🚗 context-aware-safety-auditor-bdd100k-full

Proje Hakkında

Bu model, Eskişehir Osmangazi Üniversitesi Deep Learning dersi final projesi kapsamında geliştirilmiştir. BDD100k veri setinin tamamı (~70k görüntü) kullanılarak eğitilen bu sistem, Context-Aware Multi-Agent (Bağlam Farkındalı Çoklu Ajan) mimarisine sahiptir.

Mimari Detayları

Model, klasik CNN yapıları yerine modern Swin Transformer mimarisini kullanır ve iki uzman ajanın füzyonundan oluşur:

1. Context Agent (Bağlam Ajanı): Swin Transformer Small omurgasını kullanır. Sahnedeki hava durumu (yağmurlu, karlı, açık vb.) ve günün saatini (gece, gündüz) analiz ederek çevresel bağlamı çıkarır.
2. Object Agent (Nesne Ajanı): Swin Transformer Small omurgasını kullanır. Yoldaki riskli nesneleri (yayalar, bisikletliler, motosikletliler) tespit eder.
3. Risk Fusion Head: İki ajandan gelen 1536 boyutlu (768+768) özellik vektörünü birleştiren ve "Mixed Precision" (AMP) ile eğitilen MLP katmanıdır. Nihai kaza riskini hesaplar.

Performans Metrikleri (5 Epoch - Full Dataset)

Eğitim sonucunda elde edilen başarı oranları:

• Hava Durumu Tespiti: %89.75
• Zaman Tespiti: %96.02
• Nesne Tespiti: %90.55
• Genel Risk (Füzyon): %90.42

Kullanım

Bu model, otonom sürüş sistemleri için bir "Güvenlik Denetçisi" (Safety Auditor) olarak tasarlanmıştır. Aracın karar mekanizmasına çevresel risk faktörünü ekler.