Derin öğrenme metotları ile yüz görüntülerinden yaş tespiti
| dc.authorid | 0009-0007-4552-9388 | |
| dc.contributor.advisor | Kaya, Yılmaz | |
| dc.contributor.author | Altuner, Emrah | |
| dc.date.accessioned | 2025-02-19T12:05:04Z | |
| dc.date.available | 2025-02-19T12:05:04Z | |
| dc.date.issued | 2025-02-05 | |
| dc.department | Batman Üniversitesi Lisansüstü Eğitim Enstitüsü Bilgi Teknolojileri Anabilim Dalı | |
| dc.description.abstract | Bu çalışmada, yüz görüntülerinden yaş tahmini gerçekleştirilmiş ve Hint Sineması Yüz Veri tabanı (IMFDB) üzerinde DenseNet modelleri kullanılmıştır. Yaş tespiti, güvenlik, sağlık ve pazarlama gibi çeşitli sektörlerde kritik bir öneme sahiptir. DenseNet mimarilerinin farklı versiyonları olan DenseNet-121, DenseNet-169, DenseNet-201 ve DenseNet-264, yaş tahmini için eğitilmiş ve doğruluk (accuracy), kesinlik (precision), geri çağırma (recall) ve F1 skoru gibi performans metrikleri üzerinden değerlendirilmiştir. Veri seti, 19.906 yüz görüntüsünden oluşmakta olup yaş kategorileriyle etiketlenmiştir. DenseNet-264 modeli, %89.8 doğruluk, 0.90 precision, 0.90 recall ve 0.90 F1 skoru ile en yüksek performansı göstermiştir. DenseNet-201 modeli, %89.2 doğruluk oranıyla iyi bir performans sergilemiş, DenseNet-169 modeli %87.1 doğruluk ve dengeli bir genelleme kapasitesi sunmuştur. DenseNet-121 modeli ise %85.3 doğruluk oranıyla daha hızlı ve düşük hesaplama maliyetine sahip bir seçenek olmuştur. ROC analizleri, tüm modellerin güçlü bir ayrım yeteneğine sahip olduğunu göstermiş, ancak en derin model olan DenseNet-264'te sınırlı genelleme kayıpları gözlemlenmiştir. Sonuç olarak, DenseNet mimarileri yaş tahmini için etkili bir çözüm sunmuştur. Model seçimi, uygulamanın gereksinimlerine ve kaynaklarına bağlı olarak yapılabilir. DenseNet-264 en yüksek doğruluğu sağlarken, DenseNet-121 daha hızlı sonuçlar elde etmek için uygun bir alternatif olarak değerlendirilebilir. | |
| dc.description.abstract | This study focused on predicting age from facial images using DenseNet architectures and analyzed the Indian Movie Face Database (IMFDB). Age estimation is vital in sectors like security, healthcare, and marketing. Different DenseNet architectures, including DenseNet-121, DenseNet-169, DenseNet-201, and DenseNet-264, were trained and evaluated based on metrics such as accuracy, precision, recall, and F1 score. The dataset consisted of 19,906 facial images labeled with age categories. DenseNet-264 achieved the highest performance with 89.8% accuracy, 0.90 precision, 0.90 recall, and 0.90 F1 score. DenseNet-201 followed with 89.2% accuracy, while DenseNet- 169 demonstrated a balanced generalization with 87.1% accuracy. DenseNet-121 provided a faster and computationally efficient alternative with 85.3% accuracy. ROC analysis revealed strong classification capabilities across all models, with minor generalization losses observed in the deepest model, DenseNet-264. In conclusion, DenseNet architectures proved to be effective solutions for age prediction. Model selection can be tailored to the application's requirements and resources. While DenseNet-264 offered the highest accuracy, DenseNet-121 served as a faster alternative with lower computational costs. | |
| dc.identifier.citation | Altuner, E. (2025). Derin öğrenme metotları ile yüz görüntülerinden yaş tespiti. (Yayınlanmamış Yüksek Lisans Tezi). Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, Batman. | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12402/4876 | |
| dc.language.iso | tr | |
| dc.publisher | Batman Üniversitesi Lisansüstü Eğitim Enstitüsü | |
| dc.relation.publicationcategory | Tez | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.subject | Yaş Tahmini | |
| dc.subject | Transfer Öğrenme | |
| dc.subject | Derin Öğrenme | |
| dc.subject | DenseNet Mimariler | |
| dc.subject | Age Estimation | |
| dc.subject | Transfer Learning | |
| dc.subject | Deep Learning | |
| dc.subject | DenseNet Architectures | |
| dc.title | Derin öğrenme metotları ile yüz görüntülerinden yaş tespiti | |
| dc.title.alternative | Age estimation from facial images using deep learning methods | |
| dc.type | Master Thesis |
