Mobil Cihazlardaki Görsellerin Analizi ile YOLOv8 Tabanlı Seyahat Öneri Sistemi

Abstract

Bu çalışma, yapay zekâ destekli yöntemler aracılığıyla mobil cihazlarda fotoğraf analizi yaparak gerçek zamanlı nesne tespiti ve içerik yorumlama süreçlerini incelemeyi; bu bağlamda bir Mobil Seyahat Öneri Sistemi tasarlayıp geliştirmeyi hedeflemektedir. Çalışmada, YOLOv8 nesne algılama algoritmasının Android platformuna entegrasyonu ele alınmış ve bu entegrasyonun mobil cihazlar üzerindeki uygulanabilirliği kapsamlı bir şekilde araştırılmıştır. Çalışmanın ana odak noktalarından biri, kullanıcıların galerisinden birden fazla fotoğraf seçerek bu fotoğrafların Roboflow platformu üzerinden analiz edilmesi ve elde edilen kategorik tahminler doğrultusunda kişiye özel seyahat önerilerinin sunulmasıdır. Uygulama, yüklenen her fotoğrafı Roboflow API aracılığıyla değerlendirerek dört ana kategori (doğa, tarihi mekânlar, yaz tatili, kış tatili) çerçevesinde sınıflandırmakta ve bu sınıflandırmalardan anlamlı seyahat yönlendirmeleri üretmektedir. Tezin kapsamı, YOLOv8 algoritmasının temel prensiplerinin yanı sıra, farklı konfigürasyonlardaki modellerin eğitim süreçlerini ve mobil cihazlardaki kullanım performanslarını değerlendirmeyi de içermektedir. Bu doğrultuda, Python tabanlı olarak eğitilen YOLOv8 modellerinin, Android uygulaması ile API üzerinden iletişim kuracak şekilde entegrasyonu gerçekleştirilmiştir. Çalışmanın başlangıcında, YOLOv8 algoritmasının yapısı, çalışma prensipleri ve önceki nesil algoritmalarla karşılaştırmalı analizi yapılmıştır. Ardından, Android ortamında mobil uygulama geliştirme süreci, Roboflow ile model eğitimi, API entegrasyonu ve çoklu fotoğraf tahmini için geliştirilen sistem mimarisi ayrıntılı biçimde açıklanmıştır. Model eğitimi sürecinde Roboflow platformu kullanılarak veri setleri oluşturulmuş ve fotoğraflar kategorilere göre etiketlenmiştir. İki farklı YOLOv8 modelinin test sonuçları, doğruluk oranları açısından sırasıyla %96,6 ve %98,3 olarak elde edilmiştir. Bu bulgular, etkili ön işleme stratejilerinin ve model yapılandırmasının performans üzerinde önemli bir rol oynadığını göstermektedir. Sonuç olarak, geliştirilen Mobil Seyahat Öneri Sistemi, kullanıcıdan alınan birden fazla fotoğrafı analiz ederek ilgi alanlarına uygun genel seyahat temaları hakkında öneriler sunan yapay zekâ destekli bir mobil çözüm olarak tasarlanmış ve başarıyla uygulanmıştır. Bu çalışma, mobil cihazlarda yapay zekâ tabanlı içerik analizinin ve kullanıcı tercihlerine dayalı öneri mekanizmalarının pratik uygulama alanlarına katkıda bulunmayı amaçlamaktadır.

This study seeks to investigate the processes of real-time object detection and content interpretation on mobile devices utilizing artificial intelligence methodologies, while also designing and developing a Mobile Travel Recommendation System within this framework. The research emphasizes the incorporation of the YOLOv8 object detection algorithm into the Android platform and thoroughly examines its effectiveness on mobile devices. One of the key goals of this research is to allow users to select multiple images from their gallery, analyze them through the Roboflow platform, and offer tailored travel recommendations based on the resulting categorical predictions. The application assesses each uploaded image via the Roboflow API, categorizing them into four primary groups—nature, historical landmarks, summer vacation, and winter vacation—and generates insightful travel suggestions from these classifications. The thesis encompasses not only the fundamental concepts of the YOLOv8 algorithm but also the assessment of training methodologies and deployment efficiency of various model configurations on mobile devices. Consequently, YOLOv8 models trained in a Python environment were integrated with an Android application through API communication. Initially, the study analyzed the structure and operational principles of YOLOv8, comparing it with previous iterations of object detection algorithms. This was succeeded by a comprehensive description of the mobile application development process within the Android ecosystem, model training on Roboflow, API integration, and the architecture of the multi-photo prediction system. During the model training phase, datasets were generated on the Roboflow platform, with images labeled according to their respective categories. The two trained YOLOv8 models achieved accuracy rates of 96.6% and 98.3%, respectively, indicating that effective preprocessing techniques and suitable model configurations significantly enhance overall performance. In summary, the Mobile Travel Recommendation System was effectively designed and implemented as an AI-driven mobile application that can analyze various user-submitted images and provide personalized travel theme recommendations based on individual preferences. This research aims to advance the practical use of AI-driven content analysis and user-focused recommendation systems in the field of mobile technology.