Akademik Veri Yönetim Sistemi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Marmara Üniversitesi, Türkiye
Tezin Onay Tarihi: 2019
Tezin Dili: Türkçe
Öğrenci: Tugay Karademir
Danışman: ADİL DENİZ DURU
Özet:Amaç Bu çalışmada bir voleybol müsabakasına ait videodan alınan görüntü üzerinde yapay sinir ağı modellerinden olan Faster R-CNN kullanılarak müsabaka esnasında bir oyuncunun sahanın hangi bölgesinde yoğunlukla konumlandığı ve hareket örüntüsünün çizilmesini sağlamak amaçlanmaktadır. Gereç ve Yöntem Faster R-CNN modelinde temel olarak yapılan işlemler sırasıyla eğitim veri setinin oluşturulması daha sonra bu eğitim veri seti ile modelin eğitilmesi ve son olarak eğitilmiş modelin müsabakadan alınan görüntüden oyuncunun tespit edilmesidir. Çalışmada öncelikle müsabakanın başlangıcına ait oyuncuların net şekilde sahada görüldüğü ilk 5 dakikalık görüntü alınıp bu görüntülerden 253 tane resim alınmıştır daha sonra oyuncu için etiketlenip modelin eğitilmesine uygun veri seti aşaması tamamlanmıştır. Oyuncunun farklı açılarına ait resimlerin öğrenmeyi zorlaştırmasını engellemek için veri setine ait etiketlemeyi yaparken oyuncuyu ön arka ve yan olmak üzere 3 farklı sınıfa ayırmıştır. Böylece modelimiz oyuncunun bulunduğu her resimde oyucunun farklı açılarını ayrı ayrı ele alarak daha doğru oyuncu tespiti yapılması sağlanmıştır. Bulgular ve Sonuçlar Modelimiz aynı maça ait 253 resimden 43 tanesi test için kullanıldığında %96’lık bir başarı elde etmiştir. Bu sonuçtan yola çıkarak Voleybol antrenörleri ve analistlerinin müsabakalarda oyunculara ait yoğunluk haritası ve hareket örüntüsünün yazılım tarafından tespit edilmesi de Faster R-CNN modeli kullanılarak geliştirilen yazılımın kullanılabileceği düşünülmektedir. -------------------- Introduction In this study, Faster R-CNN was used to compute the intensity map and movement pattern of a player with the Deep Learning in the volleyball competition. Materials and Methods The basic operations in the Faster R-CNN model are the creation of the training data set, the training of the model with this training data set and finally the determination of the player from the image of the trained model from the competition. After writing the position information of the determined player to a file, the movement pattern and intensity map within the court were determined using this position information. In the study, from the first 5-minute of the beginning of the competition, 253 images of target player were collected for training and testing data which is clearly seen on the court. In order to make it easier to learn the pictures in which is the player appears at different sides, the data set is divided into three different classes: front, back or moment. Findings and Results Our model correctly identified the player with a success of 96%, When 43 of the 253 pictures of the same match were used for the test. Based on this result, it is thought that the software developed using Faster R-CNN model can be used to determine the intensity map and movement pattern of volleyball coaches and analysts in the competitions by the software.