Babalık, AhmetIlgaz, Firdevs2026-04-102026-04-102026https://hdl.handle.net/20.500.13091/13176https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=KOgdn9H3uVnWeb15j2W4h8M4goxHOeYqn0WIsmdxGB3aEMJh6OJdPqizlJyxKvdcKara yolu yüzeyinde oluşan kusurların maddi kusurların yanı sıra insan sağlığına da olumsuz etkileri olabilmektedir. Kusur tespitlerinin insan gücü ile yapılması hata oranını artırmakta ve onarım süresinin gecikmesine yol açmaktadır. Bu sorunların üstesinden gelmek için son zamanlarda derin öğrenme yöntemlerinin kullanıldığı çalışmalar hız kazanmıştır. Bu çalışmada YOLO tabanlı modeller kullanılarak kara yolu yüzeylerinde oluşan yol kusurlarının tespiti amaçlanmıştır. Bu amaçla YOLOv8 modelinin omurga ağında değişikliğe gidilmiştir. Mevcut ağ, mobil cihazlar ve gömülü sistemler için geliştirilmiş olan MobileNetv3 ağının özelleştirilmiş versiyonu ile değiştirilmiştir. Elde edilen model açık kaynaklı RDD2022 ve SVRDD veri setleri ile eğitilmiştir. Eğitimler esnasında aynı kusur türleri barındıran bu veri setleri ile transfer öğrenme gerçekleştirilmiştir. Özelleştirilmiş YOLOv8 modeli ile yapılan testler esnasında performans artırımı için son işleme yöntemlerinden olan TTA ve NMS yöntemleri kullanılmıştır. SVRDD veri seti üzerinde gerçekleştirilen deneysel çalışmalar sonucunda, %66,8 mAP ve %68 F1 skoru elde edilmiştir. RDD2022 veri seti kullanılarak gerçekleştirilen deneysel çalışmalarda, son işleme yöntemi uygulanmayan durumda %53 mAP ve %55 F1 skoru elde edilmiştir. Buna karşılık, son işleme yöntemlerinin deneysel sürece dahil edilmesiyle birlikte performans değerlerinin %51,6 mAP ve %54,5 F1 skoru seviyelerine gerilediği gözlenmiştir. Bu bulgu, kullanılan son işleme yöntemlerinin RDD2022 veri setinin yapısal özellikleriyle tam uyum sağlamadığını ve bazı durumlarda performans kaybına yol açabildiğini göstermektedir.Defects on the road surface can have negative effects not only on material defects but also on human health. Detecting defects manually increases the error rate and leads to delays in repair times. To overcome these problems, studies using deep learning methods have gained momentum in recent times. ​This study aims to detect road defects on highway surfaces using YOLO-based models. To this end, modifications were made to the backbone network of the YOLOv8 model. The existing network was replaced with a customized version of the MobileNetv3 network, developed for mobile devices and embedded systems. The resulting model was trained using the open-source RDD2022 and SVRDD datasets. Transfer learning was performed during training using these datasets, which contain the same defect types. During tests with the customized YOLOv8 model, the TTA and NMS methods, which are post-processing methods, were used to improve performance. Experimental studies conducted on the SVRDD dataset resulted in a mAP of 66.8% and an F1 score of 68%. In experimental studies conducted using the RDD2022 dataset, a mAP of 53% and an F1 score of 55% were obtained when no post-processing method was applied. In contrast, it was observed that the performance values decreased to a mAP of 51.6% and an F1 score of 54.5% when post-processing methods were included in the experimental process. This finding indicates that the post-processing methods used are not fully compatible with the structural characteristics of the RDD2022 dataset and can lead to performance loss in some cases.trComputer Engineering and Computer Science and ControlBilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMaster Thesis