Uydu görüntülerinden uçak tipi tespitinde genetik algoritma tabanlı hiperparametre optimizasyonunun yolo modeline etkisinin araştırılması

Tez çalışmasında, uydu görüntülerinde yer alan hava araçlarının tespitinde kullanılan derin öğrenme tabanlı bir yöntem ele alınmış ve farklı eğitim stratejilerinin model performansı üzerindeki etkileri incelenmiştir. Nesnelerin uydu görüntülerinden yüksek doğrulukla tanınması, hem sivil hem de askerî alanlarda önem taşıyan güncel bir araştırma konusudur. Bu amaçla çalışmada YOLOv5 mimarisi tercih edilmiş ve görsel olarak benzer özellikler taşıyan ancak farklı görevlerde kullanılan üç farklı uçak tipi ele alınmıştır. Bu sınıflar, askeri savaş uçağı, sivil yolcu uçağı ve askeri kargo uçağından oluşmaktadır. Çalışmada kullanılan veri seti, literatürde yaygın olarak kullanılan hazır veri setleri yerine Google Earth Pro aracılığıyla dünyanın çeşitli bölgelerinde bulunan farklı havaalanlarından manuel olarak toplanan uydu görüntülerinden oluşturulmuş ve YOLO formatında etiketlenmiştir. Eğitim süreci üç farklı deneysel çalışma kapsamında yürütülmüştür. İlk aşamada, herhangi bir değişiklik yapılmadan hazır tanımlı hiperparametreler kullanılmış ve bu bölüm sonraki çalışmalar için başlangıç noktası olarak değerlendirilmiştir. İkinci aşamada, modelin genelleme yeteneğini geliştirmek amacıyla çeşitli veri artırımı tekniklerinden yararlanılmıştır. Son aşamada ise veri artırımı uygulamalarına ek olarak genetik algoritma tabanlı hiperparametre optimizasyonu gerçekleştirilmiştir. Veri setinin sınırlı sayıda örnek içermesi nedeniyle mekânsal ve fotometrik dönüşümlerden yararlanılarak çeşitlilik artırılmış, bu sayede modelin genelleme performansı güçlendirilmiştir. Genetik algoritma tabanlı hiperparametre optimizasyonu ise öğrenme sürecini daha verimli hale getirmiştir. Uygulanan bu üç deneysel çalışmanın karşılaştırılması sonucunda, en yüksek performans genetik algoritma tabanlı hiperparametre optimizasyonu ve veri artırımı yöntemlerinin birlikte kullanıldığı senaryoda elde edilmiştir. Bu senaryoda mAP@0.5 değeri %75.5'ten %89.9'a yükselmiştir (+14.4 puan). Benzer şekilde, mAP@0.5:0.95 değeri %45.3'ten %60.2'ye çıkarak (+14.9 puan) önemli bir artış sağlamıştır. Kesinlik (precision) değeri %71.6'dan %85.3'e yükselmiş (+13.7 puan), duyarlılık (recall) değeri %70.5'ten %83.6'ya yükselmiş (+13.1 puan) ve F1-skoru (F1-score) %70.6'dan %84.4'e yükselmiştir (+13.8 puan). Elde edilen bulgular, modelin öğrenmesini zorlaştıracak ölçüde yetersiz sayıda örnek görüntü içeren veri kümeleri üzerinde gerçekleştirilen nesne tespiti çalışmalarında veri artırımı ile hiperparametre optimizasyonunun birlikte kullanılmasının model performansı açısından önemli katkılar sağladığını göstermektedir. Bu nedenle uygulanan bu yaklaşım, hem sivil hem de askerî uygulamalarda kullanılabilecek bir seçenek olarak değerlendirilmektedir.