Derin öğrenme yöntemi ile Google ve Yandex görüntülerinden stadyum tespiti

Teknolojinin hızla gelişmesi ve bilgisayar donanımlarında görülen ilerleme sonucunda derin öğrenmenin önemi gün geçtikçe artmaktadır. Son dönemlerde birçok kurum/kuruluş insan gücü yerine, otonom sistemleri kullanmayı tercih etmektedir. Derin öğrenme algoritmalarının sürekli geliştirildiği alanlardan biri de nesne tespiti yapabilen modellerdir. Tez çalışmasında amaç literatürde bulunan çalışmalardan farklı olarak iki ayrı şirket tarafından aynı köşe koordinat ve ölçekte temin edilmiş uydu görüntüleri ile bir modelin eğitilmesi sonucu şirketlerin paylaştığı uydu görüntülerinin modelin başarımına olan etkisinin analiz edilmesidir. Tez çalışmasında yazılım dili olarak Python 3.6, yazılım geliştirici olarak ise Anaconda kullanılmıştır. Derin öğrenme kütüphanesi olarak Tensorflow kütüphanesi, bilgisayarlı görü kütüphanesi olarak OpenCV ve nesne tespit modeli olarak Tensorflow Object Detection Application Programming Interface (API) kullanılmıştır. Bu kapsamda COCO veri seti ile eğitilmiş 'Faster R-CNN Inception v2 COCO' ve 'Faster R-CNN Resnet101 COCO' modelleri kullanıcı sistemine aktarılmış, açık kaynak programı olan SAS Planet uygulaması üzerinden Google ve Yandex şirketlerinin sunduğu uydu görüntülerinden 'stadyum' kapsayan görüntüler temin edilmiş ve her iki model hem Google hem de Yandex şirketlerine ait uydu görüntüleri ile eğitilmiştir. Çalışmanın doğruluk analizi F1-Skoru yöntemiyle yapılmıştır. F1-Skoru doğruluk metriğinde en başarılı sonucu veren model % 91 doğruluk oranı ile Yandex şirketinin uydu görüntüleriyle eğitilen Faster R-CNN Inception v2 COCO'dur.