AlperenEvci/safety-auditor-agents-bdd100k

🚗 Safety Auditor Agents (BDD100k Full)

Bu depo, Eskişehir Osmangazi Üniversitesi Deep Learning projesi için eğitilen Context-Aware Multi-Agent sisteminin ağırlıklarını içerir. Tüm BDD100k veri seti (~70k Train) kullanılarak RTX 5070 Ti üzerinde eğitilmiştir.

🧠 Mimari ve Ajanlar

Sistem üç aşamalı bir karar mekanizmasına sahiptir:

1. Scout Agent (Gözcü): YOLOv8-Small

   • Görevi: Yoldaki nesneleri (Yaya, Araç, Bisiklet vb.) tespit etmek.
   • Durum: Eğitildi (12 Epoch).

2. Context Agent (Ortam Analizcisi): Swin Transformer Tiny

   • Görevi: Hava durumunu (Yağmurlu, Karlı, Açık) ve Saati (Gece, Gündüz) anlamak.
   • Durum: Eğitildi (5 Epoch).

3. Fusion Agent (Karar Verici): MLP (Neural Network)

   • Görevi: Diğer iki ajandan gelen vektörleri birleştirip Kaza Riski hesaplamak.
   • Başarı Oranı: %99.67 (Accuracy) 🔥

📂 Dosyalar

• agent_scout_yolov8s.pt: YOLOv8 Nesne Tespiti Ağırlıkları.
• agent_context_swin_tiny.pth: Swin Transformer Ortam Analizi Ağırlıkları.
• agent_fusion.pth: Risk Hesaplayan Fusion Katmanı.
• config.json: Model konfigürasyonları ve sınıf haritaları.

🚀 Kullanım

Bu modeller, otonom araçların karar mekanizmasına "Güvenlik Denetçisi" olarak entegre edilmek üzere tasarlanmıştır.