Yapay arı kolonisi ve parçacık sürü optimizasyonu ile YOLO algoritmasının hiperparametrelerinin belirlenmesi

Bu tez çalışmasında YOLO algoritmasının beşinci sürümü olan YOLOv5 algoritmasında bulunan hiperparametrelerin optimize edilmesi sürecinde Yapay Arı Kolonisi (ABC) ve Parçacık Sürü Optimizasyonu (PSO) algoritmalarının kullanımı ve etkinliği incelenmiştir. YOLO algoritması nesne tespiti alanında önemli ilerlemeler sağlamış olmasına karşın beraberinde getirdiği hiperparametrelerin uzman bilgisi ve deneme yanılmalar gerektiren ayarlamalara ihtiyaç duyması algoritmanın uygulanmasını karmaşık bir süreç haline getirmektedir. Bu çalışmada algoritmanın hiperparametrelerinden dokuz tanesi seçilerek ABC ve PSO algoritmaları ile optimize edilmiştir. Oxford-IIIT evcil hayvan veri kümesindeki görseller kullanılarak elde edilen modellerin eğitim performansları kıyaslandığında PSO ile optimize edilen modelin zor ve nadir bulunan verileri tespit etme eğiliminde olduğu ve hızlı yakınsama ile eğitildiği görülmüştür. Buna karşılık ABC ile optimize edilen modelin tüm verileri dengeli bir şekilde öğrenerek düşük öğrenme oranlarıyla yavaş ve istikrarlı bir yakınsama yaptığı görülmüştür. Test aşamasında ABC algoritması ile optimize edilen modelin %81,7 mAP skoru aldığı, bu sonucun eğitim sonuçlarına benzer olduğu görülmüşken PSO ile optimize edilen modelin %76,8 mAP skoru aldığı ve eğitim esnasında aşırı uymaya girdiği, test verilerinde başarılı bir performans vermediği görülmüştür. Bu sonuçlar YOLO algoritmasının hiperparametre optimizasyonu probleminde PSO'ya göre daha çok sonuç çeşitliliği üretebilen ABC algoritmasının başarılı sonuçlar elde etmek için daha elverişli olduğunu göstermiştir.