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

Basit Öğe Kaydı
dc.authorid0000-0003-4412-1771en_US
dc.authorid0000-0002-0122-8512en_US
dc.authorid0000-0003-4535-3953en_US
dc.contributor.authorYılmaz, Okan
dc.contributor.authorAydın, Hakan
dc.contributor.authorÇetinkaya, Ali
dc.date.accessioned2023-09-21T07:01:56Z
dc.date.available2023-09-21T07:01:56Z
dc.date.issued2020en_US
dc.departmentMühendislik ve Mimarlık Fakültesien_US
dc.description.abstractGünümüz teknolojisiyle sonuçların daha doğru şekilde elde edilmesi için yapay zeka, makine öğrenmesi ve derin öğrenme algoritmalarından faydalanılarak başarılı sonuçlar elde edilmeye çalışılmaktadır. Literatürdeki çalışmalar içerisinde, başarı (succes) ve kayıp oranlarının (loss), seçilen algoritmaların performanslarını etkileyen en önemli faktörlerin; farklı eğitim adımları (epoch) ve veri setlerindeki karmaşık olduğu tespit edilmiştir. Bu çalışmada, belirli bir algoritmanın belirlenmiş bir nesneden oluşturulan veri seti üzerinde çalıştırılarak başarılı bir şekilde tespit etme işleminin gerçekleştirilmesi hedeflenmiştir. Gerçekleştirilen bu çalışmada Faster R-CNN (Faster Region Based Convolutional Networks) evrişimsel sinir ağı kullanılarak 18 ayrı deney içerisinde 502 adet görüntü ile oluşturulan veri setinin derin öğrenme teknikleriyle nesne tespit işlemi gerçekleştirilmiştir. Nesne tanıma yaparken fotoğraf, video ve anlık olarak görüntü alınabilecek kamera seçeneklerinin bulunduğu ara yüz tasarlanmıştır. Çalışmada farklı eğitim adımları ile modeli eğitip, en doğru oranla tahmin yapan eğitim adımı değeri bulunmaya çalışılmıştır. Eğitim sürecinde en başarılı tahmin oranının bulunması için ise farklı eğitim adımlarıyla deneyler gerçekleştirilmiştir. Yapılan toplam 100.000 eğitim adımlık eğitimin sonucunda elde edilen başarı oranı %97,835 ve kayıp oranı %2,165’tir.en_US
dc.description.abstractWith today's technology, successful results are tried to be achieved by using artificial intelligence, machine learning and deep learning algorithms in order to obtain the results more accurately. In studies in the literature, it has been found that success and loss rates, the most 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 this study, object detection was performed using deep learning techniques of the data set created with 502 images in 18 separate experiments using the Faster R-CNN (Faster Region Based Convolutional Networks) convolutional neural network. An interface is designed with camera options that can take photos, videos, and images instantly when deconstructing objects. In the study, we tried to find the value of 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 training steps, the success rate achieved as a result of the training is 97.835% and the loss rate is 2,165%.en_US
dc.identifier.doi10.31590/ejosat.753896en_US
dc.identifier.endpage795en_US
dc.identifier.issn2148-2683
dc.identifier.issue20en_US
dc.identifier.startpage783en_US
dc.identifier.trdizinid466384en_US
dc.identifier.urihttps://hdl.handle.net/11363/5598
dc.identifier.urihttps://search.trdizin.gov.tr/tr/yayin/detay/466384
dc.identifier.urihttps://doi.org/
dc.identifier.volumeen_US
dc.indekslendigikaynakTR-Dizinen_US
dc.institutionauthorYılmaz, Okan
dc.institutionauthorAydın, Hakan
dc.institutionauthorÇetinkaya, Ali
dc.language.isotren_US
dc.publisherOsman Sağdıçen_US
dc.relation.ispartofAvrupa Bilim ve Teknoloji Dergisien_US
dc.relation.publicationcategoryMakale - Ulusal Hakemli Dergi - Kurum Öğretim Elemanıen_US
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United States*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/*
dc.subjectFaster R-CNNen_US
dc.subjectNesne tanımaen_US
dc.subjectObject detection APIen_US
dc.subjectEvrişimsel sinir ağıen_US
dc.subjectDerin öğrenmeen_US
dc.subjectFaster R-CNNen_US
dc.subjectObject detectionen_US
dc.subjectObject detection APIen_US
dc.subjectConvolutional neural networksen_US
dc.subjectDeep learningen_US
dc.titleFaster R-CNN Evrişimsel Sinir Ağı Üzerinde Geliştirilen Modelin Derin Öğrenme Yöntemleri ile Doğruluk Tahmini ve Analizi: Nesne Tespiti Uygulamasıen_US
dc.title.alternativeAccuracy Estimation and Analysis of The Model Developed on The Faster R-CNN Evolutionary Neural Network Using Deep Learning Methods: Object Detection Applicationen_US
dc.typeArticleen_US

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim
İsim:
10.31590-ejosat.753896-1154882.pdf
Boyut:
1.6 MB
Biçim:
Adobe Portable Document Format
Açıklama:
Makale / Article
İndir
Lisans paketi
Listeleniyor 1 - 1 / 1
Küçük Resim Yok
İsim:
license.txt
Boyut:
1.56 KB
Biçim:
Item-specific license agreed upon to submission
Açıklama:
İndir

Koleksiyon

Diğer Atıf Dizinlerdeki Yayınlar
TR-Dizin İndeksli Yayınlar Koleksiyonu