🎯 SAVUNMA SANAYİİ PROJESİ

Gözcü İHA - Otonom Tehdit Tespit Sistemi

YOLOv8 ile Gerçek Zamanlı Tank ve Zırhlı Araç Tespiti

YOLOv8

Nesne Tespiti

Epoch

RTX

GPU Eğitim

HSV

Renk Filtresi

🎯

1.1 Projenin Genel Amacı

Savunma sanayiinde İnsansız Hava Araçları (İHA) tarafından alınan görüntülerin işlenmesi ve tehdit unsurlarının (tank, zırhlı araç vb.) otonom olarak tespit edilmesi hedeflenmektedir.

🤖 Algoritma

YOLOv8 (You Only Look Once) - En hızlı nesne tespit algoritmalarından biri

🎯 Hedef

Gerçek zamanlı Gözcü sistemi tasarımı ve false positive önleme

📊

2.1 Veri Seti ve Model Eğitimi

Modelin eğitimi için Roboflow platformu üzerinden temin edilen, kuş bakışı (drone view) çekilmiş tank ve zırhlı araç görselleri kullanılmıştır.

Parametre	Değer
Model	`yolov8n` (nano)
Donanım	NVIDIA RTX 2060 GPU
Epoch	50
Image Size	640x640
Yöntem	Transfer Learning

💻 Model Eğitim Kodu

# Source - Roboflow & Ultralytics Docs (Modified by Community)

from ultralytics import YOLO
from roboflow import Roboflow

if __name__ == '__main__':
    # Veri setinin Roboflow üzerinden çekilmesi
    # (API Key gizlenmiştir)
    
    # Modelin Yüklenmesi (Nano Model)
    model = YOLO('yolov8n.pt') 

    # Eğitimin Başlatılması
    results = model.train(
        data=f"{dataset.location}/data.yaml",
        epochs=50,       
        imgsz=640,      
        device=0,        # RTX 2060 GPU
        batch=16,       
        name='gozcu_tank_modeli'
    )

📊 Figure 1 - YOLOv8 Model Eğitimi ve Tespit Örneği

⚠️

3.1 Karşılaşılan Zorluklar ve Filtreleme Algoritması

Eğitilen model test videosu üzerinde denendiğinde, geometrik yapısı tanklara benzeyen bazı sivil yapıların "False Positive" olarak algılandığı tespit edilmiştir.

🔍 Tespit Edilen Sorunlar:

Yıkık binalar ve hurda araçlar tank olarak algılanıyor
Beyaz renkli sivil araçlar tank sınıfına dahil ediliyor

✅ Çözüm: Post-Processing Katmanı

📐

Geometrik Filtre

Piksel boyutlarına bakılarak tank boyutlarından çok büyük (bina) veya çok küçük (gürültü) nesneler eleniyor.

🎨

Renk Filtresi (HSV)

Parlaklığı yüksek ve doygunluğu düşük olan beyaz/gri sivil araçlar algoritma tarafından eleniyor.

💻 Filtreleme Algoritması

# Source - StackOverflow (CC BY-SA 4.0)
import cv2
import numpy as np

# ... (Model tahmin kodları) ...

# 1. BOYUT FİLTRESİ
# Çok büyük (Bina) veya çok küçük nesnelerin elenmesi
if w > 250 or h > 250: 
    continue 
if w < 25 or h < 25:
    continue

# 2. RENK FİLTRESİ (HSV Analizi)
roi = frame[y1:y2, x1:x2]
hsv_roi = cv2.cvtColor(roi, cv2.COLOR_BGR2HSV)

# Parlaklık ve Doygunluk ortalaması
avg_brightness = np.mean(hsv_roi[:, :, 2])
avg_saturation = np.mean(hsv_roi[:, :, 1])

# Beyaz/Parlak sivil araçların elenmesi
if avg_brightness > 160 and avg_saturation < 60:
    continue # Tespit iptal edilir

🎬

4.1 Operasyon Sonucu ve Video Analizi

Yapılan filtreleme işlemleri sonucunda, sistemin sivil araçları ve binaları başarılı bir şekilde elediği, sadece hedef olarak belirlenen tank ve zırhlı araçları tespit ettiği görülmüştür.

%40+

Güven Skoru (Düşük Kalite/Kamufle Hedeflerde)

🎥 Video Sonucu: Görüntü kalitesinin düşük olduğu veya hedefin kamufle olduğu durumlarda dahi model başarılı tespit yapabilmektedir.

🎬 Video 1 - Gözcü İHA Operasyon Görüntüsü

🛠️ Kullanılan Teknolojiler

🐍

Python

🎯

YOLOv8

👁️

OpenCV

🚀

Ultralytics

📦

Roboflow

🎮

NVIDIA CUDA

Real-Time Tank and Armored Vehicle Detection with Spotter UAV-YOLOv8