Yolo11s Forklift Person Detection

YOLO11s — Forklift ve İnsan Tespiti (Araç Doluluk Kontrolü)

Görev: Endüstriyel ortamlarda forklift ve insan tespiti yapmak, ardından tespitlerin üzerine kurulan mekânsal içerme (containment) kuralıyla her aracın dolu (içinde/üzerinde operatör var) olup olmadığına karar vermek.

Tek cümlelik özet: Güvenlik odaklı, iki aşamalı bir sistem — YOLO11s tespiti (forklift, person) + kutu-içerme son işlemesi.

---

1. Kullanım Amacı

• Endüstriyel alanların (depo, tesis, saha) araç doluluğu açısından izlenmesi.
• Güvenlik sistemleri için yapı taşı; örn. "başıboş çalışan araç" uyarıları.
• Sertifikalı bir güvenlik cihazı değildir. Hayati kararların tek dayanağı olarak kullanılmamalı, yardımcı bir sinyal olarak değerlendirilmelidir.

2. Nasıl Çalışır?

1. YOLO11s iki sınıf tespit eder: forklift (id 0) ve person (id 1).
2. Tespit edilen her forklift için, her insanla içerme oranı hesaplanır: kesişim_alanı / insan_kutusu_alanı.
3. Herhangi bir insanın içerme oranı ≥ 0.5 ise forklift DOLU, aksi halde BOŞ olarak işaretlenir.

Neden IoU değil de içerme? Operatörün kutusu araç kutusuna göre küçüktür; insan tamamen aracın içinde olsa bile IoU düşük kalır. İçerme oranı ise "insanın ne kadarı aracın içinde?" sorusunu doğrudan cevaplar — oturan operatörde ~1.0, yoldan geçen yayada ~0.0 çıkar.

Güven eşikleri bilinçli olarak asimetriktir (güvenlik bağlamı):

• person: 0.15 (düşük; insan kaçırmayı en aza indirmek için — bu senaryoda en tehlikeli hata yanlış negatiftir)
• forklift: 0.40 (daha yüksek; hayalet araç tespitini önlemek için)

3. Hızlı Başlangıç

from huggingface_hub import hf_hub_download
from ultralytics import YOLO

model = YOLO(hf_hub_download(
    "mustafahacioglu/yolo11s-forklift-person-detection", "best.pt"))
results = model.predict("image.jpg", conf=0.15)

4. Eğitim Verisi

Roboflow Universe'ten iki açık veri seti, sınıf kimlikleri hizalanarak birleştirildi:

Kaynak	Görüntü	Sınıflar	Lisans
mohamed-traore-2ekkp/forklift-dsitv (v1)	421	forklift, person	CC BY 4.0
etri/map_up (v4)	~4.100	forklift, person	kaynağa bakınız

Birleşik bölümler: 3.928 train / 433 val / 221 test görüntüsü (train'de 7.464 kutu; sınıflar dengeli: 3.646 forklift, 3.818 person; 1.610 train görüntüsünde iki sınıf birlikte bulunuyor).

5. Eğitim Ayarları

Ayar	Değer
Taban model	yolo11s.pt (COCO pretrained, transfer learning)
Epoch	150 (tamamlandı, erken durma tetiklenmedi)
Görüntü boyutu	640
Batch	16
Optimizer	AdamW (auto), lr0=0.001667
Seed	42
Augmentation	Ultralytics varsayılanları (mozaik, flip, HSV, ölçek)
Donanım	NVIDIA A100 (Google Colab), ~1,15 saat

6. Sonuçlar (test seti, 221 görülmemiş görüntü)

Sınıf	Precision	Recall	mAP50	mAP50-95
tümü	0.880	0.804	0.841	0.598
forklift	0.903	0.892	0.920	0.684
person	0.857	0.716	0.762	0.512

Validation (433 görüntü) sonuçları tutarlıdır (genel mAP50 = 0.856); bu da anlamlı bir overfitting olmadığını gösterir.

7. Bilinen Sınırlar

• Oturan / büyük ölçüde gizlenmiş (occluded) operatörler, çok düşük güven eşiklerinde bile tamamen kaçırılabilir. Kök neden: eğitim verisinde oturan-operatör örneklerinin azlığı. Baskın hata türü budur.
• Yakın çekimler: araca bitişik duran bir kişi, kutu örtüşmesi nedeniyle "araçta" sayılabilir (içerme kuralının yanlış pozitifi).
• Model ağırlıklı olarak forklift ile eğitildi; diğer endüstriyel araçlar (ekskavatör, vinç vb.) dağılım dışıdır.
• Varsayılan eşiklerde person recall 0.716'dır — conf değeri kullanım senaryosuna göre ayarlanmalıdır.

8. Gelecek Çalışmalar

• Oturan-operatör ağırlıklı ek veriyle yeniden eğitim.
• Daha fazla araç türüne genişletme.
• Kutu içermesi yerine daha zengin mekânsal akıl yürütme (örn. keypoint).
• Edge dağıtımı: gerçek zamanlı kullanım için ONNX / TensorRT export.

9. Lisanslar ve Atıflar

• Ultralytics YOLO11: AGPL-3.0 (bu model de aynı lisansı devralır).
• forklift-dsitv veri seti: CC BY 4.0, mohamed-traore-2ekkp (Roboflow Universe).
• map_up veri seti: etri (Roboflow Universe).