DERİN ÖĞRENME YARDIMIYLA ARAÇ SINIFLANDIRMA

Abstract

Derin öğrenme yöntemlerinin gelişmesiyle beraber görüntü, gen ve ses analizleri, robotik, otonom sistemler, tıp alanındaki hastalık teşhisleri gibi birçok alanda kullanılmaya başlanmıştır. Bu tür problemlerin çözümünde yüksek doğruluk elde edilmesi yaygın bir kullanım alanı oluşmasını sağlamıştır. Bu tez çalışmasında, 10 farklı marka/modelde aracın birbirinden farklı yaklaşık 20000 görüntüden oluşan veri setini önceden eğitilmiş Faster R-CNN Resnet50, Faster R-CNN ResNet101, R-FCN ResNet101 ve SSD mobilenet ağlarını transfer öğrenme yöntemiyle eğitilmiştir. Yapılan testler sonucunda %94,4 lük doğruluk oranıyla Faster R-CNN ResNet50 modeli en başarılı sonuç elde edilmiştir. Eğitim aşamasında kullanılmayan görüntülerden oluşan veri kümesi kullanılarak eğitim sonuçları gözlemlenmiştir. Eğitim aşamasında Google tarafından geliştirilen açık kaynak kodlu TensorFlow kütüphanesi ve Python programlama dili kullanılmıştır. Modelimizde farklı parametreler kullanarak başarımın nasıl değiştiği gözlemlenmiştir. Yapılan eğitimler sonucunda başarılı sonuçlar alınmıştır. Sonuçlarla alakalı tablolar ve loss grafikleri bölümün sonunda gösterilmiştir.With the development of deep learning methods, image, gene and sound analysis, robotics, autonomous systems, medical field diagnosis has been started to be used in many areas. High accuracy in solving such problems has led to a widespread use. In this thesis, the data set of approximately 20000 different data sets of 10 different brands / models of vehicles are trained by transfer learning method of Faster R-CNN Resnet50, Faster R-CNN ResNet101, R-FCN ResNet101 and SSD mobilenet networks. As a result of the tests, Faster R-CNN ResNet50 model was the most successful with 94.4% accuracy. The training results were observed by using a dataset consisting of unused images. The open source TensorFlow library and Python programming language developed by Google were used during the training phase. In our model, it has been observed how the performance changes by using different parameters. Successful results were obtained as a result of the trainings. Tables and loss graphs related to the results are shown at the end of the section.