- Personelleri yüz tanıma yoluyla algılayıp izlemek.
- Müşterilerin varlığını algılayıp, bulundukları süreyi takip etmek.
Başlangıçta veri setinin azlığı ve çeşitliliği düşük olmasından dolayı personeller arası karışıklıklar yaşandı
Çözümü
- 📈 Veri setindeki resimlerin sayısı arttırıldı.
- 🖼️ Bazı resimler üzeri ise renk, eğim gibi çeşitli düzenlemeler yapılarak çeşitlilik sağlandı.
Bu sayede personelleri birbirine karıştırması büyük oranda azaldı.
Veri seti eğitimlerinde Google colob üzerinden modeli eğitirken GPU kullanım süresinin dolması ve yerel bilgisayar üzerinden devam ederken ise eğitimin çok uzun sürmesi
Çözümü
- 🔄 Başka Google hesaplarıyla devam edilmeye çalışıldı. Ancak bu geçici bir çözüm oldu ve bu sorun tam olarak çözülemedi.
YOLOv8 modeli ile yapılan eğitimlerde, müsterilerin personel olarak algılaması ya da bir kişininhem müşteri hem personel olarak sınıflandırması gibi sorunlar yaşandı.
Çözümü
- 🟦 YOLOv8 modeli ile yanlızca yüz algılama yapıldı.
- 💡 Yüz tanıma aşamasında FaceNet ve KNN algoritmaları kullanıldı. Bu, karışıklığı büyük ölçüde giderdi.
yolov8n.pt nin FPS değerin 20 lerde iken kendi eğittiğim modelin FPS değeri 10 larda idi. Ayrıca diğer işlemlerde eklenince bu değer 3 lere düşüyordu.
Çözümü
- 🚀 Model için kullanılan veriler gözden geçirildi ekleme yapılıp yeniden eğitildi. Bu sayede Modelin FPS değeri 20 lere çıktı.
- 🛠️ Traker ve recognition üzerinde düzeltmeler yapılmaya çalışıldı ama yinede değeri yükseltilemedi.
-
Veri Seti Toplama:
Kaggle'dan insan yüzü veri seti toplandı.
Kaggle Veri Seti -
Veri Seti Oluşturma:
Roboflow platformunda 200'e yakın yeni veri eklenerek eğitim seti oluşturuldu.
Roboflow -
Model Eğitimi:
Google Colab üzerinde YOLOv8n.pt modeli kullanılarak eğitim yapıldı.
Colab Eğitim Not Defteri -
Model Değerlendirme:
En iyi sonuç veren modeller seçildi, yetersiz kalanlar için ek eğitimler yapıldı. -
Gerçek Zamanlı Yüz Tanıma:
Önceden toplanan personel yüz resimleri ve anlık kamerada tespit edilen yüzler FaceNet ile embedding formatına dönüştürüldü ve KNN algoritması ile tanıma yapılarak id atandı. -
Kişi Takibi:
DeepSORT algoritması kullanılarak kişilerin takibi yapıldı, ID atamaları gerçekleştirildi ve sayaçlar güncellendi.
📌 YOLO modeli ile yüz algılama başarıyla gerçekleştirilmiştir.
📌 FaceNet ve KNN algoritmaları ile yüz tanıma, DeepSORT ile kişi takibi sağlanmıştır.
- KNN algoritması büyük veri setlerinde yavaşlama yaratabileceğinden, performansı artırmak için SVM algoritması tercih edilebilirdi.
- Yüz tanıma ve takip için yazılan kodlar daha uygun bir şekilde düzenlenebilirdi.
