sancos/lane_keeping

🛣️ Otonom Şerit Takibi (U-Net Lane Detection)

<p align="center"> <img src="https://img.shields.io/badge/TensorFlow-FF9800?style=for-the-badge&logo=tensorflow&logoColor=white" /> <img src="https://img.shields.io/badge/Keras-FFB458?style=for-the-badge&logo=keras&logoColor=black" /> <img src="https://img.shields.io/badge/OpenCV-39AD39?style=for-the-badge&logo=opencv&logoColor=white" /> <img src="https://img.shields.io/badge/Albumentations-F1B060?style=for-the-badge&logo=albumentations&logoColor=black" /> <img src="https://img.shields.io/badge/Streamlit-FFD200?style=for-the-badge&logo=streamlit&logoColor=black" /> </p>

👁️ Derin Öğrenme Tabanlı Şerit Segmentasyon Projesi

📝 Proje Özeti

Bu proje, otonom sürüş sistemlerinin en kritik bileşenlerinden biri olan şerit takibi (lane detection) için geliştirilmiştir. TuSimple veri seti üzerinde, U-Net mimarisi kullanılarak şerit çizgilerinin görüntü üzerindeki piksel bazlı bölütlemesi (segmentation) yapılmıştır. Model, zorlu doku karmaşalarını ve ışık değişimlerini yönetebilmek için Data Augmentation teknikleriyle eğitilmiştir.

🚀 Teknik Detaylar ve Metodoloji

🛠️ Kullanılan Teknolojiler

• —Mimari: U-Net (CNN)
• —Framework: TensorFlow / Keras
• —Görüntü İşleme: OpenCV
• —Veri Çoğaltma: Albumentations (Horizontal Flip, Brightness/Contrast)
• —Arayüz: Streamlit

📊 Model Performansı

Eğitim süreci EarlyStopping ile optimize edilmiş ve en iyi başarıyı yakalayan ağırlıklar kaydedilmiştir.

Not: Model, başlangıçtaki doku karmaşalarını (su damlacıkları, gölge etkileri) yüksek başarıyla aşarak genelleme yeteneğini kanıtlamıştır.

🔍 Modelin Çalışma Prensibi

Model, giriş görüntüsünü (256x512) bir encoder-decoder yapısından geçirerek her pikselin bir şerit çizgisine ait olup olmadığını tahmin eder. bce_dice_loss hibrit kayıp fonksiyonu sayesinde, şeritlerin sadece konumunu değil, geometrik formlarını da hassasiyetle yakalamaktadır.

🏗️ Kurulum ve Kullanım

1. 1.Repoyu klonlayın:

   git clone https://github.com/madsancos/lane-keeping-project.git
2. Gerekli kütüphaneleri yükleyin:

pip install -r requirements.txt

3. Uygulamayı başlatın:

streamlit run app.py

--- 
## Hazırlayan
**Serdar ÖNAL** | 
**Kıdemli İnşaat Mühendisi & Yapay Zeka Geliştiricisi | 2026**
> "Mühendislik disipliniyle veriyi işliyor, sahadaki arızaları dijital dünyada öngörüyorum."

[![LinkedIn](https://img.shields.io/badge/LinkedIn-0077B5?style=flat&logo=linkedin&logoColor=white)](https://www.linkedin.com/in/serdarönal1981)
[![GitHub](https://img.shields.io/badge/GitHub-100000?style=flat&logo=github&logoColor=white)](https://github.com/madsancos)
[![Hugging Face](https://img.shields.io/badge/Hugging%20Face-FFD21E?style=flat&logo=huggingface&logoColor=black)](https://huggingface.co/sancos)