TRAFİK İŞARETLERİNİN TESPİTİNDE FARKLI YOLO MODELLERİNİN KARŞILAŞTIRILMASI

Mehmet Fatih Bekçioğulları; Bünyamin Dikici; Hakan Açıkgöz; Serkan Özbay

doi:10.17780/ksujes.1524094

EN TR

TRAFİK İŞARETLERİNİN TESPİTİNDE FARKLI YOLO MODELLERİNİN KARŞILAŞTIRILMASI

Öz

Trafik işaretleri, karayolunda seyahat eden sürücülere yol kısıtlamaları açısından uyarıda bulunmak amacıyla karayollarına yerleştirilmektedir. Bu işaretlerin doğru bir şekilde algılanması ve trafik işaretinin gerektirdiği kısıtlamaya uyulması, sürüş güvenliği açısından önemlidir. Son yıllarda, derin öğrenme algoritmalarının nesne sınıflandırılmasında ve tespitinde başarılı olduğu birçok çalışma ile gösterilmiştir. Bu çalışmada, derin öğrenme tabanlı “You Only Look Once” (YOLO) algoritmaları trafik işaretleri tespiti açısından karşılaştırılmıştır. İlk olarak 877 görüntüden oluşan dört sınıflı trafik işaretleri veri seti elde edilmiştir. Daha sonra YOLOv5, YOLOv8 ve YOLOv9 algoritmaları trafik işareti tanıması açısından incelenmiştir. Deneysel çalışmalarda, tespit algoritmalarının performanslarını değerlendirmek amacıyla duyarlılık, kesinlik, f1 skor ve mAP performans değerlendirme kriterleri açısından incelenmiştir. Elde edilen deneysel sonuçlara göre YOLOv9’un Duyarlılık metriği %90.8, mAP@0.5 metriği %93.1 ve mAP@0.5:0.95 metriği %77.7 olarak hesaplanmıştır. Bu sonuçlar YOLOv9 algoritmasının en iyi trafik işareti tespit algoritması olduğunu doğrulamaktadır.

Anahtar Kelimeler

References

Acikgoz, H. (2024). An automatic detection model for cracks in photovoltaic cells based on electroluminescence imaging using improved YOLOv7. Signal, Image and Video Processing, 18(1), 625-635. https://doi.org/10.1007/s11760-023-02724-7
Aykılıç, Ö., Başarslan, M. S., & Bal, F. (2024). Classification of Traffic Signs Using Transfer Learning Methods. Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi, 24(4), 829-838. https://doi.org/10.35414/akufemubid.1420978
Bochkovskiy, A., Wang, C.-Y., & Liao, H. M. (2020). YOLOv4: Optimal Speed and Accuracy of Object Detection. http://arxiv.org/abs/2004.10934
Chen, Y., & Luo, H. (2024). VisioSignNet: A Dual-Interactive Neural Network for enhanced traffic sign detection. Expert Systems with Applications, 255. https://doi.org/10.1016/j.eswa.2024.124688
Çetinkaya, M., & Acarman, T. (2020). Trafik İşaret Levhası Tespiti için Derin Öğrenme Yöntemi. Akıllı Ulaşım Sistemleri Ve Uygulamaları Dergisi, 3(2), 140-157.
Çınarer, G. (2024). Deep Learning Based Traffic Sign Recognition Using YOLO Algorithm. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 12(1), 219-229. https://doi.org/10.29130/dubited.1214901
Ge, Z., Liu, S., Wang, F., Li, Z., & Sun, J. (2021). YOLOX: Exceeding YOLO Series in 2021. 1-7. http://arxiv.org/abs/2107.08430
Girshick, R. (2015). Fast R-CNN. Proceedings of the IEEE International Conference on Computer Vision, 2015 Inter, 1440-1448. https://doi.org/10.1109/ICCV.2015.169

Girshick, R., Donahue, J., Darrell, T., & Malik, J. (2014). Rich feature hierarchies for accurate object detection and semantic segmentation. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 580-587. https://doi.org/10.1109/CVPR.2014.81
Han, Y., Wang, F., Wang, W., Zhang, X., & Li, X. (2024). EDN-YOLO: Multi-scale traffic sign detection method in complex scenes. Digital Signal Processing: A Review Journal, 153. https://doi.org/10.1016/j.dsp.2024.104615
Krizhevsky, A., Sutskever, I., & Hinton, G.E. (2012). ImageNet classification with deep convolutional neural networks. Communications of the ACM, 60(6), 84 - 90. https://doi.org/10.1145/3065386
Küçük, Ö., Yavşan, E., & Gökçe, B. (2021). Otonom Tabanlı İşaret ve Şerit Tanımak Amacı ile Bir Öğrenme Sisteminin Geliştirilmesi. International Journal of Engineering Research and Development, 13(3), 19-25. https://doi.org/10.29137/umagd.1037237
Li, C., Li, L., Jiang, H., Weng, K., Geng, Y., Li, L., Ke, Z., Li, Q., Cheng, M., Nie, W., Li, Y., Zhang, B., Liang, Y., Zhou, L., Xu, X., Chu, X., Wei, X., & Wei, X. (2022). YOLOv6: A Single-Stage Object Detection Framework for Industrial Applications. http://arxiv.org/abs/2209.02976
Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C. Y., & Berg, A. C. (2016). SSD: Single shot multibox detector. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 9905 LNCS, 21-37. https://doi.org/10.1007/978-3-319-46448-0_2
Megalingam, R. K., Thanigundala, K., Musani, S. R., Nidamanuru, H., & Gadde, L. (2023). Indian traffic sign detection and recognition using deep learning. International Journal of Transportation Science and Technology, 12(3), 683-699. https://doi.org/10.1016/j.ijtst.2022.06.002
Rani, A. R., Anusha, Y., Cherishama, S. K., & Laxmi, S. V. (2024). Traffic sign detection and recognition using deep learning-based approach with haze removal for autonomous vehicle navigation. e-Prime - Advances in Electrical Engineering, Electronics and Energy, 7. https://doi.org/10.1016/j.prime.2024.100442
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2016-Decem, 779-788. https://doi.org/10.1109/CVPR.2016.91
Redmon, J., & Farhadi, A. (2017). YOLO9000: Better, faster, stronger. Proceedings - 30th IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2017, 2017-Janua, 6517-6525. https://doi.org/10.1109/CVPR.2017.690
Redmon, J., & Farhadi, A. (2018). YOLOv3: An Incremental Improvement. http://arxiv.org/abs/1804.02767
Ren, S., He, K., Girshick, R., & Sun, J. (2017). Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 39(6), 1137-1149. https://doi.org/10.1109/TPAMI.2016.2577031
Saxena, S., Dey, S., Shah, M., & Gupta, S. (2024). Traffic sign detection in unconstrained environment using improved YOLOv4. Expert Systems with Applications (C. 238). Elsevier Ltd. https://doi.org/10.1016/j.eswa.2023.121836
Terven, J., Córdova-Esparza, D. M., & Romero-González, J. A. (2023). A Comprehensive Review of YOLO Architectures in Computer Vision: From YOLOv1 to YOLOv8 and YOLO-NAS. Machine Learning and Knowledge Extraction (C. 5, Sayı 4, ss. 1680-1716). Multidisciplinary Digital Publishing Institute (MDPI). https://doi.org/10.3390/make5040083
Trappey, A. J. C., & Shen, O. T. C. (2024). A universal traffic sign detection system using a novel self-training neural network modeling approach. Advanced Engineering Informatics, 62. https://doi.org/10.1016/j.aei.2024.102674
Wang, A., Chen, H., Liu, L., Chen, K., Lin, Z., Han, J., & Ding, G. (2024). YOLOv10: Real-Time End-to-End Object Detection. http://arxiv.org/abs/2405.14458
Wang, C.-Y., Bochkovskiy, A., & Liao, H.-Y. M. (2023). YOLOv7: Trainable Bag-of-Freebies Sets New State-of-the-Art for Real-Time Object Detectors. 7464-7475. https://doi.org/10.1109/cvpr52729.2023.00721
Wang, C.-Y., Yeh, I.-H., & Liao, H.-Y. M. (2024). YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information. http://arxiv.org/abs/2402.13616

Details

Primary Language

Turkish

Subjects

Deep Learning

Journal Section

Research Article

Authors

Mehmet Fatih Bekçioğulları ^*
0000-0002-0056-9526
Türkiye

Bünyamin Dikici
0000-0001-6722-5894
Türkiye

Hakan Açıkgöz
0000-0002-6432-7243
Türkiye

Serkan Özbay
0000-0001-5973-8243
Türkiye

Publication Date

March 3, 2025

Submission Date

July 29, 2024

Acceptance Date

December 2, 2024

Published in Issue

Year 2025 Volume: 28 Number: 1

DOI

https://doi.org/10.17780/ksujes.1524094

IZ

https://izlik.org/JA59XA28FC

Cite

RIS / Bibtex

APA

Bekçioğulları, M. F., Dikici, B., Açıkgöz, H., & Özbay, S. (2025). TRAFİK İŞARETLERİNİN TESPİTİNDE FARKLI YOLO MODELLERİNİN KARŞILAŞTIRILMASI. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 28(1), 138-150. https://doi.org/10.17780/ksujes.1524094

Cited By

Helmet Detection System with YOLO Architecture in Real-Time Construction Site Cameras

Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi

https://doi.org/10.54365/adyumbd.1757010

TRAFİK İŞARETLERİNİN TESPİTİNDE FARKLI YOLO MODELLERİNİN KARŞILAŞTIRILMASI

THE COMPARISON OF DIFFERENT YOLO MODELS FOR TRAFFIC SIGN DETECTION

Abstract

Keywords

TRAFİK İŞARETLERİNİN TESPİTİNDE FARKLI YOLO MODELLERİNİN KARŞILAŞTIRILMASI

Öz

Anahtar Kelimeler

References

Details

Primary Language

Subjects

Journal Section

Authors

Publication Date

Submission Date

Acceptance Date

Published in Issue

DOI

IZ

Cite

Cited By

Helmet Detection System with YOLO Architecture in Real-Time Construction Site Cameras