ENDÜSTRİYEL SAHALARDA İŞ GÜVENLİĞİ İÇİN YOLO-V8 VE DEEPSORT İLE BİR DERİN GÖRÜ ÇALIŞMASI

Mehmet Koçoğlu; Yusuf Özçevik

TR EN

ENDÜSTRİYEL SAHALARDA İŞ GÜVENLİĞİ İÇİN YOLO-V8 VE DEEPSORT İLE BİR DERİN GÖRÜ ÇALIŞMASI

Öz

Endüstri 4.0 kavramıyla birlikte son yıllarda birçok iş kolu farklı dijital çözümleri çalışma sahalarına entegre etmektedir. İş güvenliği konusu dijital çözümlerin konu edindiği en yaygın başlıklardan biridir. Çalışma sahasında iş güvenliğini riske atması muhtemelen unsurların tespiti ve takibi, kazaların ve iş gücü kayıplarının önlenmesi için önem arz etmektedir. Bu çalışmada, şantiye ortamlarında işçi güvenliği ve denetim süreçlerinin dijitalleştirilmesine katkı sağlamak amacıyla geliştirilen, derin öğrenme tabanlı bir nesne tespit ve takip sistemi sunulmaktadır. Bu amaçla, ilk olarak baret, telefon ve sigara görsellerinden oluşan bir veri seti oluşturulmuştur ve çeşitli açılar, ışık koşulları ve senaryolar dikkate alınarak veri seti üzerinde genişletme ve dengeleme işlemleri uygulanmıştır. Daha sonra, derin öğrenme tabanlı YOLO-v8 algoritması ile gerçek zamanlı nesne tespiti yapmak üzere çeşitli hiper-parametreler ile model eğitimleri gerçekleştirilmiştir. Aynı zamanda, DeepSORT algoritması önerilen sisteme entegre edilerek başarım testleri yapılmıştır. Son olarak, kayıp fonksiyonlarına (konumlandırma kaybı, sınıflandırma kaybı, dağılım odaklı kayıp) ve yaygın nesne tespit ve takip metriklerine (kesinlik, duyarlılık, mAP, FPS, IDF1, IDs, MOTA, MOTP) göre elde edilen başarım değerleri literatürde yer alan çeşitli veri setleri üzerinde eğitilmiş farklı derin öğrenme modelleri ile karşılaştırılmıştır. Elde edilen bulgular, önerilen sistemin yüksek doğruluk oranı ile gerçek zamanlı izleme ve otomatik denetim uygulamaları için etkin şekilde kullanılabileceğini göstermektedir.

Anahtar Kelimeler

A DEEP VISION STUDY WITH YOLO-V8 AND DEEPSORT FOR OCCUPATIONAL SAFETY IN INDUSTRIAL SITES

Öz

In the era of Industry 4.0, many businesses have been integrating different digital solutions into their work sites recently. The subject of occupational safety is one of the topics covered by digital solutions. Detection and tracking of elements that are likely to endanger occupational safety in the work site are important for preventing accidents and workforce losses. In this study, a deep learning-based object detection and tracking system developed to contribute to the digitalization of worker safety and inspection processes in construction site environments is presented. For this purpose, firstly, a dataset consisting of helmet, phone and cigarette images is created, expanded and balanced by considering various angles, light conditions and scenarios. Then, models are trained with respect to varying hyper-parameters to perform real-time object detection with the deep learning-based YOLO-v8 algorithm. Meanwhile, the DeepSORT algorithm is integrated into the proposed system and performance tests are performed. Finally, performance values obtained according to loss functions (positioning loss, classification loss, distribution-oriented loss) and common object detection and tracking metrics (precision, recall, mAP, FPS, IDF1, IDs, MOTA, MOTP) were compared with different deep learning models trained on various datasets found in the literature. The findings show that the proposed system can be used effectively for real-time monitoring and automatic control applications with high accuracy.

Anahtar Kelimeler

Kaynakça

Alkandary, K., Yildiz, A. S., & Meng, H. (2025). A comparative study of YOLO series (v3–v10) with DeepSORT and StrongSORT: A real-time tracking performance study. Electronics, 14(5), 876. https://doi.org/10.3390/electronics14050876
Azhar, M. I. H., Zaman, F. H. K., Tahir, N. M., & Hashim, H. (2020, August). People tracking system using DeepSORT. In 2020 10th IEEE international conference on control system, computing and engineering (ICCSCE) (pp. 137-141). IEEE. https://doi.org/10.1109/ICCSCE50387.2020.9204956
Bao, Z. (2024, September). The UAV Target Detection Algorithm Based on Improved YOLO V8. In Proceedings of the International Conference on Image Processing, Machine Learning and Pattern Recognition (pp. 264-269). https://doi.org/10.1145/3700906.3700949
Bekçioğulları, M. F., Dikici, B., Açıkgöz, H., Özbay, S. (2025). Trafik İşaretlerinin Tespitinde Farklı Yolo Modellerinin Karşılaştırılması. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 28(1), 138-150. https://doi.org/10.17780/ksujes.1524094
Brad, R. Cãzilã, M., Brad, R. (2025). A Comparison of Multi-Object Tracking Methods in Image Sequences. Journal of Artificial Intelligence and Autonomous Intelligence, 2 (3), 385-409. https://dx.doi.org/10.54364/JAIAI.2024.1123
Cao J. (2024). Joint C2f and Joint Loss Object Detection Based on YOLOv5. In Proceedings of the 1st International Conference on Engineering Management, Information Technology and Intelligence - Volume 1: EMITI; ISBN 978-989-758-713-9, SciTePress, pages 452-457. https://doi.org/10.5220/0012950800004508
Ciaparrone, G., Sánchez, F. L., Tabik, S., Troiano, L., Tagliaferri, R., & Herrera, F. (2020). Deep learning in video multi-object tracking: A survey. Neurocomputing, 381, 61-88. https://doi.org/10.1016/j.neucom.2019.11.023
Çavdar, U., Manyaslı, M., Akkaya, E., Sevener, D., et al. (2022). Yaşanan İş Kazalarının Kaza Saatlerine ve Cinsiyete Göre İstatistiki Olarak Değerlendirilmesi ve Yorumlanması. International Journal of Engineering Research and Development, 14(1), 360-368. https://doi.org/10.29137/umagd.880158

Du, Y., Zhao, Z., Song, Y., Zhao, Y., Su, F., Gong, T., & Meng, H. (2023). Strongsort: Make deepsort great again. IEEE Transactions on Multimedia, 25, 8725-8737. https://doi.org/10.1109/TMM.2023.3240881
Duong-Trung, H., & Duong-Trung, N. (2024). Integrating YOLOv8-agri and DeepSORT for advanced motion detection in agriculture and fisheries. EAI Endorsed Transactions on Industrial Networks and Intelligent Systems, 11(1), e4. https://doi.org/10.4108/eetinis.v11i1.4618
Fang, C., Li, C., Yang, P., Kong, S., Han, Y., Huang, X., & Niu, J. (2024). Enhancing livestock detection: An efficient model based on YOLOv8. Applied Sciences, 14(11), 4809. https://doi.org/10.3390/app14114809
Gedik, Y. (2021). Endüstri 4.0 Teknolojilerinin ve Endüstri 4.0’ın Üretim ve Tedarik Zinciri Kapsamındaki Etkileri: Teorik Bir Çerçeve. JOEEP: Journal of Emerging Economies and Policy, 6(1), 248-264. https://izlik.org/JA77BU94UZ
Geetha, A. S. (2024). What is YOLOv6? A Deep Insight into the Object Detection Model. arXiv e-prints, arXiv-2412. https://doi.org/10.48550/arXiv.2412.13006
Gözüak, M. H., & Ceylan, H. (2021). Türkiye’de inşaat sektöründe meydana gelen iş kazalarının iş sağlığı ve güvenliği bağlamında analizi: Güncel eğilimlere genel bir bakış. Sağlık Akademisyenleri Dergisi, 8(2), 133-143. https://izlik.org/JA44KB94GM
Greenfield, D. (2020). Safety and health at the heart of the past, present, and future of work: A perspective from the international labour organization. American Journal of Public Health, 110(5), 646. https://doi.org/10.2105/AJPH.2020.305633
Hussain, M. (2023). YOLO-v1 to YOLO-v8, the Rise of YOLO and Its Complementary Nature toward Digital Manufacturing and Industrial Defect Detection. Machines, 11(7), 677. https://doi.org/10.3390/machines11070677
Jiang, P., Ergu, D., Liu, F., Cai, Y., & Ma, B. (2022). A Review of Yolo algorithm developments. Procedia Computer Science, 199, 1066-1073. https://doi.org/10.1016/j.procs.2022.01.135
Kim, J. H., Kim, N., & Won, C. S. (2023, June). High-speed drone detection based on yolo-v8. In ICASSP 2023-2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) (pp. 1-2). IEEE. https://doi.org/10.1109/ICASSP49357.2023.10095516
Li, X., Wang, W., Wu, L., Chen, S., Hu, X., Li, J., Tang. J. & Yang, J. (2020). Generalized focal loss: Learning qualified and distributed bounding boxes for dense object detection. Advances in Neural Information Processing Systems, 33, 21002-21012. https://papers.nips.cc/paper_files/paper/2020
Lin, B. (2024). Safety helmet detection based on improved YOLOv8. IEEE Access, 12, 28260-28272. https://doi.org/10.1109/ACCESS.2024.3368161
Liu, J., Zhang, H., Lv, G., Liu, P., Hu, S., & Xiao, D. (2024). Helmet wearing detection algorithm based on YOLOv5s-FCW. Applied Sciences, 14(21), 9741. https://doi.org/10.3390/app14219741
Lu, P., Jia, Y., Zeng, W., & Wei, P. (2024). CDF-YOLOv8: City Recognition System Based on Improved YOLOv8. IEEE Access, 12, 143745-143753. https://doi.org/10.1109/ACCESS.2024.3471690
Ornek, A., & Ceylan, M. (2024). Haycam vs Eigencam for Weakly-Supervised Object Detection Across Varying Scales. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 27(3), 1078-1088. https://doi.org/10.17780/ksujes.1430479
Pereira, R., Carvalho, G., Garrote, L., & Nunes, U. J. (2022). Sort and deep-SORT based multi-object tracking for mobile robotics: Evaluation with new data association metrics. Applied Sciences, 12(3), 1319. https://doi.org/10.3390/app12031319
Punn, N. S., Sonbhadra, S. K., Agarwal, S., & Rai, G. (2020). Monitoring COVID-19 social distancing with person detection and tracking via fine-tuned YOLO v3 and Deepsort techniques. arXiv preprint arXiv:2005.01385. https://doi.org/10.48550/arXiv.2005.01385
Qian, Q., Chen, L., Li, H., & Jin, R. (2020). Dr loss: Improving object detection by distributional ranking. In Proceedings of the IEEE/CVF conference on computer vision and pattern recognition (pp. 12164-12172). https://www.computer.org/csdl/proceedings-article/cvpr/2020/716800m2161/1m3nDnZ5aQU
Sharma, N., Baral, S., Paing, M. P., & Chawuthai, R. (2023). Parking time violation tracking using YOLOv8 and tracking algorithms. Sensors, 23(13), 5843. https://doi.org/10.3390/s23135843
Sheng, W., Shen, J., Huang, Q., Liu, Z., & Ding, Z. (2024). Multi-objective pedestrian tracking method based on YOLOv8 and improved DeepSORT. Mathematical Biosciences and Engineering, 21(2), 1791. https://doi.org/10.3934/mbe.2024077
Song, X., Zhang, T., & Yi, W. (2024). An improved YOLOv8 safety helmet wearing detection network. Scientific Reports, 14(1), 17550. https://doi.org/10.1038/s41598-024-68446-z
Soydan, K. B. (2022). Endüstri 4.0 Çağında İş Sağlığı ve Güvenliği Uygulamalarındaki Teknolojik Gelişmeler. Yüksek Lisans Tezi. İzmir Bakırçay Üniversitesi Lisansüstü Eğitim Enstitüsü İş Sağlığı ve Güvenliği Anabilim Dalı, İzmir 90s.
Şahin, M. E., & Topaloglu, İ. (2021). Endüstri 4.0’ın İş Sağlığı ve Güvenliğine Katkıları ve Hata Türü ve Etkileri Analizi (FMEA) Risk Değerlendirme Metoduyla Ambulansta Bir İnceleme. Takvim-I Vekayi, 9(2), 66-94. https://izlik.org/JA33BR38TR
Talaat, F. M., & ZainEldin, H. (2023). An improved fire detection approach based on YOLO-v8 for smart cities. Neural Computing and Applications, 35(28), 20939-20954. https://doi.org/10.1007/s00521-023-08809-1
Wang, D., Zhu, H., Zhao, Y., & Shi, J. (2025). A method for constructing a loss function for multi-scale object detection networks. Sensors, 25(6), 1738. https://doi.org/10.3390/s25061738
Wang, H., & Liang, Y. (2024, October). Foreign Object Detection Method in Transmission Lines Based on Improved YOLOv8. In 2024 5th International Conference on Machine Learning and Computer Application (ICMLCA) (pp. 484-488). IEEE. https://doi.org/10.1109/ICMLCA63499.2024.10754188
Xiang, Y., Du, C., Mei, Y., Zhang, L., Du, Y., & Liu, A. (2024). BN-YOLO: a lightweight method for bird’s nest detection on transmission lines. Journal of Real-Time Image Processing, 21(6), 1-14. https://doi.org/10.1007/s11554-024-01577-8
Yu, W., Liu, Y., Yang, X., Xie, R., & Wang, C. (2024). YoloSortC3D: a YOLOv8, DeepSort, and C3D-based method for sheep rumination behavior recognition. Applied Sciences, 14(23), 10801. https://doi.org/10.3390/app142310801
Zhang, Y., Huang, S., Qin, J., Li, X., Zhang, Z., Fan, Q., & Tan, Q. (2025). Detection of helmet use among construction workers via helmet-head region matching and state tracking. Automation in Construction, 171, 105987. https://doi.org/10.1016/j.autcon.2025.105987
Zong, C., Meng, K., Sun, J., & Zhou, Q. (2023, September). Real time object recognition based on YOLO model. In 2023 3rd International Conference on Electronic Information Engineering and Computer Science (EIECS) (pp. 197-202). IEEE. doi.org/10.1109/EIECS59936.2023.10435392

Ayrıntılar

Birincil Dil

Türkçe

Konular

Yapay Görme, Bilgisayar Yazılımı

Bölüm

Araştırma Makalesi

Yazarlar

Mehmet Koçoğlu
0009-0006-8806-3373
Türkiye

Yusuf Özçevik ^*
0000-0002-0943-9226
Türkiye

Yayımlanma Tarihi

3 Haziran 2026

Gönderilme Tarihi

5 Temmuz 2025

Kabul Tarihi

18 Mayıs 2026

Yayımlandığı Sayı

Yıl 2026 Cilt: 29 Sayı: 2

IZ

https://izlik.org/JA39TM69SN

Kaynak Göster

RIS / Bibtex

APA

Koçoğlu, M., & Özçevik, Y. (2026). ENDÜSTRİYEL SAHALARDA İŞ GÜVENLİĞİ İÇİN YOLO-V8 VE DEEPSORT İLE BİR DERİN GÖRÜ ÇALIŞMASI. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 29(2), 931-947. https://izlik.org/JA39TM69SN

AMA

1.Koçoğlu M, Özçevik Y. ENDÜSTRİYEL SAHALARDA İŞ GÜVENLİĞİ İÇİN YOLO-V8 VE DEEPSORT İLE BİR DERİN GÖRÜ ÇALIŞMASI. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi. 2026;29(2):931-947. https://izlik.org/JA39TM69SN

Chicago

Koçoğlu, Mehmet, ve Yusuf Özçevik. 2026. “ENDÜSTRİYEL SAHALARDA İŞ GÜVENLİĞİ İÇİN YOLO-V8 VE DEEPSORT İLE BİR DERİN GÖRÜ ÇALIŞMASI”. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi 29 (2): 931-47. https://izlik.org/JA39TM69SN.

EndNote

Koçoğlu M, Özçevik Y (01 Haziran 2026) ENDÜSTRİYEL SAHALARDA İŞ GÜVENLİĞİ İÇİN YOLO-V8 VE DEEPSORT İLE BİR DERİN GÖRÜ ÇALIŞMASI. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi 29 2 931–947.

IEEE

[1]M. Koçoğlu ve Y. Özçevik, “ENDÜSTRİYEL SAHALARDA İŞ GÜVENLİĞİ İÇİN YOLO-V8 VE DEEPSORT İLE BİR DERİN GÖRÜ ÇALIŞMASI”, Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, c. 29, sy 2, ss. 931–947, Haz. 2026, [çevrimiçi]. Erişim adresi: https://izlik.org/JA39TM69SN

ISNAD

Koçoğlu, Mehmet - Özçevik, Yusuf. “ENDÜSTRİYEL SAHALARDA İŞ GÜVENLİĞİ İÇİN YOLO-V8 VE DEEPSORT İLE BİR DERİN GÖRÜ ÇALIŞMASI”. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi 29/2 (01 Haziran 2026): 931-947. https://izlik.org/JA39TM69SN.

JAMA

1.Koçoğlu M, Özçevik Y. ENDÜSTRİYEL SAHALARDA İŞ GÜVENLİĞİ İÇİN YOLO-V8 VE DEEPSORT İLE BİR DERİN GÖRÜ ÇALIŞMASI. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi. 2026;29:931–947.

MLA

Koçoğlu, Mehmet, ve Yusuf Özçevik. “ENDÜSTRİYEL SAHALARDA İŞ GÜVENLİĞİ İÇİN YOLO-V8 VE DEEPSORT İLE BİR DERİN GÖRÜ ÇALIŞMASI”. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, c. 29, sy 2, Haziran 2026, ss. 931-47, https://izlik.org/JA39TM69SN.

Vancouver

1.Mehmet Koçoğlu, Yusuf Özçevik. ENDÜSTRİYEL SAHALARDA İŞ GÜVENLİĞİ İÇİN YOLO-V8 VE DEEPSORT İLE BİR DERİN GÖRÜ ÇALIŞMASI. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi [Internet]. 01 Haziran 2026;29(2):931-47. Erişim adresi: https://izlik.org/JA39TM69SN