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

Year 2020, Issue: 20, 783 - 795, 31.12.2020

Okan Yılmaz , Hakan Aydın , Ali Çetinkaya

https://doi.org/10.31590/ejosat.753896

Abstract

Deep learning, which is home to many subjects such as object recognition, image processing, forecasting, has become a human need. In this study, object recognition is performed using deep learning techniques. Faster R-CNN (Faster Region Based Convolutional Networks) Network has developed and 502 images in the study “Cup” data set has created. Some of this data set has used for testing and the other for training. After observing the ways in which the glass can be recognized and not recognized by conducting different experiments, suggestions have made on how to increase the accuracy prediction rate. The Python library Tkinter library has used when designing the interface. The image that is to be detected is taken into a frame after the operations done, and a photograph is recorded with the correct estimate of the percentage of the image. If the video is the image that will be detected, the video will be displayed on the screen, while the video will be played, and the web cam will instantly display the object in the image in the frame.
In this study, which has performed using Object Detection API, we tried to find the epoch value that trains the model with different epoch values and makes the most accurate predictions. It has conducted using deep learning and Faster R-CNN on the data set generated over 18 separate experiments performed. In order to find the most successful prediction rate in the training process, experiments has conducted with different epoch numbers. A total of 100.000 Epoch's has achieved as a result of the education and the result of success is 0.97835 and loss ratio is 0.02165.

Keywords

Faster R-CNN, Object detection, Object Detection API

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

Abstract

Nesne tanıma, görüntü işleme, tahmin etme gibi birçok konuya ev sahipliği yapan derin öğrenme gün geçtikçe insanoğlunun ihtiyacı haline gelmeye başlamıştır. Bu çalışmada derin öğrenme teknikleri kullanılarak nesne tanıma işlemi yaptırılmaktadır. Faster R-CNN (Faster Region Based Convolutional Networks) ağı kullanılarak geliştirilen ve çalışma içerisinde 502 adet görüntü bulunan “Bardak” veri seti oluşturulmuştur. Oluşturulan bu veri setinin bir kısmı test için diğer bir kısmını ise eğitim yaptırmak amacıyla ikiye ayrılarak kullanılmıştır. Farklı deneyler yaparak bardağı hangi şekillerde tanıyıp, tanıyamadığını gözlemledikten sonra doğruluk tahmin oranını nasıl arttırılabileceği konusunda önerilerde bulunulmuştur. Nesne tanıma yaparken fotoğraf, video ve anlık olarak görüntü alabileceğimiz web cam seçeneklerinin bulunduğu ara yüz tasarlanmıştır. Ara yüz tasarlanırken Python kütüphanesi olan Tkinter kütüphanesinden yararlanılmıştır. Nesne tespiti yapılacak olan görüntü, yapılan işlemlerin ardından eğer fotoğraf ise nesnenin üzeri çerçeve haline alınarak yüzde kaç oranında doğru tahmin ettiği yazılı olan bir fotoğraf kaydedilmektedir. Nesne tespiti yapılacak olan görüntü video ise video oynatılırken video üzerindeki nesne çerçeve halinde yüzde kaç oranında tahmin ettiği yazılı olacak, web cam ise anlık olarak görüntü içerisindeki nesneyi çerçeve içerisine alarak ekranda göstermeye devam edecektir.
Object Detection API kullanılarak gerçekleştirilen bu çalışmada, farklı epoch değerleri ile modeli eğitip, en doğru oranla tahmin yapan epoch değeri bulunmaya çalışılmıştır. Gerçekleştirilen 18 ayrı deney üzerinde oluşturulan veri seti üzerinde derin öğrenme ve Faster R-CNN kullanılarak gerçekleştirilmiştir. Eğitim sürecinde en başarılı tahmin oranının bulunması için ise farklı epoch sayılarıyla deneyler gerçekleştirilmiştir. Yapılan toplam 100.000 Epoch’luk eğitimin sonucunda elde edilen başarı sonucu 0,97835‬ ve loss oranı 0,02165’dir.

Keywords

Faster R-CNN, Nesne tanıma, Object Detection API

References

• Viola, P., & Jones, M. (2001, December). Rapid object detection using a boosted cascade of simple features. In Proceedings of the 2001 IEEE computer society conference on computer vision and pattern recognition. CVPR 2001 (Vol. 1, pp. I-I). IEEE.
• Vurgun, Y. (2017). Biyometrik yüz tanımaya dayalı web üzerinden güvenli erişim sistemi tasarımı (Doctoral dissertation, Selçuk Üniversitesi Fen Bilimleri Enstitüsü).
• Danışman, A., Kaçar, İ., Danışman, E., & Yalçın, M. K. (2017). Renk ayrıştırıcı bant sisteminin görüntü işleme esaslı kontrolü.
• Çavdaroğlu, G. Ç. (2016). Trafik Yoğunluk Harita Görüntülerinin Görüntü İşleme Yöntemleriyle İşlenmesi. Akademik Platform Mühendislik ve Fen Bilimleri Dergisi, 5(2), 22-28.
• Bingöl, M. S. (2018). Grafik işleme ünitesi (GPU) tabanlı öğrenme kullanarak otonom araçlar için algılama sisteminin geliştirilmesi/Development of perception system for autonomous vehicles by using GPU-based learning.
• Ezel, E. (2018). Derin öğrenme yöntemi kullanılarak görüntü-tabanlı türk işaret dili tanıma (Doctoral dissertation, Selçuk Üniversitesi Fen Bilimleri Enstitüsü).
• Abusabra, A. K. (2018). Örüntü ve renk tabanlı mobil kıyafet arama motoru (Doctoral dissertation, Selçuk Üniversitesi Fen Bilimleri Enstitüsü).
• Yıldız, O. (2019). Derin öğrenme yöntemleriyle dermoskopi görüntülerinden melanom tespiti: Kapsamlı bir çalışma. Journal of the Faculty of Engineering & Architecture of Gazi University, 34(4).
• Alpaslan, N. (2019). Meme kanseri tanisi için derin öznitelik tabanli karar destek sistemi. Selçuk Üniversitesi Mühendislik, Bilim ve Teknoloji Dergisi, 7(1), 213-227.
• Bayram, F. (2020). Derin Öğrenme Tabanlı Otomatik Plaka Tanıma. Politeknik Dergisi.
• Döş, M. E., & Uysal, M. (2019). Uzaktan algılama verilerinin derin öğrenme algoritmaları ile sınıflandırılması. Türkiye Uzaktan Algılama Dergisi, 1(1), 28-34.
• Karacı, A. (2020). Fiziksel ve motor engelli çocukların öz bakım problemlerinin derin sinir ağları ile sınıflandırılması. Politeknik Dergisi.
• Kabadayı, A., & Uysal, M. (2019). İnsansiz hava aracı ile elde edilen verilerden binalarin tespiti. Türkiye İnsansız Hava Araçları Dergisi, 1(1), 8-14.
• Koç, M., & Özdemir, R. (2019). Yeni Bir Veri Kümesi (RidNet) Kullanarak Kontrolsüz Ortamda Yüz İfadesi Tanımanın Derin Öğrenme Yöntemleri ile İyileştirilmesi. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, 6(2).
• Sağbaş, E. A., Gökalp, O., & Uğur, A. (2019). Yüz İfadesi Tanıma için Mesafe Oranlarına Dayalı Öznitelik Çıkarımı ve Genetik Algoritmalar ile Seçimi. Veri Bilimi, 2(1), 19-29.
• Dandıl, E., Turkan, M., Boğa, M., & Çevik, K. K. (2019). Daha Hızlı Bölgesel-Evrişimsel Sinir Ağları ile Sığır Yüzlerinin Tanınması. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, 6, 177-189.
• Yabanova, İ., & Kaya, K. (2019). Kaynak değeri olan yaban hayvanlarının görüntü işleme tekniği ile tespiti ve sayımı. Pamukkale University Journal of Engineering Sciences, 25(2).
• Çam, F., & Güven, A. (2019). Dijital Mikroskop Altında Alınan Kan Hücresi Görüntülerinden Beyaz Kan Hücrelerinin Algılanması ve Sınıflandırılması. Electronic Letters on Science and Engineering, 15(3), 23-43.
• Arı, A., & Hanbay, D. (2018). Bölgesel evrişimsel sinir ağları tabanlı MR görüntülerinde tümör tespiti. Journal of the Faculty of Engineering & Architecture of Gazi University.
• Özkan, İ. N. İ. K., & Ülker, E. (2017). Derin Öğrenme ve Görüntü Analizinde Kullanılan Derin Öğrenme Modelleri. Gaziosmanpaşa Bilimsel Araştırma Dergisi, 6(3), 85-104.
• Nawaf, A. M. (2019). Görüntü işleme ve makine öğrenme yöntemleri kullanarak kumaş hata tespiti ve sınıflandırması. (Yüksek Lisans Tezi). Çukurova Üniversitesi Fen Bilimleri Enstitüsü, Adana.
• Akıncı, İ. B. (2017). Gerçek zamanlı olarak meyveleri görüntü işleme ile sınıflandıran otomasyon sistemi. (Yüksek Lisans Tezi). Karabük Üniversitesi Fen Bilimleri Enstitüsü, Karabük.
• Başarslan, Ş. (2018). Görüntü işleme teknikleri kullanarak sperm sayısı ve hareketliliğinin analizi. (Yüksek Lisans Tezi). Erciyes Üniversitesi Fen Bilimleri Enstitüsü, Kayseri.
• Karakuzulu, A. (2018). Kan hücrelerinin görüntü işleme teknikleriyle tespiti, sayılması ve sınıflandırılması. (Yüksek Lisans Tezi). Mersin Üniversitesi Fen Bilimleri Enstitüsü, Mersin.
• Abbas, S. S. I. (2019). Automatic Text Categorization of Turkish News with Machine Learning and Deep Learning Techniques (Doctoral dissertation, Ankara Yıldırım Beyazıt Üniversitesi Fen Bilimleri Enstitüsü), Ankara.
• Kabasakal, B. (2018). Uzaklık ve cinsiyet tabanlı akıllı reklam görüntüleme sistemi (Master's thesis, Başkent Üniversitesi Fen Bilimleri Enstitüsü), Ankara.
• Tombak, M. E. (2019). Python ve OpenCv ile yüz tanima ve otomatik Blur uygulaması. (Yüksek Lisans Tezi). Kırıkkale Üniversitesi Fen Bilimleri Enstitüsü, Kırıkkale.
• Çalık, R. C. (2018). Gömülü sistem üzerinde evrişimsel sinir ağları ile nesne sınıflandırması (Master's thesis, TOBB ETÜ Fen Bilimleri Enstitüsü), Ankara.
• Tanimu, M. B. (2019). Yer radarı ham verisi analizi ile kırıkların dalgacık ve derin öğrenme yöntemleri ile tespiti. (Yüksek Lisans Tezi). Yaşar Üniversitesi Fen Bilimleri Enstitüsü, İzmir.
• Rashid, M. K. (2019). Görüntü işleme teknikleri kullanılarak Antep fıstığının özellik tespiti ve sınıflandırılması. (Yüksek Lisans Tezi). Gaziantep Üniversitesi Fen Bilimleri Enstitüsü, Gaziantep.
• Erkan, Y. R. (2019). Görüntü işleme teknikleri kullanılarak mantar türlerinin tüketilebilirliğinin tespiti. (Yüksek Lisans Tezi). Selçuk Üniversitesi Fen Bilimleri Enstitüsü, Konya.
• Toptaş, M. (2018). Orman yangınlarının görüntü işleme yöntemleri ile tespit edilmesi ve sınıflandırılması. (Yüksek Lisans Tezi). İnönü Üniversitesi Fen Bilimleri Enstitüsü, Malatya.
• Sıddık, O. (2019). Görüntü işleme yöntemleri kullanarak otomatik spırulina tespiti. (Yüksek Lisans Tezi). Atılım Üniversitesi Fen Bilimleri Enstitüsü, Ankara.
• Faker Faker, O. M. (2019). Intrusion detection using big data and deep learning techniques (Master's thesis).
• Balq, A. A. A. (2019). Görüntü işleme tekniklerini kullanarak optik işaret tanima sistemi (Doctoral dissertation, Kastamonu Üniversitesi), Kastamonu.
• Uçar, M. U. (2019). Gerçek zamanlı görüntü işleme ile sınıf ortamındaki öğrencilerin tanınması ve dikkat dağınıklıklarının tespiti. (Yüksek Lisans Tezi). İskenderun Teknik Üniversitesi Mühendislik ve Fen Bilimleri Enstitüsü, Hatay.
• Tükel, T. (2019). Görüntü işleme ve evrişimsel sinir ağları kullanılarak diyabetik retinopati hastalığının tespiti. (Yüksek Lisans Tezi). Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü, Isparta.
• Aydın, M. (2019). Görüntü işleme tekniği ile granüler zeminlerde dane boyutu analizi. (Yüksek Lisans Tezi). Mersin Üniversitesi Fen Bilimleri Enstitüsü, Mersin.
• Gündüz, G. (2019). Derin öğrenme ile fotoğraftan yaş ve cinsiyet tespiti. (Yüksek Lisans Tezi). Sakarya Üniversitesi Fen Bilimleri Enstitüsü, Sakarya.
• Tan, Z. (2019). Derin öğrenme yardımıyla araç sınıflandırma. (Yüksek Lisans Tezi). Fırat Üniversitesi Fen Bilimleri Enstitüsü, Elazığ.
• Baykara, S. (2018). Ardışıl sınıflandırıcılar kullanılarak profil yüz sezimi. (Yüksek Lisans Tezi). Eskişehir Osmangazi Üniversitesi Fen Bilimleri Enstitüsü, Eskişehir.
• Mahmood, Z. S. (2019). İşaret dili ile akıllı kontrol sistemi. (Yüksek Lisans Tezi). Atatürk Üniversitesi Sosyal Bilimler Enstitüsü, Erzurum.
• Aki, K. (2019). Derin öğrenme tabanlı sürücüsüz araç sistemleri. (Yüksek Lisans Tezi). Bursa Uludağ Üniversitesi Fen Bilimleri Enstitüsü, Bursa.
• İşleyici, A. M. (2019). Derin öğrenme yaklaşımı ile RFID tabanlı 2 boyutlu konum belirleme uygulaması. (Yüksek Lisans Tezi). KTO Karatay Üniversitesi Fen Bilimleri Enstitüsü, Konya.
• Karim, M. K. (2019). Veri işleme için derin öğrenme teknikleri kullanarak yeni bir çerçeve. (Yüksek Lisans Tezi). Ankara Yıldırım Beyazıt Üniversitesi Fen Bilimleri Enstitüsü, Ankara.
• Ateş, E. (2019). Derin öğrenme ile sesli komut tanıma. (Yüksek Lisans Tezi). Eskişehir Osmangazi Üniversitesi Fen Bilimleri Enstitüsü, Eskişehir.
• Başarir, B. (2019). Derin öğrenme tabanlı nesne takibi. (Yüksek Lisans Tezi). Bursa Uludağ Üniversitesi Fen Bilimleri Enstitüsü, Bursa.
• Abdulkader, H. (2019). Derin öğrenme ile maksimum oksigen tüketimi tahmini. (Yüksek Lisans Tezi). Çukurova Üniversitesi Fen Bilimleri Enstitüsü, Adana.
• Mete, B. R. (2019). Derin öğrenme ile görüntü sınıflandırma. (Yüksek Lisans Tezi). İstanbul Üniversitesi-Cerrahpaşa / Lisansüstü Eğitim Enstitüsü, İstanbul.
• Tiryaki, B. (2019). Trafik işaretlerinin derin sinir ağları ile sınıflandırılması. Tez Yök. (Yüksek Lisans Tezi). Atatürk Üniversitesi Fen Bilimleri Enstitüsü, Erzurum.
• Çınar U. K. (2018). Yapay Sinir Ağları ve R Programıyla Uygulama, Yapay sinir ağı örneği görüntüsü, https://www.veribilimiokulu.com/yapay-sinir-aglari/, 21.05.2020.
• Arı, A., & Berberler, M. E. (2017). Yapay Sinir Ağları ile Tahmin ve Sınıflandırma Problemlerinin Çözümü İçin Arayüz Tasarımı. Acta Infologica, 1(2), 55-73.
• Özkan, İ. N. İ. K., & Ülker, E. (2017). Derin Öğrenme ve Görüntü Analizinde Kullanılan Derin Öğrenme Modelleri. Gaziosmanpaşa Bilimsel Araştırma Dergisi, 6(3), 85-104.