Otonom Araç & ADASÖne Çıkan Çalışma
Teknofest ADAS — Yapay Zekâ & Derin Öğrenme Algılama Mimarisi
Teknofest Uluslararası Efficiency Challenge Elektrikli Araç Yarışları (Elektromobil & Hidromobil) için tasarlanan otonom araç yapay zekâ mimarisi. Türkiye Trafik Veri Seti (TTVS) ile eğitilen YOLO nano modeli ile 4 sınıf trafik işareti tespiti yaparken, OpenCV perspektif dönüşümü ile şerit ikazı üretmektedir.
Çözülen Problem
Otonom araçlarda pist üzerindeki trafik işaretlerini derin öğrenmeyle canlı sınıflandırmak ve bilgisayarlı görü ile şerit takip desteği sağlamak.
Projedeki Rolüm & Sorumluluğum
Yapay Zekâ & Derin Öğrenme Geliştiricisi (TTVS Veri Seti Eğitimi, YOLO Nano Çıkarımı & OpenCV Şerit İkaz Mimarisi)
Teknik Ekran Görüntüsü / Sistem Mimarısıproject-1
Trafik İşaret AI Modeli
YOLO Nano (4 Sınıf)
AI Çıkarım Gecikmesi
< 150 ms Hedef
Model Platformu
PyTorch
Karşılaşılan Mühendislik Zorlukları
- Geleneksel dönüşümlerin kıvrımlı yollar, gölgeler ve tabelalarda hatalı şerit çizgisi üretmesi
- Yapay zekâ modelinin kamera görüntülerinden uyarı üretimine kadar geçen sürenin pist koşullarında 150 ms altında kalmasını sağlama
- LiDAR verileri ve hız sabitleme komutlarının motor sürücü kartına kesintisiz iletilmesi
Çözüm Yaklaşımı & Uygulama
- Olumsuzlukları gidermek için Kuş Bakışı perspektif dönüşümü, renk maskeleme ve polinomsal regresyon ile şerit eğriliği tespit edildi.
- YOLO nano modeli eğitilerek TTVS (Türkiye Trafik Veri Seti) tabanlı 4 sınıf (dur, hız sınırı, yol çalışması, yön) canlı olarak sınıflandırıldı.
- 2 adet YDLIDAR GS2 sensörü ile kör nokta mesafe takibi ve hız sabitleme kontrol yapısı kurgulandı.
Sistem Mimarisi Öne Çıkanları
- YOLO nano modeli ile canlı trafik işareti sınıflandırması (<150 ms gecikme hedefi)
- OpenCV Kuş Bakışı ve Polinomsal Regresyon şerit takip algoritması
- YDLIDAR GS2 sensörleri ile kör nokta algılama ve motor sürücü entegrasyonu
Kullanılan Teknolojiler
Yapay ZekâYOLO NanoPyTorchDerin ÖğrenmeOpenCVRaspberry Pi 5Teknofest 2026