Nesne tanıma algoritmaları ile trafik tabelası tanıma

Otonom araçlar ve akıllı ulaşım sistemlerinin gelişimi, trafik işaretlerinin doğru, hızlı ve güvenilir biçimde tespit edilmesini zorunlu hale getirmiştir. Trafik işaretlerinin gerçek zamanlı olarak tanınması, araçların yol koşullarına uyum sağlayabilmesi, güvenliğin artırılması ve trafik kurallarına uygun hareket edilmesi açısından önemli bir öneme sahiptir. Bu tez çalışmasında hem doğruluk hem de işlem verimliliği arasında denge sağlamayı amaçlayan altı farklı YOLOv11 versiyonu trafik işareti tespiti açısından incelenmiştir. Modeller, trafik işareti veri kümesi üzerinde eğitilmiş ve doğruluk, geri çağırma ve F1 puanı gibi metrikler üzerinden değerlendirilmiştir. Üç basit YOLOv11 modeli ve bu üç modelin ince ayar yapılmış sürümleri de çalışmada uygulanmış ve böylece trafik işareti tespitinde doğruluk oranının artırılması hedeflenmiştir. Yapılan iyileştirmeler sayesinde modellerin genelleme kabiliyeti güçlendirilmiş, küçük boyutlu ya da kısmen örtülmüş işaretlerin daha başarılı şekilde algılanması sağlanmıştır. Bu durum, özellikle karmaşık yol koşullarında ve farklı aydınlatma ortamlarında daha güvenilir bir performans ortaya koymuştur. Yapılan çalışma sonrasında elde edilen bulgular, YOLOv11n, YOLOv11s ve YOLOv11m modelleri ile bunların ince ayar yapılmış varyantlarının gerçek zamanlı trafik işareti tespiti için uygulanabilir ve güçlü çözümler sunduğunu göstermektedir. Çalışma, aynı zamanda veri artırma ve ince ayar teknikleriyle daha da yüksek performans elde edilebileceğini ortaya koyarak gelecekteki araştırmalar için yeni bir yön çizmektedir. Bu çalışmada kullanılan veri artırımı teknikleri ve dikkatle gerçekleştirilen etiketleme süreci, modellerin gerçek dünya koşullarına uyum yeteneğini önemli ölçüde geliştirmiştir. Farklı hava koşulları, aydınlatma değişimleri ile oluşturulan veriler sayesinde, modellerin dayanıklılığı artırılmış ve tespit hataları minimize edilmiştir. Yapılan çalışma sonucunda YOLOv11s modelinde 0.9882, YOLOv11m modelinde 0.9877, YOLOv11n modelinde 0.9899 F1 skoru elde edilmiştir. Elde edilen sonuçlar, geliştirilen YOLOv11 tabanlı modellerin otonom sürüş sistemleri ve akıllı ulaşım uygulamalarında güvenilir, hızlı ve ölçeklenebilir bir çözüm olarak kullanılabileceğini ortaya koymaktadır.