MAKİNE ÖĞRENMESİ İLE GERÇEK ZAMANLI SİLAH TESPİT SİSTEMİ

Abstract

Ruhsatsız silahların yaygınlığı ve silahlı suçların artışı, kamu güvenliği açısından ciddi bir tehdit oluşturmaktadır. Bu çalışmada, güvenlik kamerası sistemlerinde gerçek zamanlı silah tespiti amacıyla YOLOv11, RT-DETR, SSD-Lite + MobileNetV3-Large ve FCOS modelleri karşılaştırmalı olarak değerlendirilmiştir. Üç farklı açık kaynak veri setinin birleştirilmesiyle oluşturulan 10.824 görüntülük veri seti kullanılmış, model performansları Precision, Recall, mAP@50 ve mAP@50:95 metrikleri üzerinden analiz edilmiştir. Deneysel sonuçlar, RT-DETR modelinin %99.7 Recall, %97.3 Precision ve yaklaşık %90 F1 skoru ile en yüksek performansı sergilediğini ortaya koymuştur. Web kamerası üzerinden gerçekleştirilen testlerde RT-DETR, değişken aydınlatma koşullarında tutarlı performans göstermiş ve silaha benzer nesnelerde düşük yanlış pozitif oranı sağlamıştır. Elde edilen bulgular, RT-DETR modelinin güvenlik odaklı uygulamalar için umut vadeden bir yaklaşım sunduğunu göstermektedir.

Keywords

• Silah tespiti
• Derin öğrenme
• RT-DETR
• Gerçek zamanlı nesne tespiti
• Güvenlik kamerası sistemleri

REAL-TIME WEAPON DETECTION SYSTEM USING MACHINE LEARNING

Abstract

The prevalence of unlicensed firearms and the rise in gun-related crimes pose a serious threat to public safety. In this study, four deep learning models—YOLOv11, RT-DETR, SSD-Lite + MobileNetV3-Large, and FCOS—were comparatively evaluated for real-time weapon detection in surveillance systems. A dataset of 10,824 images, created by merging three open-source datasets, was used, and model performance was analyzed using Precision, Recall, mAP@50, and mAP@50:95 metrics. Experimental results demonstrated that RT-DETR achieved the highest performance with 99.7% Recall, 97.3% Precision, and approximately 90% F1 score. In real-time webcam tests, RT-DETR showed consistent detection under varying lighting conditions and maintained a low false positive rate for weapon-like objects. The findings suggest that RT-DETR offers a promising approach for security-oriented applications.

Keywords

• Weapon detection
• Deep learning
• RT-DETR
• Real-time object detection
• Security camera systems

References

1. S.A. Swanson, M. Miller, Toward a clearer understanding of what works to reduce gun violence: the role of falsification strategies, Am. J. Epidemiol. 193 (8) (2024) 1061–1065.
2. A. Yasuntimur, G.İ. Öğünç, Bireysel silahlanma ve şiddet: Ateşli silah şiddetinin güncel durumu, Güvenlik Bilimleri Dergisi 11 (1) (2022) 167–200.
3. İçişleri Bakanlığı, İçişleri Bakanımız Sayın Ali Yerlikaya, TBMM Genel Kurulu 2025 Bütçe Görüşmelerine katıldı [Basın Açıklaması], T.C. İçişleri Bakanlığı, 2024. Available from: https://icisleri.gov.tr/icisleri-bakanimiz-sayin-ali-yerlikaya-tbmm-genel-kurulunda-yapilan-butce-gorusmelerinde-konustu.
4. P. Aggarwal, S. Thapliyal, C.R. Singh, V. Kukreja, S. Mehta, Advanced computational approaches to gun detection with CNN-SVM model, in: Proceedings of the 5th International Conference for Emerging Technology, INCET 2024, IEEE, 2024, pp. 1–6.
5. Centers for Disease Control and Prevention, Fast facts: firearm injury and death, U.S. Department of Health & Human Services, 2024. Available from: https://www.cdc.gov/firearm-violence/data-research/facts-stats/index.html.
6. T. Santos, H. Oliveira, A. Cunha, Systematic review on weapon detection in surveillance footage through deep learning, Comput. Sci. Rev. 51 (2024) 100612.
7. S. Kan, Building Layered Defenses to Reduce Illegal Gun Violence, Ark. L. Rev. 78 (2025) 55.
8. N.U. Akıncıoğlu, Akıllı şehirlerde önleyici güvenlik: Sensör ağları ve CCTV’nin etkinliği üzerine nitel bir değerlendirme, İDEALKENT (50) (2025) 469–496.

9. F. Bahar, Küresel güvenlik tedbirleri. Gözetleme olgusu bağlamında özel güvenlik ve mobese kameraları, 2022.
10. P. Vennam, P. TC, T. BM, Y.G. Kim, P.K. BN, Attacks and preventive measures on video surveillance systems: A review, Appl. Sci. 11 (12) (2021) 5571.
11. D.M. Wood, K. Ball, D. Lyon, C. Norris, C. Raab, A report on the surveillance society, Surveillance Studies Network, UK, 2006, pp. 1–98.
12. A.H. Ashraf, M. Imran, A.M. Qahtani, A. Alsufyani, O. Almutiry, A. Mahmood, et al., Weapons detection for security and video surveillance using cnn and YOLO-v5s, CMC-Comput. Mater. Contin. 70 (4) (2022) 2761–2775.
13. Cumhurbaşkanlığı Dijital Dönüşüm Ofisi, Ulusal Yapay Zeka Stratejisi 2021-2025, T.C. Resmî Gazete (Sayı: 31574), 2021. Available from: https://cbddo.gov.tr/uyzs.
14. Anadolu Ajansı, Türkiye'nin İlk Ulusal Yapay Zeka Stratejisi açıklandı, Anadolu Ajansı, 2021. Available from: https://www.aa.com.tr/tr/bilim-teknoloji/turkiyenin-ilk-ulusal-yapay-zeka-stratejisi-aciklandi/2344314.
15. TÜBİTAK, Yapay Zeka Ekosistem Çağrısı - 2024 (1711-YZE-2024), 2024. Available from: https://tubitak.gov.tr.
16. G. Wang, H. Ding, M. Duan, Y. Pu, Z. Yang, H. Li, Fighting against terrorism: A real-time CCTV autonomous weapons detection based on improved YOLO v4, Digit. Signal Process. 132 (2023) 103790.
17. P. Yadav, N. Gupta, P.K. Sharma, Robust weapon detection in dark environments using Yolov7-DarkVision, Digit. Signal Process. 145 (2024) 104342.
18. D. Berardini, L. Migliorelli, A. Galdelli, M.J. Marín-Jiménez, Edge artificial intelligence and super-resolution for enhanced weapon detection in video surveillance, Eng. Appl. Artif. Intell. 140 (2025) 109684.
19. J. Lai, S. Maples, Developing a real-time gun detection classifier, Course: CS231n, Stanford University, 2017.
20. M.K. el den Mohamed, A. Taha, H.H. Zayed, Automatic gun detection approach for video surveillance, Int. J. Sociotechnology Knowl. Dev. 12 (1) (2020) 49–66.
21. Roboflow, Person-Weapon Datasets Computer Vision Model, Roboflow Universe, 2024. Available from: https://universe.roboflow.com/school-fin7c/person-weapon-datasets.
22. Instituto Superior de Engenharia de Coimbra, Gun Surveillance Computer Vision Model, Roboflow Universe, 2024. Available from: https://universe.roboflow.com/instituto-superior-de-engenharia-de-coimbra-bgn4r/gun-surveilence.
23. PU-SCBFP, Weapon Dataset, Roboflow, 2024. Available from: https://app.roboflow.com/pu-scbfp/weapon-ojmsr-7ly42/.
24. Ultralytics, YOLOv11: State-of-the-art real-time object detection, 2024. Available from: https://docs.ultralytics.com/models/yolo11/.
25. R. Khanam, M. Hussain, Yolov11: An overview of the key architectural enhancements, arXiv preprint, arXiv:2410.17725 (2024).
26. Y. Zhao, W. Lv, S. Xu, J. Wei, G. Wang, Q. Dang, et al., Detrs beat yolos on real-time object detection, in: Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, CVPR 2024, 2024, pp. 16965–16974.
27. A. Howard, M. Sandler, G. Chu, L.C. Chen, B. Chen, M. Tan, et al., Searching for mobilenetv3, in: Proceedings of the IEEE/CVF International Conference on Computer Vision, ICCV 2019, 2019, pp. 1314–1324.
28. Z. Tian, C. Shen, H. Chen, T. He, Fcos: Fully convolutional one-stage object detection, in: Proceedings of the IEEE/CVF International Conference on Computer Vision, ICCV 2019, 2019, pp. 9627–9636.