Vaka çalışması
Graduation Project·2026
Drone Fire Watch: Havadan Yangın ve Duman Tespiti
Bitirme projesi: 21K görselli D-Fire veri setiyle eğitilmiş bir YOLOv8-L dedektörü (precision, recall ve mAP50 ≈ 0.80); FastAPI ile bir React operasyon paneline ve Streamlit saha raporlayıcısına servis ediliyor.
01
Genel Bakış
Bitirme projem: özel eğitilmiş bir YOLOv8-L modeli etrafında kurulan, FastAPI çıkarım servisi üzerinden iki istemciye (bir operasyon paneli ve bir saha raporlayıcısı) hizmet veren havadan yangın ve duman tespit sistemi.
02
Zorluk
Orman yangını tespiti genellikle manuel gözleme ya da gecikmeli uydu görüntülerine dayanıyor. Yangın doğrulandığında çoktan yayılıyor olabiliyor; saha ekipleri de tam olarak nereye gideceklerini ya da rüzgârın yangını hangi yöne iteceğini nadiren biliyor.
03
Yaklaşım
21K görselli bir yangın ve duman veri seti olan D-Fire üzerinde bir YOLOv8-L dedektörü eğittim; burada doğruluk ham hızdan daha önemli olduğu için büyük backbone'u bilerek seçtim. Bir FastAPI servisi modeli sarıyor ve yapılandırılmış tespitleri iki istemciye döndürüyor: operatörler için bir panel ve sahadakiler için hafif bir raporlayıcı.
04
Nasıl çalışıyor
Havadan ya da sahadan gelen görseller FastAPI çıkarım servisine ulaşıyor; servis YOLOv8-L modelini 640px'te çalıştırıp etiket, güven skoru ve sınırlayıcı kutular içeren yapılandırılmış JSON döndürüyor. React operasyon paneli ayarlanabilir güven eşiğinin üstünde alarm veriyor, istatistikleri ve alarm geçmişini tutuyor. Streamlit saha raporlayıcısı her fotoğrafın EXIF GPS verisini okuyor, tespitleri haritaya yerleştiriyor ve OpenWeatherMap'ten canlı rüzgâr verisiyle zenginleştiriyor.
05
Sistem mimarisi
Parçaların birbiriyle nasıl konuştuğu. Bir düğümün üzerine gelin ya da runtime'ı süren kaynağa geçin.
Sense
Infer
Serve
06
Ne inşa ettim
21K görselli D-Fire veri setinde eğitilip değerlendirilen YOLOv8-L modeli (~100 epoch, 640px).
İki istemcinin ortak kullandığı yapılandırılmış JSON sözleşmesine sahip FastAPI çıkarım servisi.
React operasyon paneli: güven eşiği alarmları, istatistikler ve alarm geçmişi.
EXIF-GPS haritalama ve OpenWeatherMap rüzgâr zenginleştirmeli Streamlit saha raporlayıcısı.
07
Çıktılar
21K görselli D-Fire veri setinde yangın ve duman için özel bir YOLOv8-L dedektörü eğittim (~100 epoch, 640px); precision, recall ve mAP50 ≈ 0.80.
Bilinçli olarak hız yerine doğruluğu seçtim: güvenlik açısından kritik bir alanda kaçırılan bir yangın, yavaş bir kareden çok daha pahalı.
Modeli yapılandırılmış JSON döndüren bir FastAPI çıkarım servisiyle sundum.
Güven eşiği alarmları, istatistikler ve alarm geçmişi içeren bir React operasyon paneli geliştirdim.
EXIF-GPS haritalama ve OpenWeatherMap rüzgâr verisiyle zenginleştirilmiş bir Streamlit saha raporlayıcısı geliştirdim.
08
Sonuçlar
Yangın ve dumanda precision, recall ve mAP50 ≈ 0.80.
Tek model, iki istemci: operatörler ve saha ekipleri aynı tespitleri okuyor.
Yalnızca notebook'ta kalan bir demo değil; model, API ve iki arayüzden oluşan eksiksiz bir sistem.
09
Ne öğrendim
Güvenlik açısından kritik görüntü işlemede backbone'u benchmark hızına göre değil, bir kaçırmanın maliyetine göre seçin.
Tespit ancak bağlamla işe yarar: GPS ve rüzgâr, görseldeki bir kutuyu bir karara dönüştürüyor.
Operatör arayüzü olmayan bir model sistem değildir. Arayüzler tasarımın parçasıydı.
10