Üretici çekişmeli ağlar ile ayrıntılı perakende ürün tanıma

Perakende ürün tanıma, süpermarket rafları gibi gerçek dünya ortamlarında yer alan ürünleri görseller üzerinden otomatik olarak tanıma ve sınıflandırma problemidir. Bu problem; görsel karmaşıklık, sınıflar arası benzerlik ve sınıf içi küçük farklar nedeniyle oldukça zorludur. Doğru ve hızlı ürün tanıma, perakende otomasyonu, envanter yönetimi ve müşteri uygulamaları için kritik öneme sahiptir. Bu tez çalışmasında, StyleGAN-XL tabanlı sentetik veri üretiminin, perakende ürünlerine ait görsellerin ince sınıf ayrımı (fine-grained classification) problemlerindeki etkisi incelenmiştir. Çalışma kapsamında, her biri 30 sınıftan oluşan atıştırmalıklar ve içecekler olmak üzere iki farklı ürün kategorisi ele alınmıştır. Gerçek dünya verilerinin sınırlı sayıda olması ve sınıflar arasındaki dengesizlik gibi sorunlar nedeniyle, StyleGAN-XL kullanılarak sentetik görseller üretilmiş ve eğitim verisine dahil edilmiştir. Dört farklı deneysel senaryo tasarlanmıştır: Senaryo 1 (%80 sentetik + %20 gerçek veri), Senaryo 2 (yalnızca sentetik veri), Senaryo 3 (yalnızca %20 gerçek veri), Senaryo 4 (yalnızca gerçek veri). Tüm senaryolarda sınıflandırma işlemleri, YOLOv11-CLS modeliyle gerçekleştirilmiş ve model her biri için 100 epoch boyunca aynı hiperparametrelerle eğitilmiştir. Deneysel sonuçlar, özellikle gerçek verinin sınırlı olduğu durumlarda, sentetik verinin sınıflandırma başarımını anlamlı ölçüde artırdığını göstermektedir. İçecek kategorisinde, özellikle görsel olarak ayırt edici ambalajlara sahip bazı sınıflarda doğruluk, hassasiyet ve F1 skoru metriklerinde %100'e ulaşılmıştır. Bu durum, StyleGAN-XL tarafından üretilen sentetik görsellerin ince sınıf ayrımı gerektiren görevlerde etkili olduğunu ortaya koymaktadır. Ancak bu başarı tüm sınıflar için geçerli değildir; bu nedenle gerçek verinin önemi ve veri çeşitliliği hâlâ kritik rol oynamaktadır.