42 YANGIN VE GÜVENLİK • MAYIS - HAZİRAN / 2026 model daha kapsamlı özellikler öğrenir, aşırı öğrenme (overfitting) azalır ve doğruluk ile dayanıklılık artar. Ayrıca veri seti; büyük, orta ve küçük ölçekli duman ve yangın örneklerini kapsamlı şekilde içerir. Bu da algoritmanın farklı ölçeklerdeki hedeflere uyum sağlamasını ve yüksek performansını korumasını sağlar. 4.2. Değerlendirme Kriterleri Ortalama Ortalama Doğruluk (mAP), nesne tespit algoritmalarının performansını değerlendirmek için yaygın olarak kullanılan bir metriktir. IoU eşik değerine bağlı olarak mAP@0.5, mAP@0.75 ve mAP@0.5–0.95 gibi metrikler kullanılabilir. Duman ve yangın tespitinde hedefler genellikle belirsiz sınırlara ve düzensiz şekillere sahip olduğundan, bu çalışmada daha katı bir ölçüt olan mAP@0.75 ana değerlendirme metriği olarak seçilmiştir. Bu metrik, tespit kutularının hedefin şekli ve konumuna uyumunu daha iyi yansıtır ve yanlış pozitiflerin etkisini azaltır. Ayrıca, farklı doğruluk seviyelerinde genel performansı değerlendirmek için mAP@0.5–0.95 metriği de kullanılmıştır. 4.3. Modül Değişim Konumuna Göre Karşılaştırmalı Deney 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 değişim konumunu belirlemek amacıyla, Şekil 5’te gösterildiği üzere DCNv3 farklı konumlarda ayrı ayrı uygulanarak karşılaştırmalı deneyler gerçekleştirilmiştir. Bu çalışmada, orijinal algoritma ile farklı konumlarda değiştirilmiş varyantlarını karşılaştırmak için mAP@0.75, mAP@0.5–0.95 ve parametre sayısı metrikleri kullanılmıştır. Deneysel sonuçlar Tablo 1’de sunulmaktadır. Sonuçlar, C2f/CIB modülü içindeki tüm CIB modüllerinin DCNv3 ile değiştirilmesinin, parametre sayısında artışa yol açmasına rağmen, tespit doğruluğunda en belirgin iyileşmeyi sağladığını göstermektedir. 4.4. Kapsamlı Karşılaştırmalı Deneyler Her bir modülün algoritma performansı üzerindeki etkisini ayrıntılı biçimde değerlendirmek amacıyla, bu çalışmada yapılan iyileştirmelerin geçerliliğini doğrulamak için kademeli (stacked) ablation deneyleri gerçekleştirilmiştir. Orijinal ve geliştirilmiş algoritmalar; mAP@0.75, mAP@0.5–0.95 ve parametre sayısı metrikleri kullanılarak karşılaştırılmıştır. Deney sonuçları Tablo 2’de sunulmaktadır. Sonuçlar, iki modülün birlikte kullanıldığı geliştirilmiş YOLOv10m modelinin, parametre sayısında artış olmasına rağmen en iyi tespit performansını sağladığını ve doğrulukta %1,6’lık bir artış elde ettiğini göstermektedir. Orijinal ve geliştirilmiş algoritmalar arasındaki farkı daha net ortaya koymak için her iki model duman ve yangın tespiti üzerinde uygulanmıştır. Tespit sonuçları Şekil 6’da görselleştirilmiştir; sol tarafta orijinal algoritmanın, sağ tarafta ise geliştirilmiş algoritmanın sonuçları yer almaktadır. Bu sonuçlar, orijinal YOLOv10m’in karmaşık arka planlarda duman ve yangın tespitinde hem kaçırılan tespitler hem de yanlış pozitifler ürettiğini, özellikle küçük ve örtülü hedeflerde gereksiz (redundant) tespitler yaptığını göstermektedir. Buna karşılık, geliştirilmiş algoritma bu sorunları büyük ölçüde azaltmakla kalmayıp genel tespit doğruluğunu da artırarak YOLOv10m’in bu senaryolardaki sınırlamalarını gidermektedir. MAKALE Şekil 5. CIB Modüllerinin Farklı Konumlarda Değiştirilmesi. Şekil 6. Tespit Sonuçlarının Karşılaştırılması. Şekil 7. İzleme Sonuçlarının Karşılaştırılması. Tablo 1. Modül değiştirme yeri karşılaştırmalı deneyi Algoritma mAP@0.75/% mAP@0.50.95/% 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
RkJQdWJsaXNoZXIy MTcyMTY=