Yılmaz, OkanAydın, HakanÇetinkaya, Ali2023-09-212023-09-2120202148-2683https://hdl.handle.net/11363/5598https://search.trdizin.gov.tr/tr/yayin/detay/466384https://doi.org/Günümüz 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.With 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%.trinfo:eu-repo/semantics/openAccessAttribution-NonCommercial-NoDerivs 3.0 United StatesFaster R-CNNNesne tanımaObject detection APIEvrişimsel sinir ağıDerin öğrenmeFaster R-CNNObject detectionObject detection APIConvolutional neural networksDeep learningArticle2078379510.31590/ejosat.753896466384