Temel Görüntü İşleme Algoritmaları için Optimize Edilmiş Veri Setlerinin İncelenmesi
DOI:
https://doi.org/10.5281/zenodo.18213771Anahtar Kelimeler:
image processing- dataset- YOLOÖzet
Son yıllarda yapay zekâ ve bilgisayarlı görme alanındaki hızlı gelişmeler, otonom sürüş, özetim ve spor analitiği gibi alanlarda yaygın olarak kullanılan nesne algılama sistemlerini önemli ölçüde geliştirmiştir. Bu çalışma, gerçek zamanlı basketbol oyuncusu algılamadaki etkinliklerini belirlemek için dört son teknoloji nesne algılama mimarisinin (YOLOv11, YOLOv12, Roboflow 3.0 ve RF-DETR) değerlendirilmesine ve karşılaştırılmasına odaklanmaktadır. Roboflow platformundan, basketbol maç senaryolarından 170 açıklamalı görüntü içeren, herkese açık bir veri seti elde edilmiştir. Adil bir karşılaştırma sağlamak için her model aynı hiperparametre yapılandırmaları kullanılarak eğitilmiş ve performansları mAP@50, Hassasiyet ve Geri Çağırma metrikleri kullanılarak değerlendirilmiştir. Sonuçlar, RF-DETR'nin en yüksek genel doğruluğu (mAP@50 = %91.5) elde ettiğini, YOLOv11'in ise geri çağırma (%84.3) ve hassasiyet (%90.2) arasında en iyi dengeyi gösterdiğini ve bu sayede gerçek zamanlı uygulamalar için ideal hale geldiğini göstermektedir. Bu bulgular, modern yapay zeka modellerinin karmaşık ve dinamik ortamlarda güvenilir nesne tespiti gerçekleştirme konusundaki artan kapasitesini vurgulamaktadır. Derin öğrenme teknolojileri gelişmeye devam ettikçe, bu tür karşılaştırmalı çalışmalar, gerçek dünya uygulamaları için en verimli mimarilerin seçilmesinde önemli bilgiler sağlamaktadır.
Referanslar
Audu, A. I., & Ndirmbula, S. M. (2024). Machine learning based real-time detection of ripe and unripe sorghum. Nigerian Journal of Engineering Science and Technology Research, 10(2), 124–137.
Bochkovskiy, A., Wang, C. Y., & Liao, H. Y. M. (2020). YOLOv4: Optimal speed and accuracy of object detection. arXiv. https://doi.org/10.48550/arXiv.2004.10934
Carion, N., Massa, F., Synnaeve, G., Usunier, N., Kirillov, A., & Zagoruyko, S. (2020). End-to-end object detection with transformers. In A. Vedaldi, H. Bischof, T. Brox, & J. M. Frahm (Eds.), Computer Vision – ECCV 2020 (pp. 213–229). Springer. https://doi.org/10.1007/978-3-030-58452-8_13
Chandana, R. K., & Ramachandra, A. C. (2022). Real time object detection system with YOLO and CNN models: A review. arXiv. https://doi.org/10.48550/arXiv.2208.00773
Ciaglia, F., Zuppichini, F. S., Guerrie, P., McQuade, M., & Solawetz, J. (2022). Roboflow 100: A rich, multi-domain object detection benchmark. arXiv. https://doi.org/10.48550/arXiv.2211.13523
Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., & Thrun, S. (2017).
Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542(7639), 115–118. https://doi.org/10.1038/nature21056
Jegham, N., Koh, C. Y., Abdelatti, M., & Hendawi, A. (2024). YOLO evolution: A comprehensive benchmark and architectural review of YOLOv12, YOLO11, and their previous versions. arXiv. https://doi.org/10.48550/arXiv.2411.00201
Khalili, B., & Smyth, A. W. (2024). SOD-YOLOv8—Enhancing YOLOv8 for small object detection in traffic scenes. arXiv. https://doi.org/10.48550/arXiv.2408.04786
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 779–788. https://doi.org/10.1109/CVPR.2016.91
Sakib, K. S., Abir, T. I., Kareena, S. S., & Alam, R. (2023). Autonomous object detection dataset: A study on Bangladeshi roadways [Undergraduate thesis, Brac University]. Brac University Repository.
Simic, N., & Gavrovska, A. (2025). Comparative analysis of YOLOv11 and YOLOv12 for AI-powered aerial people detection. 12th International Conference on Electrical, Electronic and Computing Engineering (IcETRAN), 1–4.
Sun, Y., Sun, Z., & Chen, W. (2024). The evolution of object detection methods. Engineering Applications of Artificial Intelligence, 133, 108458. https://doi.org/10.1016/j.engappai.2024.108458
Tao, X., Gong, X., Zhang, X., Yan, S., & Adak, C. (2022). Deep learning for unsupervised anomaly localization in industrial images: A survey. IEEE Transactions on Instrumentation and Measurement, 71, 1–21. https://doi.org/10.1109/TIM.2022.3196436
Trigka, M., & Dritsas, E. (2025). A comprehensive survey of machine learning techniques and models for object detection. Sensors, 25(1), 214. https://doi.org/10.3390/s25010214
Ultralytics. (2024). YOLOv12 official release documentation. https://docs.ultralytics.com (Erişim tarihi: 3 Eylül 2025).
Xiaozheng, Z., Zhongjun, Y., & Huaici, Z. (2025). DCS-YOLOv8: A lightweight context-aware network for small object detection in UAV remote sensing imagery. Remote Sensing, 17(17), 2989. https://doi.org/10.3390/rs17172989
Yigit, G. (2025). Crowd detection: Leveraging YOLO for human recognition. Turkish Journal of Engineering, 9(3), 571–577. https://doi.org/10.31127/tuje.1627839
Zhang, J., Zhang, H., Liu, B., Qu, G., Wang, F., Zhang, H., & Shi, X. (2023). Small object intelligent detection method based on adaptive recursive feature pyramid. Heliyon, 9(7), e17730. https://doi.org/10.1016/j.heliyon.2023.e17730
Zhao, Z. Q., Zheng, P., Xu, S. T., & Wu, X. (2019). Object detection with deep learning: A review. IEEE Transactions on Neural Networks and Learning Systems, 30(11), 3212–3232. https://doi.org/10.1109/TNNLS.2018.2876865
İndir
Yayınlanmış
Nasıl Atıf Yapılır
Sayı
Bölüm
Lisans
Telif Hakkı (c) 2025 Black Sea Journal of Artificial Intelligence
Bu çalışma Creative Commons Attribution-NonCommercial 4.0 International License ile lisanslanmıştır.
