Otonom araçlar için Tensorflow.js tabanlı nesne tespiti uygulaması
[ X ]
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Siirt Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bu çalışmada, otonom araçlar için trafik levhalarını ve trafik lambalarını, sürüş anında gerçek zamanlı olarak tespit edebilecek web tabanlı bir uygulama sunulmuştur. Başlangıçta, nesne tespit modeli eğitiminde kullanılması amacıyla özgün bir veri seti oluşturulmuştur. Ardından, elde edilen veri seti ile Tensorflow 2.0'ın Nesne Algılama API'si ve SSD MobileNet v2 mimarisi kullanılarak eğitim yapılmış ve bir nesne tespit modeli oluşturulmuştur. Bu model, Tensorflow.js kütüphanesinin yardımı ile web projelerinde kullanılmak üzere Javascript'e yüklemeye uygun bir formata dönüştürülmüştür. Arka planda WebGL teknolojisi ve TensorFlow.js kütüphanesini kullanan model ile internet tarayıcıda gerçek zamanlı çıkarımlar yapan bir nesne tespit uygulaması geliştirilmiş ve sonuçlar irdelenmiştir.
In this study, a web-based application that can detect traffic signs and traffic lights in real time while driving is presented for autonomous vehicles. Initially, a unique data set was created to be used in object detection model training. Then, with the obtained dataset, training was conducted using Tensorflow 2.0's Object Detection API and SSD MobileNet v2 architecture and an object detection model was created. This model has been converted into a format suitable for loading into Javascript for use in web projects with the help of the Tensorflow.js library. An object detection application that makes real-time inferences in the internet browser with the model using WebGL technology and TensorFlow.js library in the background was developed and the results were examined.
In this study, a web-based application that can detect traffic signs and traffic lights in real time while driving is presented for autonomous vehicles. Initially, a unique data set was created to be used in object detection model training. Then, with the obtained dataset, training was conducted using Tensorflow 2.0's Object Detection API and SSD MobileNet v2 architecture and an object detection model was created. This model has been converted into a format suitable for loading into Javascript for use in web projects with the help of the Tensorflow.js library. An object detection application that makes real-time inferences in the internet browser with the model using WebGL technology and TensorFlow.js library in the background was developed and the results were examined.
Açıklama
Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Ana Bilim Dalı, Bilgisayar Mühendisliği Bilim Dalı
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
