---
type: "Akademik Makale Analizi"
title: "Evrişimli Sınır Ağları Kullanılarak Optik Uydu Görüntülerinden Gemi Tespiti"
description: "Deniz taşımacılığı ve küresel ticaret hatlarının güvenliği, kural dışı avlanmanın önlenmesi, kaçakçılıkla mücadele ve boğaz trafiğinin yönetimi gibi kritik alanlarda optik uydu görüntülerinden otomatik gemi tespiti büyük stratejik önem taşımaktadır. Sentetik Açıklıklı Radar (SAR) verilerine kıyasla"
resource: "https://makaleanalizi.com/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/evrisimli-sinir-aglari-kullanilarak-optik-uydu-goruntulerinden-gemi-tespiti"
doi: "10.31127/tuje.1529660"
authors: ["Neslihan Toprak", "Yıldıray Yalman"]
citation: "Toprak, N., Yalman, Y. (2025). Ship Detection from Optical Satellite Images Using Convolutional Neural Networks. Turkish Journal of Engineering, 9(2), 342-353. https://doi.org/10.31127/tuje.1529660"
publicationType: "technical-engineering"
discipline: "Mühendislik ve Teknoloji"
subDiscipline: "Bilgisayar ve Elektrik Mühendisliği"
evidenceCount: 11
tags: ["Evrişimli Sınır Ağları", "Gemi Tespiti", "Optik Uydu Görüntüsü", "YOLOv8", "YOLOv9"]
timestamp: "2026-08-13T13:19:21.790Z"
---

# Evrişimli Sınır Ağları Kullanılarak Optik Uydu Görüntülerinden Gemi Tespiti

Özgün başlık: Ship Detection from Optical Satellite Images Using Convolutional Neural Networks
DOI: https://doi.org/10.31127/tuje.1529660
Künye (APA 7): Toprak, N., Yalman, Y. (2025). Ship Detection from Optical Satellite Images Using Convolutional Neural Networks. Turkish Journal of Engineering, 9(2), 342-353. https://doi.org/10.31127/tuje.1529660

Bilim alanı: [Mühendislik ve Teknoloji](/okf/muhendislik-ve-teknoloji/index.md) › Bilgisayar ve Elektrik Mühendisliği

# Alan bağlamı

Deniz taşımacılığı ve küresel ticaret hatlarının güvenliği, kural dışı avlanmanın önlenmesi, kaçakçılıkla mücadele ve boğaz trafiğinin yönetimi gibi kritik alanlarda optik uydu görüntülerinden otomatik gemi tespiti büyük stratejik önem taşımaktadır. Sentetik Açıklıklı Radar (SAR) verilerine kıyasla optik uydu görüntüleri zengin renk ve detay bilgisi sunsa da, bulutluluk, olumsuz hava koşulları ve karmaşık deniz arka planı nesne tespitini zorlaştırmaktadır. Son yıllarda evrişimli sınır ağları (CNN) ve özellikle YOLO (You Only Look Once) mimarileri, gerçek zamanlı tespit kapasiteleriyle ön plana çıkmıştır. Ancak literatürdeki kamuya açık veri setlerindeki etiketleme hataları ve çoklu sınıflandırma yetersizlikleri, tespit doğruluk oranlarını sınırlamaktadır. Bu çalışma, güncel YOLOv8 ve YOLOv9 modellerini optik uydu verileri üzerinde sınayarak bu zorluklara çözüm aramaktadır.

# Akademik özet

Küresel deniz taşımacılığı ve ticaret rotalarının yoğunlaşması, seyrüsefer güvenliğinin sağlanması, yasadışı avlanma ve kaçakçılığın önlenmesi gibi alanlarda otomatik gemi tespiti sistemlerine olan ihtiyacı artırmıştır. Uzaktan algılama teknolojilerinde optik uydu görüntüleri yüksek çözünürlük, zengin renk bilgisi ve geniş kapsama alanı sunması bakımından kritik bir rol üstlenmektedir. Ancak uydu görüntülerindeki karmaşık deniz arka planı, değişen hava koşulları ve ölçek farklılıkları nesne tespitinde yüksek doğruluk oranlarına ulaşmayı zorlaştırmaktadır. Bu alandaki temel tartışma, hem yüksek işlem hızı sağlayan hem de farklı gemi tiplerini yüksek hassasiyetle tespit edebilen derin öğrenme modellerinin geliştirilmesi üzerine odaklanmaktadır.

Araştırma, optik uydu görüntülerinden evrişimli sınır ağları kullanarak çoklu sınıfta gemi tespiti gerçekleştirmeyi ve literatürdeki tespit performansını geliştirmeyi amaçlamaktadır. Yöntem kapsamında, literatürde yaygın kullanılan FGSCR-42 veri seti detaylı biçimde incelenmiş, hatalı etiketlenmiş ve bulanık fotoğraflar ayıklanarak 12 ana kategoride 7.008 fotoğraftan oluşan temizlenmiş yeni bir veri seti oluşturulmuştur. Nesne tespiti mimarisi olarak 2023 ve 2024 yıllarında sunulan güncel YOLOv8 (n, s, m, l paketleri) ve YOLOv9 (c, e paketleri) derin öğrenme algoritmaları seçilmiştir. Tüm modeller Tesla T4 GPU donanımında, Google Colab ortamında 35 epok, 640 görüntü boyutu ve sabit hiperparametrelerle eğitilerek performansları karşılaştırılmıştır.

Deneysel sonuçlar incelediğinde, değerlendirilen tüm modeller arasında YOLOv8l mimarisinin %98,9 mAP50 ve %88,1 mAP50-95 değerleri ile en yüksek tespiti başarısını sergilediği görülmüştür. Sınıf bazlı performans analizlerinde YOLOv8l modeli; uçak gemisi, kruvazör, muhrip, hücumbot, çıkarma gemisi, tıbbi gemi, konteyner gemisi ve tanker gibi 12 farklı gemi kategorisinin tamamında yüksek doğruluk ve kesinlik oranlarına ulaşmıştır. Hata matrisi (confusion matrix) ve kayıp fonksiyonu grafikleri, modelin eğitim ve doğrulama süreçlerinde kararlı biçimde yakınsadığını ve aşırı öğrenme (overfitting) sergilemeden özgün test görüntülerinde başarılı tespitler yaptığını kanıtlamıştır.

Çalışmanın tartışma ve sonuç bölümünde elde edilen bulgular literatürdeki önceki araştırmalarla karşılaştırılmıştır. FGSCR-42 veri setinde B-CNN modeliyle elde edilen %89,53 ve TASN modeliyle sağlanan %93,51'lik doğruluk skorlarının yanı sıra YOLO-RSSD'nin %96,1'lik mAP değerinin üzerine çıkılarak %98,9 mAP50 seviyesine ulaşılmıştır. Yazar, veri setindeki hatalı etiketlerin temizlenmesinin ve YOLO'nun gerçek zamanlı nesne tespit yeteneğinin bu performans artışında belirleyici olduğunu vurgulamıştır. Sonuç olarak çalışma, uzaktan algılamada optik görüntülerle çoklu gemi tespiti yapacak araştırmacılar için metodolojik ve uygulamalı bir referans sunmaktadır.

# Araştırmanın amacı

Bu çalışmanın amacı, optik uydu görüntülerinden derin öğrenme mimarileri (YOLOv8 ve YOLOv9) kullanarak gemi tespiti ve çoklu sınıflandırma performansını artırmak, FGSCR-42 veri setini temizleyip 12 sınıfa indirgeyerek deniz trafiği güvenliğine katkı sağlamaktır.

# Yöntem ve tasarım

Çalışmada, optik uydu görüntülerinden gemi tespiti ve çoklu sınıflandırma yapmak amacıyla YOLOv8 ve YOLOv9 derin öğrenme mimarileri kullanılmış, FGSCR-42 veri kümesindeki gürültülü veriler elenerek 12 sınıflı 7.008 fotoğraflı optimize bir veri kümesi oluşturulmuş ve deneysel performans karşılaştırmaları gerçekleştirilmiştir.

# Bulgular ve önermeler

1. YOLOv8l modeli, %98,9 mAP50 ve %88,1 mAP50-95 değerlerine ulaşarak incelenen tüm alt paketler ve mimariler arasında en yüksek tespit ve sınıflandırma başarısını göstermiştir.
2. YOLOv9 mimarisinin YOLOv9-e türevi %98,9 mAP50 ve %87,5 mAP50-95 başarısı yakalarken, YOLOv9-c türevi %98,8 mAP50 ve %85,9 mAP50-95 performans değerine ulaşmıştır.
3. FGSCR-42 veri setindeki alt kategoriler elden geçirilerek hatalı ve yetersiz görseller temizlenmiş, 12 ana kategoriye indirgenerek 7.008 fotoğraflık optimize bir veri kümesi elde edilmiştir.
4. Sınıf bazlı performans analizinde YOLOv8l modeli; çıkarma gemisi, taşıma havuzu, tıbbi gemi, savaş gemisi, fırkateyn, konteyner gemisi, römorkör ve tanker sınıflarında %99,5 mAP değerine ulaşmıştır.
5. Tüm modeller aynı deneysel ortamda 35 epoch, 640 görsel boyutu, 8 worker ve 8 batch büyüklüğü parametreleriyle Tesla T4 GPU üzerinde eğitilerek adil bir karşılaştırma zemini kurulmuştur.

# Yazarın tartışması

Deneysel sonuçlar, optik uydu görüntülerinden gemi tespiti ve sınıflandırmasında YOLOv8l modelinin %98,9 mAP50 değeriyle üstün bir tespit başarısı yakaladığını göstermektedir. Modelin kesinlik ve duyarlılık eğrilerinin bire yaklaşması ve kayıp grafiklerinin sıfıra yakınsaması, tespit algoritmasının yüksek kararlılıkla çalıştığına işaret etmektedir.

Yazarlar bu yüksek başarımın arkasındaki temel etkeni, FGSCR-42 veri setinde bulunan hatalı etiketlenmiş ve çözünürlüğü yetersiz görsellerin elenerek veri kalitesinin artırılması ve 12 homojen sınıfa odaklanılması olarak açıklamaktadır. Ayrıca YOLO mimarisinin gerçek zamanlı nesne tespiti ve tek bir görüntüde çoklu gemi türünü eşzamanlı konumlandırma kabiliyeti bu sonuçu desteklemiştir.

Elde edilen %98,9 mAP değeri, Di ve arkadaşlarının B-CNN modeliyle ulaştığı %89,53 doğruluk oranının ve Si ve arkadaşlarının YOLO-RSSD modeliyle elde ettiği %96,1 mAP skorunun belirgin biçimde üzerindedir. Römorkör gibi B-CNN modelinde %61,70 gibi düşük doğrulukta kalan zorlu sınıflarda dahi YOLOv8l ile %99,5 mAP başarısına ulaşılmıştır.

Sonuç olarak, temizlenmiş veri seti ve modern nesne tespiti mimarilerinin birleşimi deniz güvenlik takibi ve trafik yönetimi için son derece etkili bir çözüm sunmaktadır. Bununla birlikte, değişen hava koşulları ve düşük uydu görüntüsü çözünürlüğü gibi gerçek dünya zorluklarının üstesinden gelinmesi gelecek çalışmaların kapsamını oluşturmaktadır.

# Yazarın sonucu

Çalışmada, optik uydu görüntülerinden derin öğrenme yöntemleriyle gemi tespiti yapılmasında YOLOv8 ve YOLOv9 mimarilerinin yüksek başarım sunduğu sonuçuna varılmıştır. FGSCR-42 veri seti temel alınarak oluşturulan 12 sınıflı ve 7.008 görüntülü yeni veri seti üzerinde yapılan deneylerde, %98,9 mAP50 değeri ile en yüksek başarımı YOLOv8l modeli göstermiştir. Elde edilen bulgular, optimize edilmiş veri seti ve güncel YOLO mimarilerinin literatürdeki önceki çalışmalara kıyasla belirgin şekilde daha yüksek tespit ve sınıflandırma doğruluğu sağladığını kanıtlamaktadır.

# Literatürdeki işlevi

Bu çalışma, uzaktan algılama ve bilgisayarla görü alanında optik uydu görüntülerinden gemi tespiti ve çoklu sınıflandırma konularında literatüre önemli bir metodolojik katkı sunmaktadır. Kamusal bir veri kümesi olan FGSCR-42 üzerindeki etiketleme hatalarını ve belirsiz görselleri ayıklayarak 12 sınıflı ve 7.008 fotoğraflık yüksek kaliteli bir veri kümesi oluşturan araştırma, güncel nesne tespiti algoritmalarının performans sınırlarını göstermektedir. Derin öğrenme tabanlı YOLOv8 ve YOLOv9 mimarilerini deneysel koşullarda karşılaştırarak deniz trafiği güvenliği ve stratejik gözetleme için yüksek doğruluklu bir yaklaşım önermektedir.

Önceki çalışmalarla ilişkisi: Önceki literatürde Sentetik Açıklıklı Radar (SAR) verileri ve B-CNN, Faster R-CNN veya YOLOv3/v5 gibi geleneksel modeller yaygın olarak kullanılmıştır. Di ve arkadaşlarının FGSCR-42 veri setinde B-CNN modeliyle elde ettiği %89,53 doğruluk oranı ve Si ve arkadaşlarının YOLO-RSSD ile ulaştığı %96,1 mAP değeri, bu alandaki temel referans noktalarıdır. Çalışma, veri kümesindeki gürültülü verileri temizleyip YOLOv8l mimarisini uygulayarak mAP50 değerini %98,9 seviyesine çıkarmış ve önceki çalışmalardaki düşük sınıflandırma doğruluğu kısıtlarını aşmıştır.

Literatür taramasına katkısı: Literatür taraması yapacak araştırmacılar için bu eser, optik uydu görüntülerinde nesne tespiti performansını etkileyen temel faktörlerin veri kalitesi ve mimari seçim olduğunu somut verilerle doğrulamaktadır. Tek bir uydu görüntüsünde birden fazla gemi türünün eşzamanlı tespiti ve konumlandırılmasında YOLOv8l modelinin B-CNN, ResNet-50 ve YOLOv5 gibi önceki yaklaşımlara göre sağladığı üstünlüğü belgelemektedir. Ayrıca derin öğrenme modellerinin deniz güvenlik takibi ve kaçakçılıkla mücadele gibi pratik saha uygulamalarına nasıl entegre edilebileceğini açıklamaktadır.

# Tez ve makale araştırmalarında kullanım

- **Optik uydu görüntülerinde derin öğrenme ve YOLOv8 mimarileri, geleneksel evrişimli sınır ağlarına kıyasla daha yüksek tespit ve sınıflandırma başarısı sunmaktadır.** — Derin öğrenme ve uzaktan algılama literatürünü incelerken, YOLOv8l modelinin optik görsellerde %98,9 mAP50 başarısı yakaladığına dair doğrudan deneysel kanıt sunmak için kullanılabilir.
- **Açık kaynaklı veri kümelerindeki etiket gürültülerinin giderilmesi ve sınıfların birleştirilmesi model başarımını doğrudan artırır.** — Veri ön işleme ve veri kümesi oluşturma metodolojisi yazılırken, FGSCR-42 veri setindeki 42 alt sınıfın 12 homojen sınıfa indirgenmesi prosedürü metodolojik örnek olarak aktarılabilir.
- **YOLOv8l modeli, karmaşık sınıflandırma problemlerinde YOLOv9 alt paketlerine ve önceki YOLO türevlerine kıyasla daha dengeli ve yüksek mAP değerleri sağlamaktadır.** — Bulguların tartışıldığı bölümde farklı nesne tespiti algoritmalarının mAP50 ve mAP50-95 performans karşılaştırmalarını desteklemek üzere referans verilebilir.

# Türetilebilir araştırma soruları

- **Optik ve SAR uydu görüntülerinin hibrit birleştirilmesi, bulutlu ve fırtınalı deniz durumlarında gemi tespiti mAP değerini nasıl etkiler?**
  - Desen: Açık veri tabanlarından ve Sentinel uydu arşivlerinden toplanacak optik ve SAR veri çiftleri üzerinde veri birleştirme (data fusion) mimarisi kurulacaktır. Örneklem büyüklüğü güç analizi ile belirlenecek, model eğitimi YOLOv8l alt yapısıyla Tesla GPU ortamında gerçekleştirilerek doğruluk ve mAP50-95 metrikleriyle sınanacaktır.
  - Gerekçe: Yazarların tartışma ve sonuç bölümlerinde belirttiği olumsuz hava koşulları ve düşük uydu çözünürlüğü sınırlamasına doğrudan deneysel bir çözüm getirmek üzere kurgulanmıştır.
- **YOLOv8l ve YOLOv9-e modellerinin gömülü sistemler üzerindeki çalışma hızı ve mAP performansı liman trafiği takibinde nasıl farklılaşır?**
  - Desen: Yüksek çözünürlüklü İHA liman çekimleri toplanarak MakeSenseAI aracıyla etiketlenecektir. Nitel veri doygunluğu gözetilerek hazırlanan veri kümesi edge-computing cihazlarında (NVIDIA Jetson) çalıştırılacak ve FPS ile mAP50 değerleri ölçülecektir.
  - Gerekçe: Makalede vurgulanan deniz trafiği yönetimi ve liman güvenliği motivasyonu ile YOLO mimarilerinin gerçek zamanlı nesne tespiti kabiliyetinden türetilmiştir.
- **Generative Adversarial Network (GAN) tabanlı süper çözünürlük ön işleme adımı, düşük çözünürlüklü uydu görüntülerinde gemi tespiti mAP değerini artırır mı?**
  - Desen: Düşük çözünürlüklü uydu görüntüleri GAN modelleriyle ölçeklendirilecek, ardından bu makalede önerilen YOLOv8l modeliyle sınıflandırma yapılacaktır. Performans artışı deneysel doğrulamalarla analiz edilecektir.
  - Gerekçe: Tartışma bölümünde ifade edilen düşük uydu çözünürlüğü kısıtını aşmaya yönelik metodolojik bir ön işleme modeli önermektedir.

# Kaynak izleri

Her iddia, özgün yayının belirtilen sayfasındaki birebir alıntıya bağlıdır.

| Kanıt | Bölüm | PDF sayfası | Basılı sayfa | Alıntı |
|---|---|---|---|---|
| ev-o-1 | Abstract | 1 | — | The motivation of this paper is to produce solutions to the issues of detecting possible dangers in areas with heavy maritime traffic |
| ev-o-2 | 3. The Proposed Ship Detection Approach | 5 | — | A new dataset consis ting of 7008 photographs and 12 categories was created. |
| ev-s-1 | 3. The Proposed Ship Detection Approach | 5 | — | A new dataset consis ting of 7008 photographs and 12 categories was created. |
| ev-s-2 | Abstract | 1 | — | The mAP50 value of our YOLOv8l model, which we use as a new approach to ship detection studies in the lite rature, is 98.9%. |
| ev-s-3 | 4. Experimental Results | 7 | — | When we compare it with the other model results given in Table 1, our model has a better performance with a mAP value of 98.9%. |
| ev-s-4 | 6. Conclusion | 9 | — | In the experimental results, the highest accuracy rate was obtained using the YOLOv8l model. |
| ev-s-5 | 3. The Proposed Ship Detection Approach | 5 | — | 35 epoch, 640 image size, 8 workers, 8 batch parameters were used and they were trained using Tesla T4 GPU in the Google Colab envi ronment. |
| ev-l-1 | Abstract | 1 | — | The mAP50 value of our YOLOv8l model, which we use as a new approach to ship detection studies in the lite rature, is 98.9%. |
| ev-l-2 | 3. The Proposed Ship Detection Approach | 5 | — | A new dataset consis ting of 7008 photographs and 12 categories was created. |
| ev-l-3 | 4. Experimental Results | 7 | — | When the YOLO architectures used in the article were compared, it was seen that the YOLOv8l model achieved the best results. |
| ev-l-4 | 5. Discussion | 9 | — | Ship detection methods from satellite images with CNN may face some challenges in real-world conditions, such as changing weather conditions and low resolution of satellite images. |

# İlgili kavramlar

- [Türkiye'nin Tarımsal Kredi Performansının K-ortalamalar Kümeleme Algoritması ile Analizi](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/turkiyenin-tarimsal-kredi-performansinin-k-ortalamalar-kumeleme-algoritmasi-ile-analizi.md)
- [Lineament Analizine Dayalı Olarak Almalyk-Angren Sanayi Bölgesinin Sismik Aktivitesinin İncelenmesi](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/lineament-analizine-dayali-olarak-almalyk-angren-sanayi-bolgesinin-sismik-aktivitesinin-incelenmesi.md)
- [Yazılım Geliştirmede Üretken Yapay Zeka Modellerinin Performans ve Güvenilirliği: C# Tabanlı Bir Analiz](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/yazilim-gelistirmede-uretken-yapay-zeka-modellerinin-performans-ve-guvenilirligi-c-tabanli-bir-analiz.md)
- [Dinamik Hareket Uyumlaması İçin İnsan İlhamlı Duyumotor Denetleyici: Mafsallı Robot Kolları Üzerine Bir İnceleme](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/dinamik-hareket-uyumlamasi-icin-insan-ilhamli-duyumotor-denetleyici-mafsalli-robot-kollari-uzerine-bir-inceleme.md)
- [Twitch Platformundaki Nefret Baskınları: Canlı Yayın Topluluklarında Gerçek Zamanlı İnsan-Bot Koordineli Saldırıların Anlaşılması](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/twitch-platformundaki-nefret-baskinlari-canli-yayin-topluluklarinda-gercek-zamanli-insan-bot-koordineli-saldirilarin-anlasilmasi.md)
- [Üretken Yapay Zekanın İlaç Yönetimi Görevlerinde Kullanım Bağlamı Değerlendirme Çerçevesi](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/uretken-yapay-zekanin-ilac-yonetimi-gorevlerinde-kullanim-baglami-degerlendirme-cercevesi.md)
- [Zaman Serisi Tahmini İçin Derin Öğrenme: Model Mimarisi Paradigmaları, Özellik Çıkarımı ve Gelecek Yönelimleri Üzerine Kapsamlı Bir İnceleme](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/zaman-serisi-tahmini-icin-derin-ogrenme-model-mimarisi-paradigmalari-ozellik-cikarimi-ve-gelecek-yonelimleri-uzerine-kapsamli-bir-inceleme.md)
- [Betonarme Yapıların Kentsel Dönüşümünde Hızlı Tarama Parametrelerinin Değerlendirilmesi ve Öneriler](/okf/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/betonarme-yapilarin-kentsel-donusumunde-hizli-tarama-parametrelerinin-degerlendirilmesi-ve-oneriler.md)

# Şeffaflık

- Analiz tarihi: 2026-08-13T13:19:21.790Z
- Kanıt sayısı: 11
- Üretim sürümü: makale-analizi-v3.0.0
- Kanonik sayfa: https://makaleanalizi.com/muhendislik-ve-teknoloji/bilgisayar-ve-elektrik-muhendisligi/evrisimli-sinir-aglari-kullanilarak-optik-uydu-goruntulerinden-gemi-tespiti