52 YANGIN VE GÜVENLİK • KASIM - ARALIK / 2025 ÇEVİRİ – mAP), nesne tespit algoritmalarının performansını değerlendirmek için yaygın olarak kullanılan bir ölçüttür. IoU eşiğine bağlı olarak mAP@0.5, mAP@0.75 ve mAP@0.5– 0.95 gibi farklı değerlendirme metrikleri kullanılabilir. Duman ve yangın tespit senaryolarında hedeflerin sınırları belirsiz ve şekilleri düzensiz olabildiğinden, bu çalışmada daha katı bir ölçüt olan mAP@0.75 temel değerlendirme kriteri olarak seçilmiştir. Bu ölçüt, tespit kutusunun hedefin şekline ve konumuna uyum sağlama yeteneğini daha iyi yansıtırken yanlış pozitiflerin etkisini azaltır. Buna ek olarak mAP@0.5–0.95 değeri de değerlendirmede kullanılmıştır; bu metrik algoritmanın farklı hassasiyet gereksinimlerinde genel performansını kapsamlı biçimde ölçer. 4.3. Modül Değişim Konumu Karşılaştırma Deneyi C2f/CIB modülü içindeki farklı konumlarda yer alan CIB modüllerinin DCNv3 ile değiştirilmesi, hem tespit performansında hem de parametre sayısında farklılıklara yol açmaktadır. En uygun değiştirme konumunu doğrulamak için, Şekil 5’te gösterildiği üzere DCNv3, CIB modüllerinin farklı konumlarında ayrı ayrı uygulanmıştır. Bu çalışmada mAP@0.75, mAP@0.5–0.95 ve parametre sayısı kullanılarak orijinal algoritma ile farklı konumlarda değiştirilmiş varyantlar karşılaştırılmıştır. Sonuçlar Tablo 1’de verilmiştir. Deneysel sonuçlar, C2f/CIB modülündeki tüm CIB modüllerinin DCNv3 ile değiştirilmesinin, parametre sayısını artırmasına rağmen tespit doğruluğunda en belirgin iyileşmeyi sağladığını göstermektedir. 4.4. Kapsamlı Karşılaştırmalı Deneyler Her modülün algoritma performansına etkisini ayrıntılı biçimde değerlendirmek amacıyla, bu çalışmada birikimli ablasyon deneyleri yapılmıştır. Orijinal algoritma ile geliştirilen algoritma, mAP@0.75, mAP@0.5–0.95 ve parametre sayısı açısından karşılaştırılmıştır. Sonuçlar Tablo 2’de verilmiştir. Sonuçlar, iki modülün üst üste eklendiği geliştirilmiş YOLOv10m algoritmasının, parametre sayısındaki artışa rağmen %1,6 doğruluk artışıyla en iyi tespit performansını elde ettiğini göstermektedir. Ayrıca, orijinal ve geliştirilmiş algoritmalar yangın ve duman tespitinde uygulanmış; tespit sonuçları Şekil 6’da görselleştirilmiştir. Sol panel orijinal algoritmayı, sağ panel geliştirilmiş algoritmayı göstermektedir. Gözlemler, orijinal YOLOv10m algoritmasının karmaşık arka planlarda duman ve yangın tespitinde hem kaçırılan hem de yanlış pozitif tespitler ürettiğini, özellikle küçük veya örtülü hedeflerde gereksiz tekrar tespitler yaptığını göstermektedir. Buna karşılık geliştirilmiş algoritma, yanlış pozitifleri, kaçırılan tespitleri ve yinelenen tespitleri önemli ölçüde azaltarak genel doğruluğu artırmış ve YOLOv10m’nin yangın ve duman tespitindeki sınırlamalarını gidermiştir. Şekil 5. Farklı Pozisyonlardaki CIB Modüllerinin Değiştirilmesi. Şekil 6. Tespit Sonuçlarının Karşılaştırılması. Şekil 7. İzleme Sonuçlarının Karşılaştırılması. Algoritma mAP@0.75/% mAP@0.5-0.95/% Parametreler/ MB YOLOv10m 71.5 65.4 15.4 A 70.8 64.9 15.9 B 72.1 65.2 15.9 C 72.5 66.1 16.5 Tablo 1. Modül değiştirme yeri karşılaştırmalı deneyi Tablo 2. Kapsamlı karşılaştırmalı deneyler Algoritma mAP@0.75/% mAP@0.5-0.95/% Parametreler/MB YOLOv10m 71.5 65.4 15.4 YOLOv10m + SEAMFHead 71.9 65.5 15.3 YOLOv10m + C2f/DCB 72.5 66.1 16.5 YOLOv10m + SEAMFHead + C2f/DCB 73.1 66.4 16.4
RkJQdWJsaXNoZXIy MTcyMTY=