Tolun, Mehmet ReşitBayezit, Halil Uğur2025-06-052025-06-052025https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=htlyhJG97gjBTPjAeWRhPq2c0bUdtus6SENIUed3rQoAmHNyvkAc2VAbBaNn3LkWhttps://hdl.handle.net/20.500.12416/10018X-ray bagaj taramalarında otomatik nesne tespiti, güvenliği ve yüksek hacimli ortamlar (örneğin, havaalanları) gibi yerlerde operasyonel verimliliği sağlamak için kritik bir öneme sahiptir. Geleneksel yöntemler, X-ray görüntülemenin benzersiz zorlukları olan üst üste binen nesneler ve düşük kontrast gibi durumlarla baş etmekte genellikle yetersiz kalmaktadır. Derin öğrenmede son yıllarda yaşanan gelişmeler, özellikle YOLO (You Only Look Once) çerçevesi, gerçek zamanlı nesne tespiti için dikkate değer bir potansiyel göstermiştir. Bu tez, en güncel YOLO modellerinden YOLOv8, YOLOv9 ve YOLOv10'un en yaygın kullanılan üç X-ray bagaj veri kümesi üzerindeki performansını incelemekte ve karşılaştırmaktadır. Bu veri kümeleri şunlardır; CLCXray, PIDXray ve SIXray. Araştırma, bu modelleri algılama doğruluğu, çıkarım hızı ve hesaplama verimliliği gibi temel metrikler açısından değerlendirmekte ve gerçek dünya uygulamalarına uygunluklarını belirlemeyi amaçlamaktadır. Çalışma, karmaşık ve dağınık ortamlardaki nesneleri tespit etme yeteneklerini kapsamlı deneylerle incelemekte, algılama hassasiyeti ve işlem hızını dengeleme üzerinde yoğunlaşmaktadır. Sonuçlar, YOLOv10'un genel olarak en iyi performansı sergilediğini, üstün doğruluk ve daha hızlı çıkarım süreleri sunarken düşük hesaplama karmaşıklığını koruduğunu ortaya koymaktadır. YOLOv8 ve YOLOv9 da belirli senaryolarda öne çıkan güçlü yönleriyle rekabetçi bir performans sergilemektedir. Bulgular, en yeni YOLO modellerinin gerçek dünya X-ray bagaj tarama sistemlerinin gereksinimlerini karşılamada oldukça etkili olduğunu ve operasyonel güvenlik ortamlarında kullanım potansiyeli taşıdığını gösteriyor. Bu çalışma, nesne algılama modellerinin kapsamlı bir incelemesini sunuyor, pratik uygulamalar hakkında değerli bilgiler sağlıyor ve otomatik güvenlik sistemlerindeki gelişmelerin temelini oluşturuyor.Automated object detection in X-ray baggage screening is critical for maintaining security and operational efficiency in high-throughput environments such as airports. Traditional methods often struggle with the unique challenges of X-ray imagery, including overlapping objects and low contrast. Recent developments in deep learning, and the YOLO (You Only Look Once) architecture specifically, have been especially promising for real-time object detection. This thesis benchmarks the performance of the newest YOLO variants— YOLOv8, YOLOv9, and YOLOv10—on three X-ray baggage datasets that are widely used—CLCXray, PIDXray, and SIXray. The comparison is done based on important parameters such as detection accuracy, inference speed, and computational cost to evaluate their applicability in real-time applications. Comprehensive experiments are implemented to evaluate their performance in object detection in dense and complicated scenes with an emphasis on the trade-off between detection accuracy and processing time. Results indicate that YOLOv10 performs best overall with higher accuracy and quicker inference at low computational complexity. YOLOv8 and YOLOv9 also show competitive performance with benefits under certain circumstances. Results indicate the efficacy of recent YOLO models in meeting the requirements of real-world X-ray baggage screening systems and their readiness for deployment in operational security settings. This research provides a detailed analysis of cutting-edge object detection models, contributing immensely to the knowledge of their application in real-world scenarios and paving the way for the creation of more sophisticated automated security systems.enElektrik ve Elektronik MühendisliğiElectrical and Electronics EngineeringMaster Thesis91934585