Accuracy Prediction and Analysis of Teachable Machine (TM) Model developed with Tensorflow Javascript on the Cloud: Face Recognition System Implementation

Öz

Face Recognition Systems (FRS) is a category of biometric security used as a way to identify or verify a person's identity using their face. In the literature, it is seen that different Artificial Intelligence (AI) techniques and methods are frequently used in FRS studies. These models are first created, trained, tested by coding with selected programming languages, and these steps are repeated until the highest success rate is reached. Teachable Machine (TM) is a web-based tool that makes building AI models fast, easy and accessible to everyone. In this study, it is aimed to develop a cloud-based FRS system (FRS-TM) with Tensorflow Javascript technologies by using the TM technology that allows users to develop their own deep learning models without any coding. In the experiments carried out within the scope of the study, the success rate of FRS-TM was measured as 99.8%. It is thought that this study will contribute to the field of AI study, especially in terms of the development of YTS models by users.

Anahtar Kelimeler

• Artificial Intelligence
• Cloud Computing
• Face Recognition System
• Teaching Machine

Bulut üzerinde Tensorflow Javascript ile geliştirilen Öğretilebilir Makine (ÖM) Modelinin Doğruluk Tahmini ve Analizi: Yüz Tanıma Sistemi Uygulaması

Öz

Yüz Tanıma Sistemleri (YTS), bir kişinin yüzünü kullanarak kimliğini tanımlamanın veya doğrulamanın bir yolu olarak kullanılan bir biyometrik güvenlik kategorisidir. Literatürde YTS çalışmalarında sıklıkla farklı Yapay Zekâ (YZ) teknik ve yöntemlerinin kullanıldığı görülmektedir. Bu modeller çoğunlukla seçilen programlama dilleri ile kodlamada yapılmak suretiyle oluşturulmakta, eğitilmekte, test edilmekte ve bu işlem adımları en yüksek başarı oranı elde edilinceye kadar tekrarlanmaktadır. Öğretilebilir Makine (Teachable Machine, ÖM), YZ modelleri oluşturmayı hızlı, kolay ve herkes için erişilebilir hale getiren web tabanlı bir araçtır. Bu çalışmada herhangi bir kodlamada yapmadan kullanıcıların kendi derin öğrenme modellerini geliştirmelerine imkân sağlayan ÖM teknolojisini kullanmak suretiyle Tensorflow Javascript teknolojileri ile bulut tabanlı bir YTS sisteminin (YTS-ÖM) geliştirilmesi amaçlanmıştır. Çalışma kapsamında gerçekleştirilen deneylerde YTS-ÖM’nin başarı oranı %99.8 olarak ölçülmüştür. Bu çalışmanın özellikle YTS modellerinin kullanıcılar tarafından geliştirilmesi açısından YZ çalışma alanına katkı sağlayacağı değerlendirilmektedir.

Anahtar Kelimeler

• Yapay Zekâ
• Bulut Bilişim
• Yüz Tanıma Sistemi
• Öğretilebilir Makine.

Kaynakça

1. Aghdam O. A., 2018, Unconstraıned Face Recognition Under Mismatched Conditions, İstanbul Teknik Üniversitesi, Yüksek Lisans Tezi.
2. Akın F., 2019, Derin Öğrenme Tabanlı Yüz Tanıma Sisteminin Geliştirilmesi, Fırat Üniversitesi, Yüksek Lisans Tezi.
3. Al Bazzaz, F. Y. (2017). Far Distance Unmanned Aerial Vehicles Control And Object Detection using Internet of Things Network and Embeded Systems (Master's Thesis, Fen Bilimleri Enstitüsü).
4. Aslan E. S., 2016, Kapalı Ortamlar İçin Dağıtık Mimarili İnsan Tanıma Sistemi, İstanbul Teknik Üniversitesi, Yüksek Lisans Tezi.
5. Ayata, F., & Çavuş, H. (2022). Yüz Tanıma Sistemlerinde Kullanılan ESA, YGH-DVM ve DSA Algoritmalarının Performans Testleri. Fırat Üniversitesi Fen Bilimleri Dergisi, 34(1), 39-48.
6. Ayhan Ö., 2013, Yüz Öznitelik Çıkarımı için Geliştirilmiş Aktif Şekil Modeli , İstanbul Teknik Üniversitesi, Yüksek Lisans Tezi
7. Bılgıç, A., Kurban, O. C., & Yildirim, T. (2017, May). Face Recognition Classifier based on Dimension Reduction in Deep Learning Properties. In 2017 25th Signal Processing and Communications Applications Conference (SIU) (pp. 1-4). IEEE.
8. Carney, M., Webster, B., Alvarado, I., Phillips, K., Howell, N., Griffith, J. & Chen, A. (2020, April). Teachable machine: Approachable Web-based tool for exploring machine learning classification. In Extended abstracts of the 2020 CHI conference on human factors in computing systems (pp. 1-8).

9. Çambay V. Y., 2019, Derin Öğrenme Kullanılarak FPGA’lar ile Gerçek Zamanlı Nesne Algılama ve Tanıma, Fırat Üniversitesi, Yüksek Lisans Tezi
10. Eldem, A., Eldem, H., & Palali, A. (2017). Görüntü işleme teknikleriyle yüz algılama sistemi geliştirme. Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, 6(2), 44-48.
11. Eleyan G., 2010, Görüntü Çerçevelerinde Yüz Algılama ve Veritabanı ile Eşleme Yapılması, Ankara Üniversitesi, Yüksek Lisans Tezi
12. Fawzy A. M. I., 2019, Sanal Gösterge Panelinde Derin Öğrenme Tabanlı Gerçek-Zamanlı Nesne Algılama Uygulaması, Kocaeli Üniversitesi, Lisans Tezi
13. Filiz S., 2012, Siber Güvenlikte Biyometrik Sistemler ve Yüz Tanıma, Gazi Üniversitesi, Yüksek Lisans Tezi.
14. Gökberk B., 2006, Three Dimensional Face Recognition, Boğaziçi Üniversitesi, Yüksek Lisans Tezi
15. Hazar Ş.,2008, Yapay Zeka Uygulamaları: Yüz Tanıma, Beykent Üniversitesi, Yüksek Lisans Tezi
16. Holat R., 2014, Yüz Bulma ve Tanıma Sistemleri Kullanarak Kimlik Tespitinin Yapılması, Düzce Üniversitesi, Yüksek Lisans Tezi.
17. Kacorri, H. (2017). Teachable machines for accessibility. ACM SIGACCESS Accessibility and Computing, (119), 10-18.
18. Karaman İ., 2019, Bulut Bilişim Tabanlı Gerçek Zamanlı Yüz Tanıma Sistemi, Kırıkkale Üniversitesi, Yüksek Lisans Tezi.
19. Manav C., 2010, Görüntü İşleme Yardımı İle Kimlik Tespiti, Gazi Üniversitesi, Yüksek Lisans Tezi
20. Noori A. M., 2019, ORB Özelliklerine Dayalı Yüz Tanıma Sistemi, Selçuk Üniversitesi, Yüksek Lisans Tezi.
21. Özgür Özkök, Virtual Machine ve Docker Container Sistemlerinin Tanımı, “https://www.ozgurozkok.com/virtual-machine-ve-docker-container-sistemlerinin-tanitimi/”, Son Erişim Tarihi:(19.05.2020).
22. Rashid E., 2018, Rasberry PI ile Gerçek Zamanlı Yüz Tanıma ve Kontrol Sistemi, Selçuk Üniversitesi, Yüksek Lisans Tezi.
23. Saeed S. B., 2016, Face Recognition System Based on Pca-Wavelet and Support Vector Machınes, Hasan Kalyoncu Üniversitesi, Yüksek Lisans Tezi
24. Saray Çetinkaya, T. & Sertbaş, A. (2022). Derin Öğrenme Algoritmalarının GPU ve CPU Donanım Mimarileri Üzerinde Uygulanması ve Performans Analizi: Deneysel Araştırma. Avrupa Bilim ve Teknoloji Dergisi, (33) , 10-19.
25. Sertkaya, O, 2019, Yüz Tanıma için İmgelerin Kalite Ölçümü ve İyileştirmesi, İstanbul Teknik Üniversitesi, Yüksek Lisans Tezi, 13.
26. Sütçüler, E. (2006). Gerçek zamanlı video görüntülerinden yüz bulma ve tanıma sistemi. Teachable Machine Google, “https://teachablemachine.withgoogle.com/faq#Tools-and-Resources”, Son Erişim Tarihi (23.05.2020).
27. Tırkaz Ç., 2008, Aktif Görünüm Modeli Kullanarak Yüz Tanıma, Yıldız Teknik Üniversitesi, Yüksek Lisans Tezi.
28. Topkaya İ. S., 2008, Video Görüntülerinden Yüz Tanıma, Yıldız Teknik Üniversitesi, Yüksek Lisans Tezi.
29. Yazıcı İ. M., 2008, Gerçek Zamanlı Kiosk Yüz Tanıma Sistemi, Gebze Yüksek Teknoloji Enstitüsü, Yüksek Lisans Tezi.
30. Yıldırım M., 2011, Yüz Tanıma, İstanbul Kültür Üniversitesi, Yüksek Lisans Tezi.
31. Zhu, K. (2019). An educational approach to machine learning with mobile applications (Doctoral dissertation, Massachusetts Institute of Technology).