💤 CNN Tabanlı Drowsiness (Uyku Hali) Tespiti

Akbank Derin Öğrenme Bootcamp Projesi – Eylül 2025

Bu proje kapsamında, MRL Eye Dataset kullanılarak sürücülerin göz açıklık/kapalı durumlarını sınıflandıran bir Convolutional Neural Network (CNN) tabanlı model geliştirilmiştir.
Amaç, uyku hali (drowsiness detection) tespiti yaparak sürücü güvenliğine katkıda bulunmaktır.

---

📂 Kullanılan Veri Seti

• Kaynak: MRL Eye Dataset
• Özellikler:
  • 84,898 görüntü
  • Açık/Kapalı göz sınıfları
  • Farklı ışık koşulları, cihazlar ve yansıma seviyeleri
  • Ek anotasyonlar: cinsiyet, gözlük durumu, ışık koşulu, sensör ID

---

🛠️ Kullanılan Teknolojiler

• Python 3.11
• TensorFlow / Keras
• OpenCV
• scikit-learn
• Matplotlib / Seaborn
• Keras Tuner (Hiperparametre optimizasyonu)
• TensorBoard (Model izleme)

---

🔎 Çalışma Adımları

1. Veri Önişleme

• Görseller yeniden boyutlandırıldı (96x96).
• Normalizasyon yapıldı.
• Train/Validation/Test split oluşturuldu.
• Data Augmentation (rotation, flip, zoom, color jitter) uygulandı.

2. Model Mimarisi

• CNN tabanlı model:
  • Convolutional Layers
  • Pooling Layers
  • Dropout
  • Dense Layers
  • Aktivasyon: ReLU, Sigmoid
• Transfer Learning ile performans artırma denemeleri yapıldı.

3. Hiperparametre Optimizasyonu

Keras Tuner kullanılarak aşağıdaki parametreler optimize edildi:

• Filtre sayısı
• Kernel boyutu
• Dense layer boyutları
• Dropout oranı
• Learning rate

En iyi sonuç veren kombinasyon:

• Kernel Size: 5
• Filters: 64
• Dense Units: 64
• Dropout: 0.5
• Learning Rate: 0.001
• Val Accuracy: %96.55

4. Model Değerlendirmesi

• Accuracy & Loss Grafikleri (overfitting / underfitting kontrolü)
• Confusion Matrix
• Classification Report

1. Accuracy Grafiği

Eğitim (mavi) ve validasyon (turuncu) accuracy değerlerin çok yakın ilerliyor.

Validasyon eğrisi eğitimden biraz daha yüksek (bu normal olabilir, dropout ve regularization etkisiyle).

Overfitting yok ✅ Çünkü validasyon accuracy’si eğitim accuracy’sinden kopmamış.

2. Loss Grafiği

Eğitim kaybı (mavi) ve validasyon kaybı (turuncu) sürekli azalarak birbirine yakın ilerliyor.

Validasyon kaybı da düzenli şekilde düşüyor.

Underfitting de yok ✅ Çünkü loss yüksek kalmamış, hızlıca düşmüş.

📊 Sonuçlar:

Class	Precision	Recall	F1-Score
Closed	0.98	0.99	0.98
Open	0.99	0.98	0.98

5. Grad-CAM Görselleştirmesi

Modelin karar verirken hangi bölgeleri dikkate aldığı Grad-CAM yöntemi ile görselleştirilmiştir.
Model, açık/kapalı göz tespitinde doğru bölgelere odaklanmaktadır.

---

📊 Sonuçlar ve Çıkarımlar

• CNN tabanlı model + Transfer Learning ile yüksek doğruluk elde edilmiştir.
• Data Augmentation, modelin genelleme kapasitesini artırmıştır.
• Keras Tuner ile yapılan hiperparametre optimizasyonu, doğruluğu %96.55’e çıkarmıştır.
• Test setinde %98 başarı sağlanarak modelin güvenilirliği kanıtlanmıştır.

🚀 Gelecek Çalışmalar

• Gerçek Zamanlı Sistem Entegrasyonu: Modelin mobil cihazlarda veya gömülü sistemlerde çalıştırılarak araç içi kamera sistemlerine entegre edilmesi.

• Yüz ve Baş Pozu Takibi: Göz kapanma tespiti ile birlikte başın öne düşmesi, esneme gibi diğer uyku belirtilerinin eklenmesi.

• Multi-modal Analiz: Göz hareketi dışında kalp atış hızı, EEG, direksiyon hareketleri gibi farklı biyometrik/veri kaynaklarının entegre edilmesi.

• Daha Geniş Veri Setleri: Farklı yaş grupları, etnik kökenler ve çeşitli sürüş koşullarını içeren daha kapsamlı veri setleriyle eğitimin güçlendirilmesi.

• Gerçek Trafik Senaryoları: Laboratuvar ortamı dışında gerçek araç içi testlerle modelin güvenilirliğinin sınanması.

• Model Optimizasyonu: Edge AI için daha hafif ve hızlı çalışan CNN/Transformer tabanlı modellerin geliştirilmesi.

• Alarm & Müdahale Mekanizması: Tespit edilen uyku hali durumunda sesli/ışıklı uyarı sistemlerinin otomatik tetiklenmesi.

  🔗 Kaggle Notebook: 🔗 https://www.kaggle.com/code/sedatakda/akbank-bootcamp-project-cnn-drowsiness-detection