Dalveren, Gonca Gökçe MenekşeAbdulghanı, Abdulghanı Mawlood A.ghanıInformation Systems Engineering2024-07-072024-07-072021https://hdl.handle.net/20.500.14411/5413Bu tezde, hem zorlu hava koşullarında hem de karanlıkta daha iyi nesne tespiti açısından YOLOv4 ile YOLOv3 ve Faster R-CNN'yi karşılaştırıyoruz. Yağmurlu, sisli ve karlı hava koşullarında ve hatta geceleri yayalar, arabalar, otobüsler ve motosikletler gibi hareket eden nesneleri tespit etmek zor olabilir. Bu çalışma, hiçbirinin başlangıçta kötü hava koşullarında veya geceleri performans göstermesinin amaçlanmadığını akılda tutarak, bu tür durumlarda hangisinin en iyi performansı gösterdiğini belirlemek için üç modülü değerlendirmeyi amaçlamaktadır. Bu çalışma Tesla P4 GPU, 12GB RAM kullanılarak yapılmıştır. Bu algoritmaları, YOLOv4'ün 40.000 yineleme, 72 mAP ve 0.63 geri çağırma ile en iyi sonuçları aldığı bir açık görüntü veri seti ile eğittik. Öte yandan, YOLOv3 36000 yinelemede, 65.53 mAP'de ve 0.54 geri çağırma'da maksimum puan almıştır. Son olarak, Faster R-CNN 36000 yineleme, 51 mAP ve 0.49 geri çağırma elde etmiştir. Algılama performansı değerlendirmesi açısından, 30 FPS ile videoda YOLOv4 42 FPS'de, YOLOv3 37 FPS'de ve Faster R-CNN 10 FPS'de performans göstermiştir. Elde edilen sonuçlara göre, YOLOv4, YOLOv3 ve Faster R-CNN'ye kıyasla en iyi performansı göstermiştir.In this thesis, we compare YOLOv4 with YOLOv3 and Faster R-CNN in terms of better object detection in both challenging weather conditions and darkness. Moving objects such pedestrians, cars, buses and motorcycles can be difficult to detect in rainy, foggy and snowy weather conditions or even at night. This study is aimed at evaluating the three modules to determine which perform best in such circumstances, bearing in mind that none of them was initially intended to perform in bad weather conditions or at night. This Study is done by utilizing Tesla P4 GPU, with 12GB RAM. We trained these algorithms with an Open-Image dataset, where YOLOv4 has scored the best results at 40,000 iterations, 72 mAP, and 0.63 Recall. On the other hand, YOLOv3 has scored maximum at 36000 iterations, 65.53 mAP, and 0.54 Recall. Finally, Faster R-CNN scored 36,000 iterations, 51 mAP, and 0.49 Recall. In terms of detection performance evaluation, YOLOv4 performed at 42 FPS, while YOLOv3 was at 37 FPS and Faster R-CNN at 10 FPS in video with 30 FPS. Based on the results, YOLOv4 has performed the best in comparison to YOLOv3 and Faster R-CNN.enBilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolComputer Engineering and Computer Science and ControlMaster Thesis7047020105