Disabled Parking Barrier CV — YOLO11 Tabanlı Nesne Tespiti

Bu repo, engelli park bariyerleri tespiti problemine yönelik bir bilgisayarlı görü çalışmasının eğitim çıktılarının (metrikler, grafikler, örnek tahmin görselleri ve ağırlıklar) derli toplu bir özetini içerir.

TÜBİTAK Desteği

Bu çalışma TÜBİTAK 2209-A kapsamında, 2023/2 dönemi desteğiyle yürütülmüştür.

Problem Tanımı

Amaç, görüntüler üzerinde engelli park alanları/bariyerleri senaryosunda kritik görsel işaretleri algılayarak (nesne tespiti) otomatik bir karar/veri akışına temel oluşturmaktır.

Not: Bu klasör eğitim “çıktıları” odaklıdır. Dataset tanımı (data.yaml) bu klasörde bulunmadığı için sınıf isimleri eğitim artefaktlarından otomatik doğrulanamıyor. README boyunca sınıfları proje bağlamına uygun şekilde “plaka” ve “engelli sembolü” olarak ele alıyoruz.

Dataset (2 Sınıf)

Model sadece aşağıdaki 2 sınıfı tespit edecek şekilde eğitilmiştir:

• Plaka
• Engelli sembolü

Model ve Eğitim Ayarları

Eğitim konfigi args.yaml dosyasından özetlenmiştir:

• Task: detect
• Mode: train
• Mimari: yolo11m.yaml (Ultralytics YOLO11)
• Epochs (hedef): 200
• Patience: 20 (erken durdurma)
• Batch: 8
• Image size: 640
• Pretrained: true
• Optimizer: auto
• IoU (eval ayarı): 0.7
• AMP: true
• Seed: 0 / Deterministic: true
• Save dir: runs/detect/train

Sonuçlar (Özet Metrikler)

Metrikler results.csv üzerinden alınmıştır.

En iyi mAP50-95 (daha “zor” ve genelleme odaklı metrik)

• Epoch: 96
• Precision: 0.98839
• Recall: 0.95112
• mAP50: 0.97957
• mAP50-95: 0.65803

En iyi mAP50

• Epoch: 108
• Precision: 0.99446
• Recall: 0.98810
• mAP50: 0.99477
• mAP50-95 (aynı epoch): 0.54546

Eğitim sonu (son kaydedilen epoch)

• Epoch: 116
• Precision: 0.99387
• Recall: 0.98452
• mAP50: 0.99477
• mAP50-95: 0.60826

Eğitim Eğrileri ve Grafikler

Genel sonuç grafiği

results.png, epoch boyunca loss ve metrik trendlerini özetler.

Precision / Recall / F1 / PR eğrileri

• P_curve.png: “plaka” ve “engelli sembolü” sınıflarında (ve genel olarak) precision davranışı
• R_curve.png: recall davranışı
• F1_curve.png: F1 skoru davranışı (precision–recall dengesi)
• PR_curve.png: Precision-Recall eğrisi (eşik değiştikçe trade-off)

Değerlendirme Artefaktları

Confusion matrix

• confusion_matrix.png: ham confusion matrix
• confusion_matrix_normalized.png: normalized confusion matrix, sınıflar arası karışmaları daha net görselleştirir (ör. plaka ↔ engelli sembolü yanlış sınıflandırmaları).

Dataset etiket istatistikleri

• labels.jpg: etiket dağılımı / örnekler özeti
• labels_correlogram.jpg: etiket korelasyon grafiği (dataset yapısı hakkında ipucu)

Dosyalar ve Ne İşe Yarar?

• args.yaml: eğitim parametreleri
• results.csv: epoch bazlı metrikler + train/val loss
• events.out.tfevents.*: TensorBoard log’u
• weights/best.pt: en iyi checkpoint
• weights/last.pt: son checkpoint

TensorBoard (Opsiyonel)

TensorBoard ile logları görüntülemek için bu klasörde:

tensorboard --logdir .

Windows/CPU/GPU ortamına göre TensorBoard kurulumu değişebilir.

Ağırlıklar (Inference için)

• weights/best.pt genelde demo/inference için önerilir (en iyi checkpoint).
• weights/last.pt eğitim sonu durumunu temsil eder.

Lisans / Atıf

Bu çalışma TÜBİTAK 2209-A (2023/2) kapsamında desteklenmiştir. Akademik/kurumsal kullanımda uygun atıf verilmesi önerilir.