Gelişmiş yaya tespit sistemi için nesne algılama algoritmalarının karşılaştırmalı analizi

Abstract

Bu araştırmada, yaya çarpışmalarını önlemek için derin öğrenme tabanlı bir yaya algılama sistemi geliştirilmiştir. Bu çarpışmalar, kentsel trafik kazalarının önemli bir bölümünü oluşturmaktadır. MakeSense etiketleme aracını kullanarak 620 adet yüksek çözünürlüklü yaya görüntüsünden oluşan özel bir veri seti oluşturuldu ve bu veriler etiketlendi. Bu veri setini kullanarak YOLOv8, YOLOv11 ve YOLOv12 modelleri eğitildi ve bunları kesinlik, duyarlılık, mAP ve F1 puanı temelinde değerlendirdik. Eğitim GPU hızlandırma desteği ile Python kullanılarak Google Colab ortamında gerçekleştirildi. Modeller arasında YOLOv11-S, %94,9'luk F1 puanı ve %95.7 mAP değeri ile en yüksek performansı elde etti. Daha sonra eğitilmiş modeli PyQt5 tabanlı bir masaüstü simülasyon arayüzüne entegre ederek gerçek zamanlı yaya algılama ve otomatik trafik ışığı kontrolü sağlandı. Sonuçlar, derin öğrenme tabanlı yaya algılama sistemlerinin gerçek zamanlı senaryolarda etkili bir şekilde çalışabileceğini ve akıllı şehir altyapıları için sürdürülebilir, ölçeklenebilir bir çözüm sunabileceğini göstermektedir.

In this research, a deep learning-based pedestrian detection system was developed to prevent pedestrian collisions. These collisions constitute a significant portion of urban traffic accidents. A custom dataset consisting of 620 high-resolution pedestrian images was created using the MakeSense labelling tool, and these images were labelled. Using this dataset, YOLOv8, YOLOv11, and YOLOv12 models were trained and evaluated based on precision, recall, mAP, and F1 score. Training was performed using Python with GPU acceleration support in the Google Colab environment. Among the models, YOLOv11-S achieved the highest performance with an F1 score of 94.9% and an mAP value of 95.7%. The trained model was then integrated into a PyQt5-based desktop simulation interface to enable real-time pedestrian detection and automatic traffic light control. The results demonstrate that deep learning-based pedestrian detection systems can operate effectively in real-time scenarios and offer a sustainable, scalable solution for smart city infrastructure.