Video üzerinde derin öğrenme ile nesne sansürlüme

Dünya Sağlık Örgütü'ne göre sigara içenler sayısı 1,3 milyara ulaşmış ve bunların 8 milyondan fazlası sigaraya bağlı hastalıklardan ölmüştür. Her yıl bu sayılar sürekli artmaktadır. Bazı ülkeler sigaranın zararlarını önlemek ve sigara kullanımını azaltmak için açık alanlarda sigara içmeyi yasaklamıştır. Buna rağmen sigara içenler sayısı düşmemektedir. Sigara alışkanlığı genellikle erken yaşlarda, çocuk diye bileceğimiz yaşlarda başlamaktadır. Çünkü çevrelerinde, sosyal medya, izlenilen film ve videolarda sigara tüketimini özendirilecek formatta görmektedirler. Tüm bu faktörler sigaraya özentiyi tetikliyor, insanlar sigaraya başlıyor ve zamanla bağımlı hale geliyorlar. Bu çalışmanın temel amacı, günümüz internet videolarının çocuklar üzerindeki olumsuz etkisini azaltmak ve sigara içmeyle ilişkilendirilen nesneleri tanımanın doğruluğunu ve güvenilirliğini artırmak için bilgisayar görme ve derin öğrenme tekniklerini kullanarak güvenli ve eğitici dijital deneyimler oluşturmaktır. Böylece sigara kullanımı açısından daha iyi medya içerik analizini yaparak bu sahnelerin sansürlenmesini sağlayarak sigara tüketimine yönlendiren videoların etkisini azaltmak ve sigara karşıtı kampanyaları desteklemektir. Çalışmanın önemli bir yönü, sigara algılama görevi için YOLOv5, YOLOv8 ve YOLOv9 modellerinin geliştirilmesi ve eğitilmesidir. YOLO, yüksek doğruluğu ve hızıyla bilinen, nesne algılama görevleri için popüler bir algoritmadır. Bu çalışmada, çeşitli aydınlatma koşulları ve arka planlar da dahil olmak üzere görüntülerdeki sigaraları doğru ve hızlı bir şekilde tespit edebilen bir sinir ağı uygulanmıştır. Sigara tanıma doğruluğu, Gerçek dünya ortamlarında sigara tespit eden güvenilir izleme sistemleri oluşturmak, sigara ile mücadelede kritik öneme sahiptir. Çalışma da sigara ve kül tablasını içeren iki tane veri seti oluşturulmuştur. Veri setindeki sigara ile kül tablasının konumlarını Roboflow web sitesin üzerinde sınırlayıcı kutu olarak işarettendi. YOLOv5, YOLOv8 ve YOLOv9 modellerinin performansların yükseltmek için hiper parametre optimizasyonunu kullanarak hazırlanan veri setleri üzerinde eğilmiştir. Modeller kesinlik, duyarlılık, Birleşim Üzerinden Kesişme ve genel ortalama kesinlik puanına göre değerlendirildi. Hiper parametre optimizasyonu, derin öğrenme modelleri için optimum performansa ulaşmada kritik bir rol oynamaktadır. Bu yüzden, çalışmada YOLO modellerine ince ayar yapmak için çeşitli optimizasyon teknikleri kullanılmıştır. İyi sonuçları elde etmek için seçildiği modellerin hiper parametreleri SGD, Adam ve AdamW gibi çeşitli optimize edicileri kullanılarak optimize edildi. Optimizasyon sonucunda SGD optimizeni kullanan YOLOv9 modeli diğer modellerden daha yüksek performansa ulaştığı görülmektedir. Ayar dağılım grafikleri, bu kombinasyonun doğruluk ve yakınsama hızı açısından üstünlüğünü göstererek onu uygulamalarımız için tercih edilen seçenek haline getirdi. Varsayılan parametre ile ilk eğitilmiş modellerin sonuçları: YOLOv5 %89'a, YOLOv8 %87'ye ve YOLOv9 %88'e ulaşmıştır. Hiper parametre optimizasyonundan sonra SGD optimize edicinin kullanımının en etkili olduğu kanıtlanmaktadır ve diğer optimize edicilerle karşılaştırıldığında üstün performans göstermektedir. YOLOv5'in performansı %89'da değişmeden kalırken, YOLOv8 ve YOLOv9'un performansı %93'e çıkmaktadır. YOLOv8 ve YOLOv9, SGD ile optimizasyondan sonra aynı mAP(50) değerine sahip olsa da, YOLOv9 mAP(50-95) metriğinde YOLOv8'den %2 doğruluk oranında daha iyi sonuç vermiştir. Çalışmamızın önemli bir yönü kül tablası tespitinin görüntülere dâhil edilmesidir. Kül tablası, sigara içmenin önemli bir göstergesidir ve bunun tanınması, sigara içme olaylarının tespitinin doğruluğunu önemli ölçüde artırır. Modellerimize başarılı bir şekilde entegre edilen kül tablasını tespit etmeye yönelik yaklaşımlar geliştirilmiştir. Bu yaklaşım ile genel sonuçlar iyileştirilmiş ve tanıma sistemi daha kararlı ve başarılı hale getirilmiştir. Sigara ve kül tablasını tespit etmek için bir algoritma geliştirilerek test edilmiştir; bu algoritma %96'lık bir doğruluğa ulaşarak daha iyi sonuçlar vermiştir. Bu algoritma, sigaraları ve kül tablasını başarıyla tanıyarak yanlış pozitif sayısını en aza indirerek eğitilen modellerin ilk sonucundan daha iyi performans göstermiştir. Çalışmamızın sonuçları, en yeni derin öğrenme modellerinin ve hiper parametre optimizasyonunun kullanılmasının, görüntülerde sigara ve kül tablası tespitinin verimliliğini ve doğruluğunu önemli ölçüde artırabileceğini göstermektedir. Geliştirilen model ve algoritmaların kullanımı, tütünün halk sağlığı üzerindeki zararlı etkilerinin izlenmesi, analiz edilmesi ve önlenmesine yönelik etkili araçlar sunarak tütün kullanımıyla mücadeleye önemli katkılar sağlayacaktır.