Günümüzde otonom sürüş ve sürüş güvenliği teknolojilerinin temelini, çevreyi anlama ve yorumlama becerisi oluşturur. Bu proje, bir aracın içine yerleştirilmiş bir kamera aracılığıyla, aracın dış ortamındaki hem durağan hem de hareketli nesneleri gerçek zamanlı olarak tanıyabilen ve sınıflandırabilen bir görüntü işleme sistemini kapsamaktadır.
Sistem, sürücü destek sistemleri (ADAS), otonom araç prototipleri ve trafik güvenliği analizleri gibi birçok uygulama alanı için kritik bir altyapı sunmayı hedeflemektedir.
Proje Nasıl Çalışıyor?
Projenin temeli, derin öğrenme ve bilgisayarlı görü alanında son derece başarılı olan YOLO (You Only Look Once) mimarisine dayanmaktadır. Bu projede, bu mimarinin en güncel ve yüksek performanslı versiyonlarının birbirleri ile karşılaştırılarak değerlendirildikten sonra en verimli sonucu veren mimari modeli testlerde kullanılmıştır.
Teknik Süreç:
Model ve Veri Seti: Sistem, otomotiv dünyasında bir referans noktası olan KITTI Veri Seti üzerinde eğitilmiştir. Bu veri seti, araç, yaya, bisikletli ve engel gibi gerçek dünya senaryolarını içeren, zengin açıklamalı (annotated) binlerce görüntüden oluşur.
Eğitim Süreci önceden geniş bir veri setinde eğitilmiş olan mimari modeli, KITTI veri seti üzerinde 100 epoch boyunca tekrar eğitilerek (fine-tuning) otomotiv ortamına özelleştirilmiştir. Bu, modelin hedeflediğimiz nesne sınıflarını daha yüksek doğrulukla tanımasını sağlamıştır.
Nesne Tespiti: Eğitilen model, araç kamerasından alınan canlı video akışındaki her bir kareyi işler. Gelişmiş sinir ağı, görüntü içindeki nesneleri kutu (bounding box) içine alarak yerlerini belirler ve her bir nesne için (örneğin, "araba", "yaya", "karavan") bir güven skoru tahmin eder.
Gerçek Zamanlı Çıktı: İşlenen görüntü, üzerinde nesne sınırları ve etiketleri bulunan şekilde, saniyede yüksek kare hızlarıyla (FPS) kullanıcıya sunulur.
Teknik Özellikler ve Avantajlar
Yüksek Doğruluk: Model mimarisi ve KITTI veri setinin kombinasyonu, sokak ortamında üst düzey bir tespit doğruluğu (mAP - mean Average Precision) sağlar.
Gerçek Zamanlı Performans: YOLO algoritmasının hızı sayesinde, sistem düşük gecikme süresiyle çalışarak anında tepki verebilir.
Çok Sınıflı Tanıma: Sistem, trafikteki birçok önemli nesneyi aynı anda tanıyabilir (otomobil, kamyon, yaya, bisiklet, trafik levhası vb.).
Uygulanabilirlik: Geliştirilen model, hem gömülü sistemlere hem de standart bilgisayarlara entegre edilmeye uygundur.
Kullanım Alanları
Otonom Sürüş Sistemleri: Araçların çevresel farkındalığını artırarak güvenli navigasyon sağlar.
Sürücü Destek Sistemleri (ADAS): Çarpışma önleme, şerit takibi ve trafik işareti tanıma gibi sistemlerde temel bileşen olarak kullanılabilir.
Trafik Analizi ve Güvenliği: Kavşaklardaki araç ve yaya yoğunluğunun izlenmesi ve analiz edilmesi.
Akıllı Şehir Uygulamaları: Akıllı trafik sinyalizasyon sistemleri için veri toplama.
Bu proje, endüstri standardı bir veri seti ve son teknoloji bir model kullanarak, araç tabanlı görüntü işleme alanında güvenilir, yüksek performanslı ve uygulanabilir bir çözüm sunmaktadır.