Evrişimli sinir ağları kullanarak video verileri üzerinde drone tespiti
Küçük Resim Yok
Tarih
2025
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
İnönü Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bu tez çalışmasında, görüntü işleme ve derin öğrenme tabanlı yaklaşımlar kullanılarak insansız hava araçlarının (drone) gerçek zamanlı tespiti amaçlanmıştır. Çalışmada, YOLO mimarisinin en güncel versiyonu olan YOLOv11 modeli temel alınmış ve farklı hiperparametre kombinasyonları altında drone-kuş ayrımı üzerine eğitimler gerçekleştirilmiştir. Eğitimlerde kullanılan veri seti, hem drone hem de kuş görüntülerinden oluşmakta olup, video formatından elde edilen karelerle manuel olarak etiketlenmiştir. Eğitim süreci boyunca freeze parametresi ve giriş boyutu gibi değişkenler sistematik olarak test edilmiştir. Deneysel sonuçlara göre, YOLOv11 modeli yüksek doğruluk ve duyarlılık değerleri ile karmaşık sahnelerde etkili nesne tespiti gerçekleştirebilmiştir. Elde edilen bulgular, özellikle güvenlik, sınır kontrolü ve hava sahası gözetimi gibi alanlarda kullanılabilecek yapay zekâ destekli gözetim sistemlerinin geliştirilmesine katkı sağlamaktadır. Ayrıca, bu çalışmada YOLOv8 modeli ile karşılaştırmalı analizler sunularak, YOLOv11'in üstünlükleri deneysel olarak ortaya konmuştur.
In this thesis study, it was aimed to detect unmanned aerial vehicles (drones) in real time by using image processing and deep learning-based approaches. The YOLOv11 model, which is the most recent version of the YOLO architecture, was used as the main model, and drone-bird classification was performed under different hyperparameter settings. The dataset used in training consists of both drone and bird images, and the images were manually labeled by extracting frames from video footage. During the training process, variables such as the freeze parameter and input size were tested systematically. According to the experimental results, the YOLOv11 model achieved effective object detection even in complex scenes with high precision and recall values. The findings of this study can contribute to the development of AI-assisted surveillance systems, especially in areas such as security, border control, and airspace monitoring. In addition, the performance of YOLOv11 was compared with the YOLOv8 model, and the experimental results revealed the advantages of YOLOv11 over the older version.
In this thesis study, it was aimed to detect unmanned aerial vehicles (drones) in real time by using image processing and deep learning-based approaches. The YOLOv11 model, which is the most recent version of the YOLO architecture, was used as the main model, and drone-bird classification was performed under different hyperparameter settings. The dataset used in training consists of both drone and bird images, and the images were manually labeled by extracting frames from video footage. During the training process, variables such as the freeze parameter and input size were tested systematically. According to the experimental results, the YOLOv11 model achieved effective object detection even in complex scenes with high precision and recall values. The findings of this study can contribute to the development of AI-assisted surveillance systems, especially in areas such as security, border control, and airspace monitoring. In addition, the performance of YOLOv11 was compared with the YOLOv8 model, and the experimental results revealed the advantages of YOLOv11 over the older version.
Açıklama
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
