately to optimize YOLOv5, YOLOv7 and YOLOv9 hyperparameters. The study focused on the impact of optimized hyperparameters on object detection in AWCs using the DAWN and the RTTS datasets. The results show that the state-of-the-art YOLO models with GWO, ARO, and CLEO significantly improve object detection, especially in the DAWN dataset, which includes weather conditions of different challenges and road-only data. The overall performance of the YOLO models on object detection for AWCs improved by 6.146% with YOLOv7 + ARO, 6.277% with YOLOv7 + CLEO, and 6.764% with YOLOv9 + GWO, respectively.
Açıklama
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control, Elektrik ve Elektronik Mühendisliği
