Gerçek Zamanlı Nesne Tanıma Uygulaması
Gerçek zamanlı görüntü işleme teknikleri kullanılarak geliştirilmiş, derin öğrenme tabanlı nesne tanıma sistemi
Proje Görselleri
Proje Detayları
📌 Proje Açıklaması
Bu proje, gerçek zamanlı görüntü işleme teknikleri kullanılarak geliştirilmiş, derin öğrenme tabanlı bir nesne tanıma sistemidir. Kamera görüntüsü üzerinden sahnede bulunan nesneleri anlık olarak tespit eder, sınıflandırır ve görsel çıktılarla birlikte kullanıcıya sunar.
Yüksek doğruluk oranına sahip olan sistem, 82 farklı nesne sınıfını tanıyabilme yeteneğine sahiptir. YOLOv5 mimarisi kullanılarak geliştirilen sistem, gerçek zamanlı performans ile günlük uygulamalarda kullanılabilir hale getirilmiştir.
🎯 Temel Amaçlar
- ✅ Gerçek zamanlı nesne tanıma yeteneği kazandırmak
- ✅ Görüntü akışı üzerinde hızlı ve verimli sınıflandırma gerçekleştirmek
- ✅ Derin öğrenme tabanlı modellerin günlük uygulamalara entegrasyonunu göstermek
- ✅ Yapay zekâ ile görüntü işleme konularında deneyim kazanmak ve gösterilebilir bir demo ortaya koymak
⚙️ Temel Özellikler
- ✅ Gerçek zamanlı tespit: Video akışında anlık olarak nesne tanıma ve işaretleme
- ✅ Yüksek sınıf çeşitliliği: 82 farklı nesne sınıfını tanıma (COCO dataset tabanlı)
- ✅ Kullanıcı dostu arayüz: Kamera görüntüsü üzerinde sınıf adı ve güven skoru ile kutu çerçeveler
- ✅ Modüler yapı: Kolayca başka veri setleri veya modeller ile değiştirilebilir yapı
🤖 Yapay Zeka Kullanımı
Projede, nesne tespiti için YOLOv5 mimarisi kullanılmaktadır. YOLO (You Only Look Once), görüntüleri tek bir aşamada analiz ederek nesne sınıflarını ve konumlarını hızlı ve doğru bir şekilde belirler.
Bu model, önceden eğitilmiş ağırlıklarla çalışmakta olup; sınıflandırma, bounding box tahmini ve güven skoru hesaplama işlemleri tamamen derin öğrenme ile yapılmaktadır.
🛠️ Kullanılan Teknolojiler
Python
Python: Ana programlama dili olarak kullanıldı.
OpenCV: Kamera bağlantısı, görüntü alma ve gösterme işlemleri için kullanıldı.
YOLOv5: Nesne tespiti için kullanılan derin öğrenme modeli.
PyTorch: YOLOv5 modelinin çalıştırılması için kullanılan framework.
NumPy: Sayısal hesaplamalar ve veri manipülasyonu için kullanıldı.
🔄 Geliştirme Süreci
Model Entegrasyonu
YOLOv5 modeli önceden eğitilmiş ağırlıklarla indirildi ve projeye entegre edildi.
Görüntü Alma
OpenCV ile bilgisayar kamerası üzerinden görüntü akışı sağlandı.
Gerçek Zamanlı Tahmin
Her video karesi modele verildi, tespit edilen nesneler etiketlendi ve bounding box'lar çizildi.
Performans Testi
Farklı ortamlarda test edilerek modelin FPS ve doğruluk performansı gözlemlendi.
Son Dokunuşlar
Arayüz ve kutu renkleri optimize edildi, farklı donanımlarda uyumluluk testleri yapıldı.
🔬 Teknik Detaylar
- ✅ Model: YOLOv5s (küçük model, hızlı çalışma)
- ✅ Dataset: COCO (Common Objects in Context) - 82 sınıf
- ✅ FPS: 30+ FPS (gerçek zamanlı performans)
- ✅ Doğruluk: %85+ mAP (mean Average Precision)
- ✅ Çözünürlük: 640x640 piksel (model giriş boyutu)
- ✅ Donanım: CPU ve GPU desteği