A COMPARISON OF IMAGE DETECTION ALGORITHMS YOLO AND FASTER R-CNN IN DIFFERENT CONDITIONS
Date
2022-06-13
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
In this thesis, we compare YOLOv4 with YOLOv3 and Faster R-CNN in terms of
better object detection in both challenging weather conditions and darkness. Moving
objects such pedestrians, cars, buses and motorcycles can be difficult to detect in rainy,
foggy and snowy weather conditions or even at night. This study is aimed at evaluating
the three modules to determine which perform best in such circumstances, bearing in
mind that none of them was initially intended to perform in bad weather conditions or
at night. This Study is done by utilizing Tesla P4 GPU, with 12GB RAM. We trained
these algorithms with an Open-Image dataset, where YOLOv4 has scored the best
results at 40,000 iterations, 72 mAP, and 0.63 Recall. On the other hand, YOLOv3 has
scored maximum at 36000 iterations, 65.53 mAP, and 0.54 Recall. Finally, Faster R-CNN scored 36,000 iterations, 51 mAP, and 0.49 Recall. In terms of detection performance evaluation, YOLOv4 performed at 42 FPS, while YOLOv3 was at 37
FPS and Faster R-CNN at 10 FPS in video with 30 FPS. Based on the results, YOLOv4
has performed the best in comparison to YOLOv3 and Faster R-CNN.
Description
FARKLI KOŞULLARDA GÖRÜNTÜ ALGILAMA ALGORİTMALARI
YOLO VE FASTER R-CNN'NİN KARŞILAŞTIRILMASI
ÖZ: Bu tezde, hem zorlu hava koşullarında hem de karanlıkta daha iyi nesne tespiti açısından YOLOv4 ile YOLOv3 ve Faster R-CNN'yi karşılaştırıyoruz. Yağmurlu, sisli ve karlı hava koşullarında ve hatta geceleri yayalar, arabalar, otobüsler ve motosikletler gibi hareket eden nesneleri tespit etmek zor olabilir. Bu çalışma, hiçbirinin başlangıçta kötü hava koşullarında veya geceleri performans göstermesinin amaçlanmadığını akılda tutarak, bu tür durumlarda hangisinin en iyi performansı gösterdiğini belirlemek için üç modülü değerlendirmeyi amaçlamaktadır. Bu çalışma Tesla P4 GPU, 12GB RAM kullanılarak yapılmıştır. Bu algoritmaları, YOLOv4'ün 40.000 yineleme, 72 mAP ve 0.63 geri çağırma ile en iyi sonuçları aldığı bir açık görüntü veri seti ile eğittik. Öte yandan, YOLOv3 36000 yinelemede, 65.53 mAP'de ve 0.54 geri çağırma'da maksimum puan almıştır. Son olarak, Faster R-CNN 36000 yineleme, 51 mAP ve 0.49 geri çağırma elde etmiştir. Algılama performansı değerlendirmesi açısından, 30 FPS ile videoda YOLOv4 42 FPS'de, YOLOv3 37 FPS'de ve Faster R-CNN 10 FPS'de performans göstermiştir. Elde edilen sonuçlara göre, YOLOv4, YOLOv3 ve Faster R-CNN'ye kıyasla en iyi performansı göstermiştir.
ÖZ: Bu tezde, hem zorlu hava koşullarında hem de karanlıkta daha iyi nesne tespiti açısından YOLOv4 ile YOLOv3 ve Faster R-CNN'yi karşılaştırıyoruz. Yağmurlu, sisli ve karlı hava koşullarında ve hatta geceleri yayalar, arabalar, otobüsler ve motosikletler gibi hareket eden nesneleri tespit etmek zor olabilir. Bu çalışma, hiçbirinin başlangıçta kötü hava koşullarında veya geceleri performans göstermesinin amaçlanmadığını akılda tutarak, bu tür durumlarda hangisinin en iyi performansı gösterdiğini belirlemek için üç modülü değerlendirmeyi amaçlamaktadır. Bu çalışma Tesla P4 GPU, 12GB RAM kullanılarak yapılmıştır. Bu algoritmaları, YOLOv4'ün 40.000 yineleme, 72 mAP ve 0.63 geri çağırma ile en iyi sonuçları aldığı bir açık görüntü veri seti ile eğittik. Öte yandan, YOLOv3 36000 yinelemede, 65.53 mAP'de ve 0.54 geri çağırma'da maksimum puan almıştır. Son olarak, Faster R-CNN 36000 yineleme, 51 mAP ve 0.49 geri çağırma elde etmiştir. Algılama performansı değerlendirmesi açısından, 30 FPS ile videoda YOLOv4 42 FPS'de, YOLOv3 37 FPS'de ve Faster R-CNN 10 FPS'de performans göstermiştir. Elde edilen sonuçlara göre, YOLOv4, YOLOv3 ve Faster R-CNN'ye kıyasla en iyi performansı göstermiştir.
Keywords
computer science, computer engineering