Uçak Görüntülerinin Sınıflandırılmasında Farklı Yapay Zekâ Algoritmalarının Performansı

Günümüzde yapay zekâ uygulamaları ile nesne tespiti birçok alanda kullanılmaktadır. Yapay zekâ ile görüntü işleme teknolojisinin ve veri setlerinin gelişmesiyle birlikte birçok matematiksel model ve algoritma nesne tespitinde kullanılmaktadır. Yapay zekâ algoritmasının başarısı ve verimliliği de kullanıcı için aynı oranda önem arz etmektedir. Bu çalışmada farklı zeminlerde ve açılardan çekilmiş uçak fotoğrafının OpenCv kütüphanesinde farklı algoritmalarla tespit edilmesi ve algoritmaların tespit etmedeki başarılarının kıyaslanması amaçlanmıştır. Bu tespit aşamasında Haarcascade ve YOLO algoritmaları kullanılmıştır. Çekilen fotoğraflar etiketlenmiş ve veri seti oluşturulmuştur. Bir sonraki aşamada Haarcascade modeli ile ortam oluşturulmuş ve fotoğraflar eğitilmiştir. İkinci aşamada YOLO algoritması üzerinden ortam oluşturulup fotoğraflar eğitilmiştir. Bu iki algoritma ile ayrı ayrı nesne tespiti yapılmış olup sonuçlarının kıyaslanması için Confisuon Matrix oluşturulmuştur. Kıyaslama sonrasında metrikler, grafikler ve tablo halinde değerlendirilmiştir.

Today, object detection using artificial intelligence applications is used in many fields. With the development of AI-powered image processing technology and datasets, many mathematical models and algorithms are used in object detection. The success and efficiency of the AI ​​algorithm are equally important for the user. This study aims to detect aircraft photographs taken from different surfaces and angles using different algorithms in the OpenCV library and to compare the success of these algorithms in detection. Haarcascade and YOLO algorithms were used in this detection phase. The captured photographs were labeled and a dataset was created. In the next stage, an environment was created using the Haarcascade model and the photographs were trained. In the second stage, an environment was created using the YOLO algorithm and the photographs were trained. Object detection was performed separately with these two algorithms, and a Confusion Matrix was created to compare the results. After the comparison, the metrics were evaluated in graphs and tables.