Askeri Tatbikatlarda Derin Öğrenme Yöntemleri ile Nesne Takibi

Öz

Son yıllarda dünya genelinde yaşanan savaşlar ve bölgesel çatışmalar, savunma sanayisinde hızlı ve dikkat çekici teknolojik ilerlemelere yol açmıştır. Artan askeri harcamalar, özellikle yapay zekâ ve derin öğrenme teknolojilerinin savunma sistemlerine entegrasyonunu kaçınılmaz hâle getirmiştir. Derin öğrenme yöntemleri; yüz tanıma sistemlerinden siber tehditlerin tespitine, nesne takibinden askeri lojistik süreçlerin otomasyonuna kadar geniş bir uygulama yelpazesinde kullanılmaktadır. Bu çalışmada, derin öğrenme tabanlı nesne takip sistemlerinin askeri tatbikatlara entegrasyonu incelenmiştir. Bu amaçla, Millî Savunma Bakanlığına ait açık kaynaklı "Efes 2024", "Dynamic Mariner / Flotex-25" ve "Kış Tatbikatı 2025" tatbikat videolarından elde edilen görüntülerle özgün bir veri seti oluşturulmuş ve Roboflow platformu kullanılarak etiketleme işlemleri gerçekleştirilmiştir. Veri setinde 326 asker, 418 tank, 520 uçak ve helikopter ile 189 gemi görseli manuel olarak sınırlayıcı kutular ve noktasal işaretlemelerle anotasyonlanmıştır. Eğitim ve değerlendirme süreçlerinde YOLOv12 algoritması kullanılmıştır. Elde edilen bulgular, derin öğrenme tabanlı nesne takip sistemlerinin askeri operasyonlarda etkin bir şekilde kullanılabileceğini ve stratejik üstünlük sağlayabileceğini ortaya koymaktadır.

Anahtar Kelimeler

• Derin Öğrenme
• Nesne Takibi
• Askeri Tatbikatlar
• Yolov12
• Savunma Teknolojileri
• Görüntü İşleme

Object Tracking with Deep Learning Methods in Military Exercises

Öz

In recent years, wars and regional conflicts around the world are led to rapid and remarkable technological advances in the defense industry. Increasing military spending is made the integration of artificial intelligence and deep learning technologies, in particular, inevitable in defense systems. Deep learning methods are used in a wide range of applications, from facial recognition systems to the detection of cyber threats, from object tracking to the automation of military logistics processes. This study investigates the applicability of deep learning-based object tracking systems in military exercise scenarios. For this purpose, an original dataset is constructed using publicly available footage from the Turkish Ministry of National Defense, specifically from the "Efes 2024", "Dynamic Mariner / Flotex-25", and "Winter Exercise 2025" drills. The dataset includes 326 soldiers, 418 tanks, 520 aircraft and helicopters, and 189 ships, all manually annotated using bounding boxes and keypoint annotations on the Roboflow platform. The YOLOv12 object detection algorithm is employed for training and evaluation. The results demonstrate that deep learning-based object tracking systems can be effectively utilized in military operations, offering significant strategic advantages.

Anahtar Kelimeler

• Deep Learning
• Object Tracking
• Military Exercises
• Yolov12
• Defense Technology
• Image Proccesing

Kaynakça

1. [1] Global Firepower. ‘Countries ranking 2025’. https://www.globalfirepower.com/countries-listing.php (10.06.2025).
2. [2] Cumhurbaşkanlığı Savunma Sanayii Başkanlığı (SSB). ‘Milli Savunma Sanayi Projeleri’. https://www.ssb.gov.tr/WebSite/contentList.aspx?PageID=4820&LangID=1 (10.06.2025).
3. [3] S. Akçay, & Ç. Taş, ’Simülasyon ortamlarda derin öğrenme ile nesne tespiti,’ Bilgisayar Bilimleri Dergisi, cilt. 8, no. 2, 121 – 129, 2023.
4. [4] F. Özçakmak, ‘Askeri taktik ağlarda derin makine öğreniminin etkisi,’ Savunma Bilimleri Dergisi, cilt. 20, no. 2, 303-326, 2024.
5. [5] E. Şimşek, B. Özyer, & G. Tümüklü Özyer, ‘Foto-kapan görüntülerinde derin öğrenme tabanlı insan tespiti’, Bayburt Üniversitesi Fen Bilimleri Dergisi, cilt. 3, no. 1, 1 – 8, 2020.
6. [6] R. Daş, B. Polat, & G. Tuna, ‘Derin öğrenme ile resim ve videolarda nesnelerin tanınması ve takibi’, Fırat Üniversitesi Mühendislik Bilimleri Dergisi, cilt. 31, no. 2, ss.571 – 581, 2019.
7. [7] Ö. İnik, & E. Ülker, ‘Derin öğrenme ve görüntü analizinde kullanılan derin öğrenme modelleri,’ Gaziosmanpaşa Bilimsel Araştırma Dergisi, cilt.6, no. 3, 85 – 104, 2017.
8. [8] F. G. Tan, A. S. Yüksel, E. Aydemir, & M. Ersoy, ‘Derin öğrenme teknikleri ile nesne tespiti ve takibi üzerine bir inceleme’, Avrupa Bilim ve Teknoloji Dergisi, no. 25, 159 – 171, 2021.

9. [9] Carion, N., Massa, F., Synnaeve, G., Usunier, N., Kirillov, A., & Zagoruyko, S. (2020). End-to-end object detection with transformers. European Conference on Computer Vision (ECCV), 213–229.
10. [10] Elmas, Ç., & Alkan, A. (2022). İnsansız hava araçlarında hareketli nesnelerin gerçek zamanlı tespit ve takibi için Optik Akış yöntemlerinin incelenmesi. Mühendislik Bilimleri ve Tasarım Dergisi, 10(3), 845–856.
11. [11] Y. Kim, ‘Convolutional neural networks for sentence classification. In Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP),’ 1746–1751,2014
12. [12] Ultralytics. ‘YOLO12: Dikkat Merkezli Nesne Algılama’, https://docs.ultralytics.com/tr/models/yolo12/ (10.06.2025)
13. [13] Z. Cao, T. Simon, S. E. Wei, & Y. Sheikh, ‘Realtime multi-person 2D pose estimation using part affinity fields. arXiv preprint’, https://arxiv.org/abs/1611.08050 (05.06.2025).
14. [14] K. M. He, X. Y. Zhang, S. Q. Ren, & J. Sun, ‘Deep residual learning for image recognition,’ IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 770–778, 2016.
15. [15] Roboflow, ‘MSB eğitim verisi,’ https://app.roboflow.com/military-m5igz/msb/8 (01.06.2025).