Recommended
More Related Content
Featured
Featured (20)
Derin öğrenme ile CNN kullanarak yüz maske tespiti
- 1. Derin Öğrenme ile Evrişimli Sinir Ağı Kullanılarak (CNN) Yüz Maskesi Tespiti Öğrenci: MSc Dilshod Kholdorov Öğretmen: Prof.Dr Murat Ceylan Konya 2023
- 2. CNN nedir? Evrişimli Sinir Ağı (CNN), biyolojik bir terim gibi gözükse de bu mekanizma, nesne tanımada kullanılan çok etkili bir yöntemdir. Buradaki ana fikir bir görüntüdeki nesneleri tespit etmektir. İnsanoğlu nasıl bir kedi ile köpeği ayrı ayrı tespit edebiliyorsa, CNN yöntemi de nesneleri tespit etmek için geliştirilmiştir. Bu çalışmada maske tanımada kullanılmak üzere geliştirilen uygulama, maskeyi ve yüzü birer obje olarak öğrenecek, ardından maskeli veya maskesiz olduğunu tespit edebilecektir. 2
- 3. CNN Çalışma Prensibi • 1.Konvolüsyonel Katman( Convolutional Layer)+ReLU • 2.Havuzlama Katman(Pooling Layer) • 3. Düzleştirme Katmanı(Flattening Layer) • 4.Tam Bağlantı Katman (Fully Conected Layer) 3
- 4. Açıklamaları • 1.Konvolüsyonel Katman( Convolutional Layer)+ReLU Nitelikleri belirlemek için kullanılan katman • 2.Havuzlama Katman(Pooling Layer) Havuz oluşturarak fazlalığı azaltır ve uygunluğu denetler • 3. Düzleştirme Katmanı(Flattening Layer) Verilerin yapay sinir ağı girişi için hazırlandığı katman • 4.Tam Bağlantı Katman (Fully Conected Layer) Tam bağlı sinir ağıdır, son aşamadır 4
- 5. 5 Problem Türü Sınıflandırma Regresyon İkili Çoklusınıf Linear aktivasyonu Sigmoid aktivasyonu Softmax aktivasyonu Çokluetiket Sigmoid aktivasyonu Bu derste bunu kullanacağız Doğru yada Yanlış
- 6. Uygulamamızdaki Adımlar 6 Kütüphaneler tanımlandı Veriyi saydırdık.0 ve 1 tanımladık Tek bir liste ve içerikleriyazıldı Resim okundu(0 ,1) ve ekrana görüntülendi 0 ve 1 önişleyerek RGB tutarlı formata dönüştürüldü tek veri listesine saklandı Veriyi model geliştirme ve değerlendirme için ayrı eğitim ve test setlerine bölündü. CNN mimarisi tanımlandı Optimizasyon (hata azaltma) ve Metrikler belirlendi 10 epok boyunca eğitildi 0,1 fark etmeyi öğrendi Model ve metrikler değerlendirilip eğitim sürecine anlayış sağlandı Yen veri girilerek test edildi
- 7. Veriyi Okumak ve Bu Resim Üzerinden Eğitmek 7
- 9. Kayıblar 9 Maskeli veyamaskesiz tespit için eğittiğimiz EvrişimliSinir Ağı'nda (CNN), eğitim kaybının azalması ve doğrulama kaybının artması, modelinöğrenme sürecini gösteren grafiklerdir.Eğitimkaybınınazalması,modelineğitim verilerini etkili bir şekilde öğrendiğini işaretederken, doğrulama kaybının artması,modelingenelleme yeteneğini sürdürdüğünü gösterir.Bu eğilimler,modelin maskeli ve maskesiz durumları başarıylaayırt etme yeteneğini yansıtmaktadır
- 10. Dogruluk 10 Maskeli veyamaskesiz tespit için eğittiğimiz CNN'in eğitim ve doğrulama doğruluk grafiği,modelinbaşarısını yansıtmaktadır.Eğitim doğruluğu zamanla bir şekile yakın artmaktadır, bu da modelinverileri başarılı bir şekilde öğrendiğini gösterir.Doğrulamadoğruluğu da benzer bir trendi takip eder, bu da modelingörünmeyen verilere de iyi genellemeyaptığını gösterir.Eğitim ve doğrulama doğrulukları arasındaki uyum, modelin maskenin varlığı veyayokluğuylailgilidesenleri etkili bir şekilde yakaladığını ve aşırı uyum olmadığını gösterir.
- 12. Sonuç 12
- 13. Sonuç 13
- 14. Kullanılan Kaynaklar 14 1. https://www.kaggle.com 2. https://developersbreach.com/convolution-neural-network-deep-learning/ 3. https://dergipark.org.tr/ 4. https://tez.yok.gov.tr/ 5. Yüz analizine dayalı derin öğrenme tabanlı bir ilgi tespit sisteminin gerçekleştirilmesi (Gözde Yolcu Öztel, 2019) 6. Koronavirüse karşı yüz maskesi tespitinin derin öğrenme yöntemleri kullanılarakincelenmesi (Dr. Öğr. Üyesi İsmail Akgül, 2020) 7. Face Mask Detection Using Deep Convolutional Neural Network and MobileNetV2-BasedTransfer Learning (Dostdar Hussain, 2022)
- 15. Teşekkürler