Emlak fotoğraflarının kalite değerlendirilmesi: Derin öğrenme tabanlı bir yaklaşım

Emlak sektöründe görsellerin kalitesi, kullanıcı deneyimini ve satış süreçlerini doğrudan etkileyen kritik bir faktördür. Bu çalışmada, emlak ilanlarında kullanılan fotoğrafların kalite sınıflandırmasını yapmak amacıyla üç farklı derin öğrenme modeli, MobileNetV2, ResNet18 ve EfficientNetB1 kullanılmıştır. Bu modeller, yaygın kullanımları, farklı mimari yapıları ve hesaplama gereksinimlerinin çeşitliliği göz önünde bulundurularak seçilmiştir. Literatürde görsel kalite değerlendirme üzerine yapılan çalışmalar genellikle genel görüntü iyileştirme veya estetik değerlendirme üzerine yoğunlaşırken, bu araştırma kapsamında ise doğrudan emlak ilanlarına özel ve uygulamaya dönük bir sınıflandırma sistemi geliştirilmiştir. Çalışmada, bu modellerin eğitim ve test performansları karşılaştırılmıştır. Deneylerde kullanılan veri kümesi, Türkiye'deki bir emlak ilan platformundan toplanmış ve gerçek kullanıcılar tarafından yüklenen 6.330 emlak fotoğrafını içermektedir. Görseller manuel olarak "Good" ve "Bad" şeklinde etiketlenmiştir. Etiketleme süreci, çalışmanın yazarı ve platform çalışanlarının katkılarıyla gerçekleştirilmiş olup, 'Good' sınıfı yüksek kaliteli görüntülerden oluşurken, 'Bad' sınıfı bulanıklık, aşırı karanlık veya aydınlık olması, watermark ya da logo içermesi gibi kaliteyi düşüren faktörlere sahip görselleri içermektedir. Eğitim, doğrulama ve test aşamalarında kullanılan veri dağılımı şu şekildedir: 4.446 görüntü eğitim, 628 görüntü doğrulama ve 1.256 görüntü test için kullanılmıştır. Model karşılaştırması, aynı veri seti, hiper parametreler ve değerlendirme metrikleri altında gerçekleştirilmiş olup, metodolojik tutarlılıkla doğrudan performans kıyaslaması yapılabilmesine olanak tanımaktadır. Eğitim sürecinde modellerin kayıp fonksiyonu ve doğruluk metrikleri takip edilerek performansları analiz edilmiştir. Eğitim sürecini hızlandırmak ve genelleme yeteneğini artırmak amacıyla transfer öğrenme yaklaşımı benimsenmiştir. Bu kapsamda, önceden eğitilmiş modellerin ağırlıkları dondurulmuş ve yalnızca çıktı katmanları yeniden eğitilerek özelleştirilmiştir. Bu yöntem, sınırlı veri setleriyle yapılan çalışmalarda başarı oranını artıran etkili bir stratejidir. Test aşamasında modellerin performansını değerlendirmek için ROC eğrisi, Doğruluk-Duyarlılık (Precision-Recall) eğrisi, F1 skoru, histogram ve karmaşıklık matrisi gibi çeşitli metrikler kullanılmıştır. Deneysel sonuçlar, MobileNetV2 modelinin %89 doğruluk oranıyla en iyi performansı sergilediğini ve en düşük kayıp değerine ulaştığını ortaya koymaktadır. ResNet18 ve EfficientNetB1, belirli kalite problemlerine karşı hassasiyet gösterse de genel doğruluk açısından MobileNetV2'nin gerisinde kalmıştır. Analizler, MobileNetV2'nin düşük kaliteli görüntüleri ayırt etmede daha başarılı olduğunu göstermektedir. Bu çalışma, emlak ilan platformlarında düşük kaliteli görsellerin yüklenmesini önlemeye yönelik bir sistemin temelini oluşturmaktadır. Önerilen model, emlak ilan platformlarında kullanıcıların yükleme aşamasında rehberlik edilmesini sağlayarak kalite kontrol süreçlerini otomatik hale getirebilir. Böyle bir sistemin uygulanması, platform moderatörlerinin manuel kontrol ihtiyacını azaltabilir ve ilan kalitesinde bütünlük sağlayarak marka güvenilirliğini artırabilir. Böylece yalnızca yüksek kaliteligörsellerin paylaşılması sağlanarak kullanıcı deneyimi iyileştirilebilir. Gelecekteki çalışmalar, modelin daha farklı kalite problemlerini tanıyabilmesi için sınıf çeşitliliğini artırmaya ve daha geniş veri setleriyle doğrulama yapılmasına odaklanabilir.