Kalabalık Kamu Alanları için YOLO V7 ve Bilgisayar Görmesi Temelli Maske Giyim Uyarı Sistemi

Egi, Yunus

doi:10.21597/jist.1243233

Cited by 3 publications

(2 citation statements)

References 18 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…YOLOv7, mimarisinde E-ELAN olarak adlandırılan derin ağların etkili bir şekilde kullanımını sağlayan ve kendinden önceki modellerle kıyaslandığında yenilikle güçlendirilmiş bir ağ modelidir. YOLOv4 ve YOLOR modellerinin üzerine geliştirilerek oluşturulan YOLOv7 modelinde Daha önceki modellerde karşılaşılan ELAN (Verimli Katman Toplama Ağı) daha az parametre kullanımına yol açtığından daha hızlı ve doğru sonuç alınabilmesi adına bu ağ genişletilmek istenmiştir [22,23]. ELAN ve E-ELAN mimarileri Şekil 7.…”

Section: Genişletilmiş Verimli Katman Toplama Ağlarıunclassified

“…Model ölçeklendirme, modele girdi olarak verilen görüntünün boyutu (görüntünün çözünürlüğü), modelin katman sayısı (derinlik), kanal sayısı (genişlik), öznitelik sayısı gibi farklı terimleri optimize etmek için kullanılan yöntemdir [15,22]. Wang ve arkadaşları tarafından, DenseNet [24] veya VoVNet [25] gibi modellerin derinliğini ölçeklendirdiklerinde, bazı katmanların girdi genişliğini değiştireceğini gözlemlemişlerdir [15].…”

Section: Model öLçeklendirme (Model Scaling)unclassified

See 1 more Smart Citation

Akıllı Mobil Cihazlarda YOLOv7 Modeli ile Nesne Tespiti

Karadağ

Arı

2023

Politeknik Dergisi

View full text Add to dashboard Cite

Derin öğrenmeye dayalı güncel nesne tespit algoritmalarından biri olan YOLOv7 modelinin Microsoft COCO verisetinde aldığı %51.2’lik ortalama kesinlik başarısı, diğer nesne tespit yöntemlerinin ilerisinde olduğunu kanıtlamıştır. YOLO ilk sunulduğu dönemden itibaren, hız ve doğruluk açısından etkili olması sebebiyle ticari alandaki nesne tespit problemlerinde tercih edilen bir model olmuştur. Genellikle derin öğrenmeye dayalı sistemlerin çalıştırılabilmesi için yüksek kapasitede donanımlara ihtiyaç duyulmaktadır. Bu çalışmada, günümüzde ticaretin önemli araçlarından biri haline gelen akıllı mobil cihazlarda nesne tespiti yapılabilmesi için YOLOv7 modelinin sunucuda aktif edilmesi ile akıllı mobil cihazlarda grafik işlemci birimi kullanılmadan nesne tespiti yapılabilmesi amaçlanmıştır. Yapılan çalışma ile YOLOv7 nesne tespit algoritması, iOS işletim sistemine sahip mobil cihazlarda başarı ile çalıştırılmıştır. Bu sayede mobil cihazlarda çekilen bir görüntü veya halihazırda galeride bulunan herhangi bir görüntü sunucuya aktarıldıktan sonra, doğruluk ve hız açısından etkili bir şekilde görüntü içerisinde bulunan nesnelerin tespitinin gerçekleştirilmesi sağlanmıştır.

show abstract

Section: Genişletilmiş Verimli Katman Toplama Ağlarıunclassified

Section: Model öLçeklendirme (Model Scaling)unclassified

Akıllı Mobil Cihazlarda YOLOv7 Modeli ile Nesne Tespiti

Karadağ

Arı

2023

Politeknik Dergisi

View full text Add to dashboard Cite

show abstract

Objects detection theory for evaluating the city environmental quality

Liu,

Han,

Xie

et al. 2023

Front. Ecol. Evol.

View full text Add to dashboard Cite

IntroductionThe primary focus of this paper is to assess urban ecological environments by employing object detection on spatial-temporal data images within a city, in conjunction with other relevant information through data mining.MethodsFirstly, an improved YOLOv7 algorithm is applied to conduct object detection, particularly counting vehicles and pedestrians within the urban spatial-temporal data. Subsequently, the k-means superpixel segmentation algorithm is utilized to calculate vegetation coverage within the urban spatial-temporal data, allowing for the quantification of vegetation area. This approach involves the segmentation of vegetation areas based on color characteristics, providing the vegetation area’s measurements. Lastly, an ecological assessment of the current urban environment is conducted based on the gathered data on human and vehicle density, along with vegetation coverage.ResultsThe enhanced YOLOv7 algorithm employed in this study yields a one-percent improvement in mean AP (average precision) compared to the original YOLOv7 algorithm. Furthermore, the AP values for key categories of interest, namely, individuals and vehicles, have also improved in this ecological assessment.DiscussionSpecifically, the AP values for the ‘person’ and ‘pedestrian’ categories have increased by 13.9% and 9.3%, respectively, while ‘car’ and ‘van’ categories have seen AP improvements of 6.7% and 4.9%. The enhanced YOLOv7 algorithm contributes to more accurate data collection regarding individuals and vehicles in subsequent research. In the conclusion of this paper, we further validate the reliability of the urban environmental assessment results by employing the Recall-Precision curve.

show abstract

Performance Evaluation for Face Mask Detection Based on Mult Modification of Yolov8 Architecture

AL-Shamdeen,

Ramo

2024

IAPGOS

View full text Add to dashboard Cite

This work aims to engineer a robust system capable of real-time detection, accurately discerning individuals who are either adhering to or neglecting face mask mandates, across a diverse range of scenarios encompassing images, videos, and live camera streams. This study improved the architecture of YOLOv8n for face mask detection by building a new two-modification version of YOLOv8n model to improve feature extraction and prediction network for YOLOv8n. In proposed YOLOv8n-v1, the integration of a residual Network backbone into the YOLOv8n architecture by replacing the first two layers of YOLOv8n with ResNet_Stem and ResNet_Block modules to improve the model’s ability for feature extraction and replace Spatial Pyramid Pooling Fast (SPPF) module with Spatial Pyramid Pooling-Cross Stage Partial (SPPCSP) modules which combine SPP and CSP to create a network that is both effective and efficient. The proposed YOLOv8n-v2 is built by integration Ghostconv and ResNet_Downsampling modules into the proposed YOLOv8n-v1 backbone. All models have been tested and evaluated on two datasets. The first one is MJFR dataset, which contains 23,621 images, and collected by the authors of this paper from four distinct datasets, all of which were used for facemask detection purposes. The second one is MSFM object detection dataset has been collected from groups of videos in real life and images based on the curriculum learning technology. The model’s performance is assessed by using the following metrics: mean average precision (mAP50), mAP50-95, recall (R) and precision (P). It has been concluded that both versions of proposed YOLOv8n outperform the original model in terms of accuracy for both datasets. Finally, the system was successfully implemented in one of the medical clinics affiliated with a medical complex, where the results of its application showed high efficiency in various aspects of work, and it effectively contributed to improving the public health and safety.

show abstract

Kalabalık Kamu Alanları için YOLO V7 ve Bilgisayar Görmesi Temelli Maske Giyim Uyarı Sistemi

Cited by 3 publications

References 18 publications

Akıllı Mobil Cihazlarda YOLOv7 Modeli ile Nesne Tespiti

Akıllı Mobil Cihazlarda YOLOv7 Modeli ile Nesne Tespiti

Objects detection theory for evaluating the city environmental quality

Performance Evaluation for Face Mask Detection Based on Mult Modification of Yolov8 Architecture

Contact Info

Product

Resources

About