Erhan Yüksel Turgut

Kitle lezyonu tespitinde RF-DETR, YOLO11 ve YOLO26'yı aynı veri bölünmesiyle karşılaştırdım; RF-DETR mAP@50 0.7551 ve 0.815 duyarlılıkla öne çıktı. Meme yoğunluğu segmentasyonunda altı modeli sabit protokolle eğittim, en iyi sonucu U-Net + ResNet34 verdi (Dice 0.8059).

Ultrason segmentasyonunda üç mimariyi üçer tohumla, toplam dokuz koşuda ölçtüm. SegFormer-B0 90.7 FPS ile gerçek zamanlı hattı taşıyor ve YOLOv11n-Seg'e üstünlüğü istatistiksel olarak anlamlı çıktı (+0.035 Dice, p = 0.003).

MR inme segmentasyonunda önce zamanın nereye gittiğini ölçtüm. Sürenin dörtte üçü ön işlemeye gidiyordu; yeniden örnekleme ve beyin maskesini GPU'ya taşıyınca vaka başına süre 385 ms'den 138 ms'ye indi. ONNX ve TensorRT izole ölçümde hızlı görünmelerine rağmen gerçek hatta kazanç vermediği için yığından çıkardım.

PyTorch / RF-DETR / SegFormer / U-Net / ONNX / TensorRT / Albumentations

329 akademik dokümandan Ollama üzerinde çalışan Ministral-3:8b ile SQuAD v2.0 formatında 7.194 soru-cevap çiftlik sentetik veri seti ürettim. Cevapların bağlamdan birebir alıntı olmasını zorlayan prompt tasarımı ve doğrulama akışı kurdum.

BGE-M3 embedding modelini MultipleNegativesRankingLoss ile fine-tune ederek Recall@1'i 0.6406'dan 0.7482'ye çıkardım; pozitif ve negatif eşleşmelerin kosinüs benzerlik farkını 0.149'dan 0.362'ye, yani 2.4 katına genişlettim.

Sınırlı GPU belleğinde gradient checkpointing, gradient accumulation (4×8) ve FP16 ile effective batch size 32'yi koruyarak eğitimi tamamladım. Aynı veri setiyle bge-large-en-v1.5 modelini hard negative mining ile eğitip iki modeli karşılaştırdım.

PyTorch / Sentence-Transformers / BGE-M3 / Ollama / SQuAD / FP16

İki dedektör mimarisini (DETR-ResNet50 ve Faster R-CNN) aynı veri setinde eğitip karşılaştırdım; Faster R-CNN ile mAP@[.50:.95] 0.53 ve AP50 0.91 elde ederek DETR'in üzerine çıktım. Nesne boyutuna göre başarım kırılımı çıkararak model seçimini küçük nesne performansı üzerinden gerekçelendirdim.

Sınıf dengesizliğine karşı Focal Loss ve Class-Balanced Loss uygulamalarını yazıp taban modelle karşılaştırdım. Class-Balanced Loss duyarlılığı 0.84'e çıkarıyor, ancak mAP@50'de taban modeli geçmiyor.

Eğitilen modelleri uç cihaza taşımak için ONNX dönüşüm ve TensorRT motor üretim hattını kurdum: YOLO için FP16 ve INT8 kalibrasyonlu motor üretimi, Faster R-CNN ve RT-DETR için ONNX Runtime TensorRT sağlayıcısı ve motor önbellekleme.

PyTorch / YOLO / RT-DETR / Faster R-CNN / ONNX / TensorRT / Jetson Orin

Sıfırdan tasarladığım EytNet ailesini (V1, V1_High, V1_Opt, V2, V2_Opt) hazır omurgalar ve hibrit mimarilerle aynı veri setinde karşılaştırdım. Toplam on iki model eğitildi; en iyi sonucu EytNet_V1 verdi: F1 0.9950, AUC 0.9994. Bu sonuç, ImageNet ön eğitimli ResNet50 (0.9416) ve DenseNet121'in (0.9497) belirgin biçimde üzerinde.

V1'in üzerine Depthwise Separable Conv, SE Block, MixUp, SWA ve etiket yumuşatmayı birlikte ekleyen EytNet_V1_Opt varyantı daha iyi genellemedi; F1 0.9464'e düştü. Küçük veri setinde bu tekniklerin toplamı kapasiteyi fazla kısıtlayıp underfitting yarattı.

Değerlendirmede doğruluk, kesinlik, duyarlılık, özgüllük, F1, Cohen's Kappa ve AUC birlikte raporlandı; tüm modeller aynı veri bölünmesi ve aynı protokolle ölçüldü. Çalışmanın TensorFlow ile yürüttüğüm ilk sürümü de depoda duruyor.

PyTorch / Albumentations / EytNet / SE Block / MixUp / SWA

Grounding DINO yazılan sınıf adlarını görüntüde arayıp kutuları çıkarır, SAM2.1 her kutuyu piksel maskesine çevirir, Supervision ile sonuç YOLOv8, COCO, Pascal VOC, CSV veya TFRecord formatına yazılır. Önceden eğitilmiş bir dedektöre veya etiketli veriye ihtiyaç duymaz.

Tüm klasör işlenmeden önce küçük bir örneklemde eşik ayarı yapılır; etiketleme sonrası görsel doğrulama ve sınıf dağılımı raporu üretilir.

Grounding DINO / SAM2.1 / Supervision / YOLO / COCO

LLM çıkarımı için Ollama kullanır; kural tabanlı modlarda hiçbir ağ bağlantısı gerekmez. Türkçe ve İngilizce metinlerde yapay zekâ kalıplarını tespit edip yeniden yazar.

Proje MIT lisansıyla yayımlanmıştır ve 118 testlik bir test takımıyla birlikte gelir.

Python / Ollama / NLP / CLI

Oyuncu verisinden başarım tahmini yapan model ile bütçe ve formasyon kısıtlarını gözeten genetik algoritma birlikte çalışır; sonuç Streamlit arayüzünde etkileşimli olarak sunulur.

Python / Streamlit / Genetik algoritma / Sinir ağları

Masa alanları config.json dosyasında kalıcı olarak saklanır ve düzenleme modu sayesinde yeniden çizilebilir. Nesne doğruluk eşikleri ayarlanarak algılama hassasiyeti kontrol edilir.

Yalnızca masa bölgesi içindeki nesneler işaretlendiği için görüntü sade kalır ve kullanıcı salona girmeden önce boş masaları görebilir.

Python / OpenCV / YOLO / NumPy / JSON

Bakiye yetersiz olduğunda uygulama kullanıcıyı uyarır ve bakiye yükleme sayfasına yönlendirir. Yemek menüleri okulun web sitesinden HTML ayrıştırma yöntemiyle anlık olarak çekilir, böylece içerik manuel müdahale olmadan güncel kalır.

Uygulama iOS ve Android üzerinde aynı Flutter kod tabanından yayınlanıyor ve 200'ün üzerinde öğrenci tarafından aktif olarak kullanılıyor.

Flutter / Dart / iOS / Android / HTML ayrıştırma

Sistem mimarisi üç rol üzerine kurulu. Kullanıcı yeni bildirim oluşturur ve haritada olayları görür. Admin, kendi üniversitesine ait bildirimleri yönetir ve acil uyarı gönderir. Super Admin, tüm üniversiteler genelinde kullanıcı ve bildirim yönetimini yürütür.

Uygulama çoklu platform desteği için Flutter ile geliştirildi. Sunucu tarafında Node.js ile asenkron çalışan bir API mimarisi kuruldu, kullanıcı ve bildirim verileri MSSQL üzerinde saklanıyor, bildirimlere eklenen görseller Firebase Storage üzerinde tutuluyor.

Bu projede mobil uygulamanın kullanıcı arayüzünü geliştirdim, MSSQL veritabanı yapısını kurdum ve Node.js API servislerini mobil uygulamaya entegre ettim.

Flutter / Node.js / MSSQL / Firebase Storage

Veri saklama katmanında MongoDB kullandım, böylece esnek ve ölçeklenebilir bir veri yapısı elde ettim. Görsel ve medya dosyalarının yönetimi için Cloudinary entegrasyonu kurdum; dosya yükleme, optimizasyon ve hızlı erişim bu katman üzerinden çalışıyor.

GraphQL API desteğiyle esnek veri erişimi sundum. Ön yüzde dinamik sayfa yönlendirmeleri, hızlı arama ve sayfalama gibi özellikler yer alıyor. Kodun sürdürülebilirliği için component tabanlı mimari ve kapsamlı testler kullandım.

Next.js / TypeScript / Payload CMS / MongoDB / Cloudinary / GraphQL