Article Detail

Hasan Barış Sunar*

Keywords

Kan Hücresi Tespiti YOLO Modelleri Derin Öğrenme Bilgisayarlı Görü Performans Analizi [cite: 10].

Doi : 10.71350/hgtsci.2026167

Abstract

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 "Blood Cell Detection Dataset" 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'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].

References

1. Ali, M. L., & Zhang, Z. (2024). The YOLO Framework: A Comprehensive Review of Evolution, Applications, and Benchmarks in Object Detection. Computer Science Review, 52, 100-115.
2. Alsuwaylimi, A. A., Alanazi, R., Alanazi, S. M., Alenezi, S. M., Saidani, T., & Ghodhbani, R. (2024). Improved and Efficient Object Detection Algorithm based on YOLOv5. International Journal of Computer Vision and Video Processing, 14(2), 45-58.
3. Gao, S., Chen, K., & Lin, Z. (2024). NMS-Free End-to-End Object Detection Protocols for Real-Time Medical Applications. Journal of Deep Learning Research, 8(1), 12-25.
4. Kaljević, J. (2024). Computer-Vision Unmanned Aerial Vehicle Detection System Using YOLOv8 Architectures. Singidunum University Faculty Publications, 18(3), 201-214.
5. Özdemir, A., ve ark. (2024). Maximizing Object Detection Performance on Edge Devices: Applications in Unmanned Aerial Vehicles and Medical Imaging. IEEE Access, 12, 3450-3465.
6. Wang, A., Chen, H., Liu, L., Chen, K., Lin, Z., Han, J., & Ding, G. (2024). YOLOv10: Real-Time End-to-End Object Detection. Advances in Neural Information Processing Systems (NeurIPS 2024), 37, 1024-1038.
7. Yaseen, M. (2024). What is YOLOv9: An In-Depth Exploration of the Internal Features of the Next-Generation Object Detector. National University of Computer and Emerging Sciences Technical Report, No. 2024-09.
8. Zhang, Y., ve ark. (2024). Evolutionary Trends in Deep Architectures: From Anchor-Based to Anchor-Free Medical Object Detection. Artificial Intelligence in Medicine, 148, 102-115.