- YOLOv3
- Model
- Gerçek zamanlı
- İşleme
- Açık kaynak
- Lisans
Genel bakış
Nesne tespitinde asıl zorluk doğruluk değil, doğruluğu gerçek zamanda koruyabilmek. Bir modelin bir fotoğrafı doğru etiketlemesi ile saniyede otuz kareyi takip etmesi çok farklı mühendislik problemleri.
Bu uygulama önceden eğitilmiş YOLOv3 ağırlıkları üzerine kuruldu. OpenCV kamera akışını kare kare alıyor, her kare ağa gönderiliyor ve dönen sınırlayıcı kutular güven skoruna göre filtreleniyor. Aynı nesne için üretilen çakışan kutular non-maximum suppression ile teke indiriliyor; bu adım olmadan ekran aynı nesnenin onlarca kutusuyla dolar.
Performans için giriş çözünürlüğü ve güven eşiği ayarlanabilir tutuldu. Böylece sistem hem yüksek doğruluk hem de akıcı kare hızı gerektiren durumlarda dengelenebiliyor. Kod GitHub üzerinde açık kaynak olarak paylaşıldı.
Öne çıkanlar
- Kamera akışında kare kare gerçek zamanlı tespit
- Non-maximum suppression ile çakışan kutuların temizlenmesi
- Ayarlanabilir güven eşiği ve giriş çözünürlüğü
- GitHub üzerinde açık kaynak paylaşım
Hedefler
- Önceden eğitilmiş bir modeli gerçek zamanlı akışa uyarlamak
- Doğruluk ile kare hızı arasında ayarlanabilir denge kurmak
- Sıradan bir bilgisayarda çalışabilir olmak
Çözüm
- OpenCV DNN modülü ile YOLOv3 ağırlıklarının yüklenmesi
- Güven skoru filtreleme ve NMS uygulaması
- Kare işleme döngüsünün optimize edilmesi
- Parametrelerin dışarıdan ayarlanabilir kılınması
Yaklaşım
- 01Model ve ağırlıkların değerlendirilmesi
- 02Gerçek zamanlı akış üzerinde performans testi
- 03Kodun açık kaynak olarak düzenlenmesi
Sonuçlar
- Standart bir webcam ile akıcı gerçek zamanlı tespit sağlandı
- Parametreler sayesinde farklı donanımlara uyarlanabiliyor
- Proje bilgisayarlı görü öğrenenler için referans örnek oldu
Zorluklar
- Gerçek zamanlı işlemede kare hızının korunması
- Çakışan tespit kutularının temizlenmesi
- Düşük ışıkta tespit kararlılığı
Seçilmiş İşler
Benzer projeler
Pirinç Sınıflandırma Modeli
TensorFlow ve Keras ile eğitilen, pirinç tanelerinin görüntüsünden türünü sınıflandıran derin öğrenme modeli. Test setinde %98 doğruluk.
Ses Kaydından Haber Yazısı Ajanı
Ses kaydını önce metne, ardından yapılandırılmış bir haber yazısına dönüştüren yapay zekâ aracı. Konuşma tanıma ve doğal dil işleme tek akışta birleşiyor.
PDF Soru-Cevap Ajanı (ChatPDF)
Yüklenen PDF belgelerini analiz ederek kullanıcı sorularını belge içeriğine dayanarak yanıtlayan RAG tabanlı asistan.