İnsansız hava araçları vasıtasıyla karasal görüntüler üzerinden nesne tespiti

Son yıllarda yapay zekâ teknolojilerindeki hızlı ilerlemeler, insan yaşamını önemli ölçüde etkilerken, özellikle askeri alanda kullanılan İnsansız Hava Araçları (İHA) sistemlerinin ortaya çıkışını ve gelişimini de beraberinde getirmiştir. Bu tez çalışmasında, bir yapay zekâ uygulaması olan derin öğrenme yöntemlerinden faydalanılarak İHA'lar tarafından elde edilen görüntülerden nesne tespiti üzerine odaklanılmıştır. Çalışma kapsamında, günümüz teknolojisinin ulaştığı iki önemli alanın (İHA sistemleri ve yapay zekâ) entegrasyonu ele alınmıştır. Tez çalışmasının en dikkat çekici yönü, kullanılan veri setinin oluşturulma sürecidir. Veri seti, açık kaynaklı platformlar olan Youtube, Twitter ve Telegram üzerinden detaylı bir tarama yapılarak elde edilen gerçek harekât ortamı görüntülerinden oluşturulmuştur. Bu özelliğiyle, geliştirilen sistemin gerçek operasyonel şartlara kolaylıkla uyarlanabilir olması sağlanmıştır. Çalışma, öncelikli olarak askeri kullanım amacı taşımakla birlikte, sivil uygulamalarda da kullanılabilir bir karar destek mekanizması sunmaktadır. Ek olarak, ilgili sistemler ile iletişim sağlanamadığı durumlarda bile, sistemin önceden belirlenmiş parametreler doğrultusunda otonom hareket edebilmesi sağlanabilecektir. Bu yönüyle tez çalışması, gelecekte yapılacak araştırmalar için bir yol haritası niteliği taşımaktadır. Çalışmada görüntü işleme alanında başarısı kanıtlanmış derin öğrenme yöntemlerinden biri olan Evrişimsel Sinir Ağları (Convolutional Neural Networks, CNN) tabanlı You Look Only Once (YOLO) modeli kullanılmıştır. Tez çalışması kapsamında, YOLOv8 versiyonu kullanılmış olup en çok bilinen ve uygulanan versiyon olarak öne çıkmaktadır. Araştırmada, dört sınıfa (kamyon, tank, hava savunma sistemleri, top bataryası) ayrılmış bir veri seti hazırlanmıştır. Bu veri seti, %80 eğitim verisi, %10 doğrulama verisi ve %10 test verisi olarak ayrıştırılmış ve YOLOv8 modeli kullanılarak analiz edilmiştir. Çalışmanın ilerleyen aşamalarında, veri artırma yöntemleri uygulanarak veri seti genişletilmiş ve bu genişletilmiş veri setiyle elde edilen sonuçlar başlangıçtaki analizlerle karşılaştırılmıştır. İlk model eğitimi, precision (doğruluk) %70.6, recall (duyarlılık) %62.1 ve mAP@50 %74.7 değerleriyle tatmin edici bir başlangıç performansı sunmuştur. Ancak mAP@50-95 değeri %57.1 olarak nispeten düşük kalmıştır. Artırılmış veri seti ile yapılan ikinci eğitimde ise tüm bu metriklerde kayda değer iyileşmeler sağlanmıştır. Precision %86.5, recall %85.5 ve mAP@50 %96.6 gibi oldukça yüksek değerlere ulaşılmıştır. Daha zorlu değerlendirme ölçütü olan mAP@50-95 değeri ise %62.9 ile ilk eğitime göre önemli bir artış göstermiştir. Elde edilen bulgular, sahadan doğrudan toplanan verilerin artırılmasının, sistemin başarı oranı ve tanıyabileceği sınıf sayısının genişletilmesi için kritik önem taşıdığını göstermektedir. Halihazırda kamyon, tank, hava savunma sistemleri ve top bataryası sınıfları üzerinde çalışan sistemin, sahadan daha fazla görüntü elde edilmesi durumunda, diğer nesne sınıflarını da yüksek başarı oranıyla tanıyabileceği anlaşılmıştır. Bu bağlamda, sistemin nesne tespiti ve sınıflandırma başarısının artırılması için veri toplama süreçlerinin sistematik bir şekilde genişletilmesi gerektiği sonucuna ulaşılmıştır.