

<?xml version="1.0" encoding="utf-8"?>
<?xml-stylesheet type='text/xsl' href='/oai.xsl' ?>
<OAI-PMH xmlns="http://www.openarchives.org/OAI/2.0/"
	xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
	xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/
	http://www.openarchives.org/OAI/2.0/OAI-PMH.xsd">
<responseDate>2026-07-23T08:25:39Z</responseDate>
<request verb="ListRecords" metadataPrefix="oai_dc" identifier="oai:publications.copernicus.org:acp30709">http:///OAfile/jner-1647554.</request>
	<ListRecords>
	<record>
	<header>
		<identifier>/OAfile/jner-1647554xsd</identifier>

		<datestamp>2026-01-01 </datestamp>
		<setSpec>acp</setSpec>
		</header>
		<metadata>
		<oai_dc:dc
			xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/"
			xmlns:dc="http://purl.org/dc/elements/1.1/"
			xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
			xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/
			http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
			<dc:title><![CDATA[Blood Cell Detection Using Modern YOLO Epochs: A Comparative Study on Metric Performance and Computational  Cost]]></dc:title>
			<dc:creator>Sunar*,Hasan</dc:creator>
			<dc:description><![CDATA[Kan hücrelerinin mikroskobik görüntüler üzerinden doğru ve hızlı bir şekilde tespit edilmesi,
hematolojik hastalıkların erken teşhisi, anemi analizi ve genel klinik iş akışlarının otomasyonu
açısından büyük önem taşımaktadır [cite: 4]. Bu çalışmada; beyaz kan hücreleri (WBC), kırmızı
kan hücreleri (RBC) ve trombositlerin (platelets) otomatik tespiti amacıyla nesne tespiti
dünyasının en güçlü mimarileri olan YOLO (You Only Look Once) serisinin beş farklı nesli
(YOLOv5S, YOLOv8S, YOLOv9S, YOLOv10S ve en güncel YOLO11S) karşılaştırmalı olarak
analiz edilmiştir [cite: 5]. Modeller, Kaggle üzerinde açık kaynak olarak sunulan &quot;Blood Cell
Detection Dataset&quot; kullanılarak aynı deneysel koşullar altında eğitilmiştir [cite: 6]. Deneysel
sonuçlar, tüm modellerin mAP50 değerinde %90 barajını aşarak yüksek başarı gösterdiğini
ortaya koymuştur [cite: 7]. En yüksek genel başarım %91.55 mAP50 oranı ile YOLOv10S
modelinde elde edilirken, YOLO11S modeli 0.9078&#39;lik en yüksek Recall (duyarlılık) değeriyle
özellikle tespiti zor olan mikroskobik yapıları kaçırmama konusunda üstünlük sağlamıştır [cite:
8]. Ayrıca hesaplama maliyeti açısından YOLO11S, 127.67 saniyelik eğitim süresiyle YOLOv9
ve YOLOv10 gibi ağır mimarilere kıyasla yaklaşık %30 daha hızlı bir optimizasyon sunarak
başarım/zaman dengesinde en optimize model olarak öne çıkmaktadır [cite: 9].]]></dc:description>
			<dc:date>2026-01-01</dc:date>
			<dc:type>Text</dc:type>
			<dc:format>application/pdf</dc:format>
			<dc:identifier>-</dc:identifier>
			<dc:identifier>-</dc:identifier>
			<dc:source>-</dc:source>
			<dc:language>eng</dc:language>
		</oai_dc:dc>
	</metadata>
	</record>
</ListRecords>
</OAI-PMH>

