Küçük Nesne Optimizasyonu ile Gerçek Zamanlı Türkçe Madeni Para Tespiti: YOLO Modellerinin Karşılaştırmalı Değerlendirilmesi

Öz

Bu çalışmada, gerçek zamanlı Türk Lirası bozuk para tespiti problemi küçük-nesne algılama kapsamında ele alınmış ve YOLOv5, YOLOv8 ve YOLOv11 modelleri karşılaştırmalı olarak değerlendirilmiştir. Çalışma; farklı zemin türleri, aydınlatma seviyeleri, çekim açıları ve ölçek değişimleri altında, bozuk paraların yansıma, kısmi örtüşme ve düşük çözünürlük gibi etmenlerle zorlaştığı gerçekçi senaryolara odaklanmaktadır. Küçük nesne tespit performansını artırmak amacıyla yüksek giriş çözünürlüğü, çok-ölçekli eğitim ve hedefe yönelik veri artırma stratejilerinden oluşan bir küçük-nesne optimizasyon hattı uygulanmıştır. YOLOv5, YOLOv8 ve YOLO11 modelleri, adil karşılaştırma sağlamak için aynı veri bölme ve eğitim protokolü altında eğitilmiş; başarım; doğruluk, kesinlik, duyarlılık ve ortalama hassasiyet gibi standart metrikler üzerinden analiz edilmiştir. YOLO11’in en yüksek genel performansı sağladığını ve %99,5 tespit doğruluğuna ulaştığını göstermektedir. YOLOv8, doğruluk–hız dengesi açısından güçlü bir alternatif sunarken, YOLOv5 temel seviye bir referans model olarak rekabetçi ancak daha düşük sonuçlar üretmiştir.

Anahtar Kelimeler

• Türk lirası bozuk para
• Nesne tespiti
• Küçük nesne tespiti
• Gerçek zamanlı görüntü işleme
• YOLO mimarileri

Real-Time Turkish Coin Detection with Small-Object Optimization: Benchmarking YOLO Models

Öz

This study addresses real-time Turkish Lira coin detection as a small-object detection problem and provides a comparative evaluation of YOLOv5, YOLOv8, and YOLO11. The work focuses on realistic scenarios in which coin detection becomes challenging due to varying background materials, illumination conditions, camera viewpoints, and scale changes, as well as factors such as specular reflections, partial occlusions, and low effective resolution. To improve small-object detection performance, a dedicated optimization pipeline was applied, including higher input resolution, multi-scale training, and task-specific data augmentation strategies. For a fair comparison, all three models were trained under the same dataset split and training protocol, and their performance was analyzed using standard metrics such as accuracy, precision, recall, and mean average precision. The results indicate that YOLO11 achieves the highest overall performance, reaching a detection accuracy of 99.5%. YOLOv8 offers a strong alternative in terms of the accuracy–speed trade-off, while YOLOv5 serves as a baseline reference model, producing competitive yet comparatively lower results.

Anahtar Kelimeler

• Turkish Lira coin
• Object detection
• Small object detection
• Real-time image processing
• YOLO architectures

Kaynakça

1. Bochkovskiy A., Wang CY., Liao HYM. YOLOv4: Optimal speed and accuracy of object detection. arXiv 2020; arXiv:2004.10934.
2. Chen Y., Li J., Xiao H., Jin X., Yan S., Feng J. Improving small object detection via multi-scale feature fusion. Neurocomputing 2019; 349: 173–182.
3. Everingham M., Van Gool L., Williams CKI., Winn J., Zisserman A. The Pascal visual object classes (VOC) challenge. International Journal of Computer Vision 2010; 88(2): 303–338.
4. Ge Z., Liu S., Wang F., Li Z., Sun J. YOLOX: Exceeding YOLO series in 2021. arXiv 2021, arXiv:2107.08430.
5. Girshick R. Fast R-CNN. Proceedings of the IEEE International Conference on Computer Vision 2015; 1440–1448.
6. Hastie T., Tibshirani R., Friedman J. The elements of statistical learning. Springer 2009.
7. Hou Q., Zhou D., Feng J. Coordinate attention for efficient mobile network design. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition 2021; 13713–13722.
8. Jocher G., Chaurasia A., Qiu J. YOLOv5. GitHub Repository 2020.

9. Jocher G., Chaurasia A., Qiu J. Ultralytics YOLOv8 documentation. Ultralytics official documentation 2023.
10. Lin TY., Maire M., Belongie S., Hays J., Perona P., Ramanan D., Dollár P., Zitnick CL. Microsoft COCO: Common objects in context. European Conference on Computer Vision 2014; 740–755.
11. Liu S., Qi L., Qin H., Shi J., Jia J. Feature pyramid networks for object detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition 2017; 2117–2125.
12. Liu S., Qi L., Qin H., Shi J., Jia J. Path aggregation network for instance segmentation. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition 2018; 8759–8768.
13. Melek, M., Melek, N. Golden distance: A new and comprehensive metric definition study facilitating classification performance evaluations. Iran J Sci Technol Trans Electr Eng 2025; 49: 1111–1123.
14. Meng Q., Chen J., Wang Y., Zhou Y., Ma Z. Dynamic head: Unifying object detection heads with attentions. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition 2021; 7373–7382.
15. Montgomery DC., Peck EA., Vining GG. Introduction to linear regression analysis. Wiley 2012.
16. Omer SA. Euro coin recognition using YOLO-based deep learning. Yüksek Lisans Tezi, National College of Ireland 2023.
17. Patil AR., Jadhav SK. Real-time coin detection and classification using deep learning. International Journal of Computer Applications 2020; 176(7): 1–6.
18. Redmon J., Divvala S., Girshick R., Farhadi A. You only look once: Unified, real-time object detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition 2016; 779–788.
19. Redmon J., Farhadi A. YOLO9000: Better, faster, stronger. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition 2017; 7263–7271.
20. Redmon J., Farhadi A. YOLOv3: An incremental improvement. arXiv preprint 2018; arXiv:1804.02767.
21. Tian Z., Shen C., Chen H., He T. FCOS: Fully convolutional one-stage object detection. Proceedings of the IEEE International Conference on Computer Vision 2019; 9627–9636.
22. Ultralytics. YOLO11 model documentation. Ultralytics Official Documentation 2024.
23. Wang CY., Liao HYM., Wu YH., Chen PY., Hsieh JW., Yeh IH. CSPNet: A new backbone that can enhance learning capability of CNN. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops 2020; 390–391.
24. Wang X., Song J., Qi S., Lei M. A survey of small object detection. IEEE Access 2020; 8: 122–135.
25. Zheng Z., Wang P., Liu W., Li J., Ye R., Ren D. Distance-IoU loss: Faster and better learning for bounding box regression. Proceedings of the AAAI Conference on Artificial Intelligence 2020; 34(7): 12993–13000.