Derin öğrenme yardımıyla araç sınıflandırma

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.