Görme Engelli Bireyler için Gerçek Zamanlı Nesne Tespiti: YOLOv8 ve YOLOv26 Modellerinin Karşılaştırmalı Bir Çalışması

Öz

Görme engeli, günlük yaşamda bağımsız hareket kabiliyetini ve çevre farkındalığını önemli ölçüde sınırlamaktadır. Mevcut yardımcı teknolojiler genellikle sınırlı bir bağlamsal anlayış sunmakta ve pasif geri bildirimlere dayanmaktadır; öte yandan, derin öğrenme tabanlı birçok tespit sistemi tespit edilen tüm nesneleri sürekli olarak seslendirerek gerçek dünya kullanımında bilişsel yükü artırmaktadır. Bu zorlukları ele almak amacıyla bu çalışma; aktif, kullanıcı odaklı bir çevre algısını desteklemek için gerçek zamanlı nesne tespitini, sesli komut etkileşimini ve yönsel işitsel geri bildirimi entegre eden iOS tabanlı bir mobil uygulama olan VisionAssist'i sunmaktadır. Sistem, Swift ve SwiftUI kullanılarak geliştirilmiş ve enerji verimliliği ile veri gizliliğini sağlamak amacıyla Apple'ın Core ML çerçevesi vasıtasıyla cihaz üzerinde çalıştırılmıştır. VisionAssist, kullanıcıların belirli nesneleri sözlü olarak talep etmelerine olanak tanır ve nesne yönü ile güvene dayalı güvenilirliği belirten mekansal işitsel ipuçları sağlar. YOLOv8 ve YOLOv26 arasında yapılan karşılaştırmalı bir değerlendirme, YOLOv8'in daha kararlı bir tanıma sunması sayesinde daha yüksek tespit doğruluğu ve daha iyi bir kullanılabilirlik elde ettiğini gösterirken, YOLOv26'nın daha düşük bilgi işlem ve enerji maliyetleri sunduğunu ancak tutarlılığının daha düşük olduğunu göstermektedir. Genel olarak, etkileşim kalitesi ve güvenilirlik açısından YOLOv8 tercih edilirken, YOLOv26 verimlilik odaklı kullanım senaryoları için daha uygundur. Ek olarak, güvene dayalı filtreleme, durumsal farkındalığı korurken gereksiz veya belirsiz geri bildirimleri azaltmaktadır. Sonuçlar, VisionAssist'in görme engelli bireyler için bağımsız navigasyonu ve çevre anlayışını geliştirmede pratik ve etkili bir yardımcı çözüm olduğunu göstermektedir.

Anahtar Kelimeler

• Yardımcı teknoloji
• bilgisayarlı görü
• derin öğrenme
• nesne tanıma
• YOLO

Destekleyen Kurum

TÜBİTAK

Proje Numarası

1919B012505985

Etik Beyan

Yazarlar, makalenin yürütülmesinde tüm etik standartlara uyulduğunu beyan ederler. Ayrıca, bu çalışma için etik kurul onayı, Recep Tayyip Erdoğan Üniversitesi Fen ve Mühendislik Bilimleri Etik Kurulu'ndan alınmıştır.

Teşekkür

Bu çalışma, 2025/1 başvuru döneminde Türkiye Bilimsel ve Teknolojik Araştırma Kurumu (TÜBİTAK) tarafından 2209-A Üniversite Öğrencileri Araştırma Projeleri Destekleme Programı kapsamında (Proje No: 1919B012505985) desteklenmiştir. Yazarlar, sağladığı finansal ve kurumsal desteklerden dolayı TÜBİTAK'a teşekkür eder.

Real-Time Object Detection for Visually Impaired Individuals: A Comparative Study of YOLOv8 and YOLOv26

Öz

Visual impairment significantly limits independent mobility and environmental awareness in daily life. Existing assistive technologies often provide limited contextual understanding and rely on passive feedback, while many deep learning-based detection systems continuously announce all detected objects, increasing cognitive load in real-world use. To address these challenges, this study presents VisionAssist, an iOS-based mobile application that integrates real-time object detection, voice command interaction, and directional auditory feedback to support active, user-centered environmental perception. The system is implemented using Swift and SwiftUI and deployed on-device via Apple’s Core ML framework, ensuring energy efficiency and data privacy. VisionAssist enables users to verbally request specific objects and provides spatial auditory cues indicating object direction and confidence-based reliability. A comparative evaluation between YOLOv8 and YOLOv26 shows that YOLOv8 achieves higher detection accuracy and better usability due to more stable recognition, while YOLOv26 offers lower computational and energy costs but reduced consistency. Overall, YOLOv8 is preferred for interaction quality and trustworthiness, whereas YOLOv26 is more suitable for efficiency-focused use cases. Additionally, confidence-based filtering reduces unnecessary or ambiguous feedback while maintaining situational awareness. The results demonstrate that VisionAssist is a practical and effective assistive solution for improving independent navigation and environmental understanding for visually impaired individuals.

Anahtar Kelimeler

• Assistive technology
• computer vision
• deep learning
• object detection
• YOLO

Destekleyen Kurum

The Scientific and Technological Research Council of Türkiye (TÜBİTAK)

Proje Numarası

1919B012505985

Etik Beyan

Ethical approval for this study was granted by the Faculty of Science and Engineering Ethics Committee of Recep Tayyip Erdoğan University, ensuring that all procedures complied with institutional research ethics standards.

Teşekkür

This work was supported by the Scientific and Technological Research Council of Türkiye (TÜBİTAK) under the 2209-A Research Project Support Programme for Undergraduate Students (Project No: 1919B012505985) during the 2025/1 application period. The authors would like to thank TÜBİTAK for their financial and institutional support.

Kaynakça

1. World Health Organization. World report on vision. Geneva: World Health Organization 2019. [Online]. Available: https://www.who.int/publications/i/item/9789241516570. Accessed: June 10, 2026.
2. Manduchi R, Kurniawan S. Mobility-related accidents experienced by people with visual impairment. Insight: Research and Practice in Visual Impairment and Blindness 2011; 4/2: 44-54.
3. Dakopoulos D, Bourbakis NG. Wearable obstacle avoidance electronic travel aids for blind: A survey. IEEE Transactions on Systems, Man, and Cybernetics, Part C: Applications and Reviews 2010; 40/1: 25-35.
4. Girshick R, Donahue J, Darrell T, Malik J. Rich feature hierarchies for accurate object detection and semantic segmentation. IEEE Conference on Computer Vision and Pattern Recognition 2014; 580-587.
5. Redmon J, Divvala S, Girshick R, Farhadi A. You only look once: Unified, real-time object detection. IEEE Conference on Computer Vision and Pattern Recognition 2016; 779-788.
6. Redmon J, Farhadi A. YOLOv3: An incremental improvement. arXiv preprint 2018; arXiv:1804.02767.
7. Tapu R, Mocanu B, Bursuc A, Zaharia T. A smartphone-based obstacle detection and classification system for assisting visually impaired people. IEEE International Conference on Computer Vision Workshops 2013; 444-451.
8. Apple Inc. Core ML documentation. Apple Developer. https://developer.apple.com/documentation/coreml. Accessed: June 10, 2026.

9. Howard AG, Zhu M, Chen B, Kalenichenko D, Wang W, Weyand T, Andreetto M, Adam H. MobileNets: Efficient convolutional neural networks for mobile vision applications. arXiv preprint 2017; arXiv:1704.04861.
10. Tan M, Pang R, Le QV. EfficientDet: Scalable and efficient object detection. IEEE/CVF Conference on Computer Vision and Pattern Recognition 2020; 10781-10790.
11. Zhang K, Wang Y, Shi S, Wang Q, Wang C, Liu S. Improved YOLOv5 algorithm combined with depth camera and embedded system for blind indoor visual assistance. Scientific Reports 2024; 14/1: 23000.
12. Sapkota R, Cheppally RH, Sharda A, Karkee M. YOLO26: Key architectural enhancements and performance benchmarking for real-time object detection. arXiv preprint 2025; arXiv:2509.25164.
13. Sapkota R, Karkee M. Ultralytics YOLO evolution: An overview of YOLO26, YOLO11, YOLOv8 and YOLOv5 object detectors for computer vision and pattern recognition. arXiv preprint 2025; arXiv:2510.09653.
14. Masud U, Saeed T, Malaikah HM, Islam FU, Abbas G. Smart assistive system for visually impaired people obstruction avoidance through object detection and classification. IEEE Access 2022; 10: 13428-13441.
15. Najm H, Elferjani K, Alariyibi A. Assisting blind people using object detection with vocal feedback. arXiv preprint 2024; arXiv:2401.01362.
16. Okolo GI, Althobaiti T, Ramzan N. Smart assistive navigation system for visually impaired people. Journal of Disability Research 2025; 4/1: 20240086.
17. More SS, Patil N, Lobo VB, Shet N, Goswami D, Rane P. Empowering the visually impaired: YOLOv8-based object detection in Android applications. Procedia Computer Science 2025; 252: 457-469.
18. Wahwah S, Chen Y. My eye AI: A hybrid cloud-mobile object detection system for the visually impaired using YOLOv11, OWL-ViT, and BLIP. Journal of Artificial Intelligence and Technology 2025; 6: 151-167.
19. Kumari P, Hammady R. Assisting blind people with AI and audio using smart glasses: System design with YOLOv8 variants comparisons. Multimedia Systems 2026; 32/1: 73.
20. Noor A, Almukhalfi H, Souza A, Noor TH. Towards a real-time indoor object detection for visually impaired users using Raspberry Pi 4 and YOLOv11: A feasibility study. Computer Modeling in Engineering & Sciences 2025; 144/3: 3085-3111.
21. He C, Saha P. Investigating YOLO models towards outdoor obstacle detection for visually impaired people. arXiv preprint 2023; arXiv:2312.07571.
22. Wang W, Jing B, Yu X, Sun Y, Yang L, Wang C. YOLO-OD: Obstacle detection for visually impaired navigation assistance. Sensors 2024; 24/23: 7621.
23. Wang W, Jing B, Yu X, Zhang W, Wang S, Tang Z, Yang L. YOLO-extreme: Obstacle detection for visually impaired navigation under foggy weather. Sensors 2025; 25/14: 4338.
24. Liu R, Zhang J, Schön A, Müller K, Zheng J, Yang K, Guo A, Gerling K, Stiefelhagen R. ObjectFinder: An open-vocabulary assistive system for interactive object search by people who are blind. International Journal of Human-Computer Interaction 2026; 1-33.
25. Said Y, Atri M, Albahar MA, Ben Atitallah A, Alsariera YA. Obstacle detection system for navigation assistance of visually impaired people based on deep learning techniques. Sensors 2023; 23/11: 5262.
26. Islam RB, Akhter S, Iqbal F, Rahman MSU, Khan R. Deep learning based object detection and surrounding environment description for visually impaired people. Heliyon 2023; 9/6: e16924.
27. Choi S, Chlebek CJ. Exploring mHealth design opportunities for blind and visually impaired older users. mHealth 2024; 10: 17.
28. Arora L, Choudhary M, Bhatt M, Kaliappan J, Srinivasan K. A comprehensive review on NUI, multi-sensory interfaces and UX design for applications and devices for visually impaired users. Frontiers in Public Health 2024; 12: 1357160.