Dikkat mekanizmalı YOLOv8 kullanarak araç tipi tanıma ve sayma

Abstract

Doğru araç tespiti ve sayımı, özellikle trafik izleme, tıkanıklık analizi, sinyal kontrolü ve kentsel hareketlilik planlaması için akıllı ulaşım sistemlerinin temel bileşenleridir. Bununla birlikte, araç tipleri arasındaki görsel benzerlikler, yoğun trafikteki örtüşme, ölçek varyasyonu ve karmaşık arka plan koşulları nedeniyle ince taneli araç sınıflandırması zorlu olmaya devam etmektedir. Bu tez, özellik temsilini geliştirmek ve sınıf ayrımını iyileştirmek için Evrişimsel Blok Dikkat Modülü ile entegre edilmiş YOLOv8m'ye dayalı geliştirilmiş bir araç tespiti ve sayımı modeli önermektedir.Önerilen model, on ince taneli araç sınıfına sahip UA-DETRAC veri seti kullanılarak değerlendirilmiştir. Dikkat mekanizması, dedektörü daha bilgilendirici araç bölgelerine yönlendirmek ve alakasız arka plan özelliklerinin etkisini azaltmak için kanal ve uzamsal dikkati birleştirir. Dikkat mekanizmalı önerilen YOLOv8m, aynı deneysel protokol altında bir YOLOv8s temel modeliyle karşılaştırılmıştır.Deneysel sonuçlar, önerilen modelin %96,54 mAP50 ve %84,01 mAP50-95 değerlerine ulaştığını ve temel modele göre sırasıyla %2,31 ve %4,14 oranında iyileşme sağladığını göstermektedir. Ek olarak, araç sayma modülü, görüntü başına 1,05 araçlık ortalama mutlak hata elde ederek sayım hatasında %17,3'lük bir azalma sağlamıştır. Model ayrıca GPU üzerinde saniyede 74,8 karelik bir çıkarım hızıyla gerçek zamanlı performansı da korumuştur. Bu bulgular, önerilen dikkat artırılmış YOLOv8m modelinin, akıllı ulaşım uygulamaları için tespit doğruluğu, sayım güvenilirliği ve hesaplama verimliliği arasında etkili bir denge sağladığını göstermektedir.

Accurate vehicle detection and counting are essential components of intelligent transportation systems, particularly for traffic monitoring, congestion analysis, signal control, and urban mobility planning. However, fine-grained vehicle classification remains challenging because of visual similarities between vehicle types, occlusion in dense traffic, scale variation, and complex background conditions. This thesis proposes an improved vehicle detection and counting model based on YOLOv8m integrated with a Convolutional Block Attention Module to enhance feature representation and improve class discrimination. The proposed model was evaluated using the UA-DETRAC dataset with ten fine-grained vehicle classes. The attention mechanism combines channel and spatial attention to guide the detector toward more informative vehicle regions while reducing the influence of irrelevant background features. The proposed YOLOv8m with attention was compared with a YOLOv8s baseline under the same experimental protocol. The experimental results show that the proposed model achieved 96.54% mAP50 and 84.01% mAP50-95, improving the baseline by 2.31% and 4.14%, respectively. In addition, the vehicle counting module achieved a mean absolute error of 1.05 vehicles per image, representing a 17.3% reduction in counting error. The model also maintained real-time performance with an inference speed of 74.8 frames per second on GPU. These findings indicate that the proposed attention-enhanced YOLOv8m model provides an effective balance between detection accuracy, counting reliability, and computational efficiency for intelligent transportation applications.