Faster R-CNN Evrişimsel Sinir Ağı Üzerinde Geliştirilen ModelinDerin Öğrenme Yöntemleri ile Doğruluk Tahmini ve Analizi:Nesne Tespiti Uygulaması

Günümüz teknolojisiyle sonuçların daha doğru şekilde elde edilmesi için yapay zeka, makine öğrenmesi ve derin öğrenmealgoritmalarından faydalanılarak başarılı sonuçlar elde edilmeye çalışılmaktadır. Literatürdeki çalışmalar içerisinde, başarı (succes) vekayıp oranlarının (loss), seçilen algoritmaların performanslarını etkileyen en önemli faktörlerin; farklı eğitim adımları (epoch) ve verisetlerindeki karmaşık olduğu tespit edilmiştir. Bu çalışmada, belirli bir algoritmanın belirlenmiş bir nesneden oluşturulan veri setiüzerinde çalıştırılarak başarılı bir şekilde tespit etme işleminin gerçekleştirilmesi hedeflenmiştir. Gerçekleştirilen bu çalışmada FasterR-CNN (Faster Region Based Convolutional Networks) evrişimsel sinir ağı kullanılarak 18 ayrı deney içerisinde 502 adet görüntü ileoluşturulan veri setinin derin öğrenme teknikleriyle nesne tespit işlemi gerçekleştirilmiştir. Nesne tanıma yaparken fotoğraf, video veanlık olarak görüntü alınabilecek kamera seçeneklerinin bulunduğu ara yüz tasarlanmıştır. Çalışmada farklı eğitim adımları ile modelieğitip, en doğru oranla tahmin yapan eğitim adımı değeri bulunmaya çalışılmıştır. Eğitim sürecinde en başarılı tahmin oranınınbulunması için ise farklı eğitim adımlarıyla deneyler gerçekleştirilmiştir. Yapılan toplam 100.000 eğitim adımlık eğitimin sonucundaelde edilen başarı oranı %97,835 ve kayıp oranı %2,165’tir.

Accuracy Estimation and Analysis of The Model Developed on The Faster R-CNN Evolutionary Neural Network Using Deep Learning Methods: Object Detection Application

With today's technology, successful results are tried to be achieved by using artificial intelligence, machine learning and deep learningalgorithms in order to obtain the results more accurately. In studies in the literature, it has been found that success and loss rates, themost important factors affecting the performance of selected algorithms, are complex in different training steps (epoch) and data sets.In this study, it is aimed to successfully detect a particular algorithm by running it on a dataset created from a specified object. In thisstudy, object detection was performed using deep learning techniques of the data set created with 502 images in 18 separate experimentsusing the Faster R-CNN (Faster Region Based Convolutional Networks) convolutional neural network. An interface is designed withcamera options that can take photos, videos, and images instantly when deconstructing objects. In the study, we tried to find the valueof the training step that trains the model with different training steps and estimates the most accurate ratio. In order to find the most successful prediction rate in the training process, experiments were conducted with different training steps. A total of 100,000 trainingsteps, the success rate achieved as a result of the training is 97.835% and the loss rate is 2,165%.

PDF

___

Abbas, S. S. I. (2019). Automatic Text Categorization of Turkish News with Machine Learning and Deep Learning Techniques (Doctoral dissertation, Ankara Yıldırım Beyazıt Üniversitesi Fen Bilimleri Enstitüsü), Ankara.
Abdulkader, H. (2019). Derin öğrenme ile maksimum oksigen tüketimi tahmini. (Yüksek Lisans Tezi). Çukurova Üniversitesi Fen Bilimleri Enstitüsü, Adana.
Abusabra, A. K. (2018). Örüntü ve renk tabanlı mobil kıyafet arama motoru (Doctoral dissertation, Selçuk Üniversitesi Fen Bilimleri Enstitüsü).
Aki, K. (2019). Derin öğrenme tabanlı sürücüsüz araç sistemleri. (Yüksek Lisans Tezi). Bursa Uludağ Üniversitesi Fen Bilimleri Enstitüsü, Bursa.
Akıncı, İ. B. (2017). Gerçek zamanlı olarak meyveleri görüntü işleme ile sınıflandıran otomasyon sistemi. (Yüksek Lisans Tezi). Karabük Üniversitesi Fen Bilimleri Enstitüsü, Karabük.
Alpaslan, N. (2019). Meme kanseri tanisi için derin öznitelik tabanli karar destek sistemi. Selçuk Üniversitesi Mühendislik, Bilim ve Teknoloji Dergisi, 7(1), 213-227.
Arı, A., & Berberler, M. E. (2017). Yapay Sinir Ağları ile Tahmin ve Sınıflandırma Problemlerinin Çözümü İçin Arayüz Tasarımı. Acta Infologica, 1(2), 55-73.
Arı, A., & Hanbay, D. (2018). Bölgesel evrişimsel sinir ağları tabanlı MR görüntülerinde tümör tespiti. Journal of the Faculty of Engineering & Architecture of Gazi University.
Ateş, E. (2019). Derin öğrenme ile sesli komut tanıma. (Yüksek Lisans Tezi). Eskişehir Osmangazi Üniversitesi Fen Bilimleri Enstitüsü, Eskişehir.
Aydın, M. (2019). Görüntü işleme tekniği ile granüler zeminlerde dane boyutu analizi. (Yüksek Lisans Tezi). Mersin Üniversitesi Fen Bilimleri Enstitüsü, Mersin.
Balq, A. A. A. (2019). Görüntü işleme tekniklerini kullanarak optik işaret tanima sistemi (Doctoral dissertation, Kastamonu Üniversitesi), Kastamonu.
Başarir, B. (2019). Derin öğrenme tabanlı nesne takibi. (Yüksek Lisans Tezi). Bursa Uludağ Üniversitesi Fen Bilimleri Enstitüsü, Bursa.
Başarslan, Ş. (2018). Görüntü işleme teknikleri kullanarak sperm sayısı ve hareketliliğinin analizi. (Yüksek Lisans Tezi). Erciyes Üniversitesi Fen Bilimleri Enstitüsü, Kayseri.
Baykara, S. (2018). Ardışıl sınıflandırıcılar kullanılarak profil yüz sezimi. (Yüksek Lisans Tezi). Eskişehir Osmangazi Üniversitesi Fen Bilimleri Enstitüsü, Eskişehir.
Bayram, F. (2020). Derin Öğrenme Tabanlı Otomatik Plaka Tanıma. Politeknik Dergisi.
Bingöl, M. S. (2018). Grafik işleme ünitesi (GPU) tabanlı öğrenme kullanarak otonom araçlar için algılama sisteminin geliştirilmesi/Development of perception system for autonomous vehicles by using GPU-based learning.
Çalık, R. C. (2018). Gömülü sistem üzerinde evrişimsel sinir ağları ile nesne sınıflandırması (Master's thesis, TOBB ETÜ Fen Bilimleri Enstitüsü), Ankara.
Çam, F., & Güven, A. (2019). Dijital Mikroskop Altında Alınan Kan Hücresi Görüntülerinden Beyaz Kan Hücrelerinin Algılanması ve Sınıflandırılması. Electronic Letters on Science and Engineering, 15(3), 23-43.
Çavdaroğlu, G. Ç. (2016). Trafik Yoğunluk Harita Görüntülerinin Görüntü İşleme Yöntemleriyle İşlenmesi. Akademik Platform Mühendislik ve Fen Bilimleri Dergisi, 5(2), 22-28.
Çınar U. K. (2018). Yapay Sinir Ağları ve R Programıyla Uygulama, Yapay sinir ağı örneği görüntüsü, https://www.veribilimiokulu.com/yapay-sinir-aglari/, 21.05.2020.
Dandıl, E., Turkan, M., Boğa, M., & Çevik, K. K. (2019). Daha Hızlı Bölgesel-Evrişimsel Sinir Ağları ile Sığır Yüzlerinin Tanınması. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, 6, 177-189.
Danışman, A., Kaçar, İ., Danışman, E., & Yalçın, M. K. (2017). Renk ayrıştırıcı bant sisteminin görüntü işleme esaslı kontrolü.
Döş, M. E., & Uysal, M. (2019). Uzaktan algılama verilerinin derin öğrenme algoritmaları ile sınıflandırılması. Türkiye Uzaktan Algılama Dergisi, 1(1), 28-34.
Erkan, Y. R. (2019). Görüntü işleme teknikleri kullanılarak mantar türlerinin tüketilebilirliğinin tespiti. (Yüksek Lisans Tezi). Selçuk Üniversitesi Fen Bilimleri Enstitüsü, Konya.
Ezel, E. (2018). Derin öğrenme yöntemi kullanılarak görüntütabanlı türk işaret dili tanıma (Doctoral dissertation, Selçuk Üniversitesi Fen Bilimleri Enstitüsü).
Faker Faker, O. M. (2019). Intrusion detection using big data and deep learning techniques (Master's thesis).
Gündüz, G. (2019). Derin öğrenme ile fotoğraftan yaş ve cinsiyet tespiti. (Yüksek Lisans Tezi). Sakarya Üniversitesi Fen Bilimleri Enstitüsü, Sakarya.
Inik, Ö., & Ülker, E. (2017). Derin Öğrenme ve Görüntü Analizinde Kullanılan Derin Öğrenme Modelleri. Gaziosmanpaşa Bilimsel Araştırma Dergisi, 6(3), 85-104.
İşleyici, A. M. (2019). Derin öğrenme yaklaşımı ile RFID tabanlı 2 boyutlu konum belirleme uygulaması. (Yüksek Lisans Tezi). KTO Karatay Üniversitesi Fen Bilimleri Enstitüsü, Konya.
Kabadayı, A., & Uysal, M. (2019). İnsansiz hava aracı ile elde edilen verilerden binalarin tespiti. Türkiye İnsansız Hava Araçları Dergisi, 1(1), 8-14.
Kabasakal, B. (2018). Uzaklık ve cinsiyet tabanlı akıllı reklam görüntüleme sistemi (Master's thesis, Başkent Üniversitesi Fen Bilimleri Enstitüsü), Ankara.
Karacı, A. (2020). Fiziksel ve motor engelli çocukların öz bakım problemlerinin derin sinir ağları ile sınıflandırılması. Politeknik Dergisi.
Karakuzulu, A. (2018). Kan hücrelerinin görüntü işleme teknikleriyle tespiti, sayılması ve sınıflandırılması. (Yüksek Lisans Tezi). Mersin Üniversitesi Fen Bilimleri Enstitüsü, Mersin.
Karim, M. K. (2019). Veri işleme için derin öğrenme teknikleri kullanarak yeni bir çerçeve. (Yüksek Lisans Tezi). Ankara Yıldırım Beyazıt Üniversitesi Fen Bilimleri Enstitüsü, Ankara.
Koç, M., & Özdemir, R. (2019). Yeni Bir Veri Kümesi (RidNet) Kullanarak Kontrolsüz Ortamda Yüz İfadesi Tanımanın Derin Öğrenme Yöntemleri ile İyileştirilmesi. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, 6(2).
Mahmood, Z. S. (2019). İşaret dili ile akıllı kontrol sistemi. (Yüksek Lisans Tezi). Atatürk Üniversitesi Sosyal Bilimler Enstitüsü, Erzurum.
Mete, B. R. (2019). Derin öğrenme ile görüntü sınıflandırma. (Yüksek Lisans Tezi). İstanbul Üniversitesi-Cerrahpaşa / Lisansüstü Eğitim Enstitüsü, İstanbul.
Nawaf, A. M. (2019). Görüntü işleme ve makine öğrenme yöntemleri kullanarak kumaş hata tespiti ve sınıflandırması. (Yüksek Lisans Tezi). Çukurova Üniversitesi Fen Bilimleri Enstitüsü, Adana.
Rashid, M. K. (2019). Görüntü işleme teknikleri kullanılarak Antep fıstığının özellik tespiti ve sınıflandırılması. (Yüksek Lisans Tezi). Gaziantep Üniversitesi Fen Bilimleri Enstitüsü, Gaziantep.
Sağbaş, E. A., Gökalp, O., & Uğur, A. (2019). Yüz İfadesi Tanıma için Mesafe Oranlarına Dayalı Öznitelik Çıkarımı ve Genetik Algoritmalar ile Seçimi. Veri Bilimi, 2(1), 19-29.
Sıddık, O. (2019). Görüntü işleme yöntemleri kullanarak otomatik spırulina tespiti. (Yüksek Lisans Tezi). Atılım Üniversitesi Fen Bilimleri Enstitüsü, Ankara.
Tan, Z. (2019). Derin öğrenme yardımıyla araç sınıflandırma. (Yüksek Lisans Tezi). Fırat Üniversitesi Fen Bilimleri Enstitüsü, Elazığ.
Tanimu, M. B. (2019). Yer radarı ham verisi analizi ile kırıkların dalgacık ve derin öğrenme yöntemleri ile tespiti. (Yüksek Lisans Tezi). Yaşar Üniversitesi Fen Bilimleri Enstitüsü, İzmir.
Tiryaki, B. (2019). Trafik işaretlerinin derin sinir ağları ile sınıflandırılması. Tez Yök. (Yüksek Lisans Tezi). Atatürk Üniversitesi Fen Bilimleri Enstitüsü, Erzurum.
Tombak, M. E. (2019). Python ve OpenCv ile yüz tanima ve otomatik Blur uygulaması. (Yüksek Lisans Tezi). Kırıkkale Üniversitesi Fen Bilimleri Enstitüsü, Kırıkkale.
Toptaş, M. (2018). Orman yangınlarının görüntü işleme yöntemleri ile tespit edilmesi ve sınıflandırılması. (Yüksek Lisans Tezi). İnönü Üniversitesi Fen Bilimleri Enstitüsü, Malatya.
Tükel, T. (2019). Görüntü işleme ve evrişimsel sinir ağları kullanılarak diyabetik retinopati hastalığının tespiti. (Yüksek Lisans Tezi). Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü, Isparta.
Uçar, M. U. (2019). Gerçek zamanlı görüntü işleme ile sınıf ortamındaki öğrencilerin tanınması ve dikkat dağınıklıklarının tespiti. (Yüksek Lisans Tezi). İskenderun Teknik Üniversitesi Mühendislik ve Fen Bilimleri Enstitüsü, Hatay.
Viola, P., & Jones, M. (2001, December). Rapid object detection using a boosted cascade of simple features. In Proceedings of the 2001 IEEE computer society conference on computer vision and pattern recognition. CVPR 2001 (Vol. 1, pp. I-I). IEEE.
Vurgun, Y. (2017). Biyometrik yüz tanımaya dayalı web üzerinden güvenli erişim sistemi tasarımı (Doctoral dissertation, Selçuk Üniversitesi Fen Bilimleri Enstitüsü).
Yabanova, İ., & Kaya, K. (2019). Kaynak değeri olan yaban hayvanlarının görüntü işleme tekniği ile tespiti ve sayımı. Pamukkale University Journal of Engineering Sciences, 25(2).
Yıldız, O. (2019). Derin öğrenme yöntemleriyle dermoskopi görüntülerinden melanom tespiti: Kapsamlı bir çalışma. Journal of the Faculty of Engineering & Architecture of Gazi University, 34(4).