Faster R-CNN Evrişimsel Sinir Ağı Üzerinde Geliştirilen ModelinDerin Öğrenme Yöntemleri ile Doğruluk Tahmini ve Analizi:Nesne Tespiti Uygulaması

Accuracy Estimation and Analysis of The Model Developed on The Faster R-CNN Evolutionary Neural Network Using Deep Learning Methods: Object Detection Application

Özet

Günümüz teknolojisiyle sonuçların daha doğru şekilde elde edilmesi için yapay zeka, makine öğrenmesi ve derin öğrenmealgoritmalarından faydalanılarak başarılı sonuçlar elde edilmeye çalışılmaktadır. Literatürdeki çalışmalar içerisinde, başarı (succes) vekayıp oranlarının (loss), seçilen algoritmaların performanslarını etkileyen en önemli faktörlerin; farklı eğitim adımları (epoch) ve verisetlerindeki karmaşık olduğu tespit edilmiştir. Bu çalışmada, belirli bir algoritmanın belirlenmiş bir nesneden oluşturulan veri setiüzerinde çalıştırılarak başarılı bir şekilde tespit etme işleminin gerçekleştirilmesi hedeflenmiştir. Gerçekleştirilen bu çalışmada FasterR-CNN (Faster Region Based Convolutional Networks) evrişimsel sinir ağı kullanılarak 18 ayrı deney içerisinde 502 adet görüntü ileoluşturulan veri setinin derin öğrenme teknikleriyle nesne tespit işlemi gerçekleştirilmiştir. Nesne tanıma yaparken fotoğraf, video veanlık olarak görüntü alınabilecek kamera seçeneklerinin bulunduğu ara yüz tasarlanmıştır. Çalışmada farklı eğitim adımları ile modelieğitip, en doğru oranla tahmin yapan eğitim adımı değeri bulunmaya çalışılmıştır. Eğitim sürecinde en başarılı tahmin oranınınbulunması için ise farklı eğitim adımlarıyla deneyler gerçekleştirilmiştir. Yapılan toplam 100.000 eğitim adımlık eğitimin sonucundaelde edilen başarı oranı %97,835 ve kayıp oranı %2,165’tir.

Abstract

With today's technology, successful results are tried to be achieved by using artificial intelligence, machine learning and deep learningalgorithms in order to obtain the results more accurately. In studies in the literature, it has been found that success and loss rates, themost important factors affecting the performance of selected algorithms, are complex in different training steps (epoch) and data sets.In this study, it is aimed to successfully detect a particular algorithm by running it on a dataset created from a specified object. In thisstudy, object detection was performed using deep learning techniques of the data set created with 502 images in 18 separate experimentsusing the Faster R-CNN (Faster Region Based Convolutional Networks) convolutional neural network. An interface is designed withcamera options that can take photos, videos, and images instantly when deconstructing objects. In the study, we tried to find the valueof the training step that trains the model with different training steps and estimates the most accurate ratio. In order to find the most successful prediction rate in the training process, experiments were conducted with different training steps. A total of 100,000 trainingsteps, the success rate achieved as a result of the training is 97.835% and the loss rate is 2,165%.