mustafahacioglu/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. 1.YOLO11s iki sınıf tespit eder: forklift (id 0) ve person (id 1).
2. 2.Tespit edilen her forklift için, her insanla içerme oranı hesaplanır: kesişim_alanı / insan_kutusu_alanı.
3. 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:

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

6. Sonuçlar (test seti, 221 görülmemiş görüntü)

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).