Muhammed Ali Yıldırım
Menü

Merhaba, benMuhammed Ali Yıldırım

Veriden karara.

Yapay zekâ modellerini, gerçek dünyada çalışan sistemlere dönüştürüyorum.

Applied AI / ML Engineering · Computer Vision · Edge AI · Araştırma / Ar-Ge

Çalışmaları keşfetÖzgeçmişİletişim
01Lisans TeziComputer Vision · Edge AI · Drone

01Edge AI · Bitirme tezi · İki kişilik ekip

Yapay zekâ destekli arama-kurtarma sistemi

Model çalışıyor.Peki sistem?

Drone üzerindeki IMX477 kamera, Jetson Nano’da çalışan YOLOv11 ve DeepStream ile RTSP görüntü akışı: kişileri işaretleyen, son kararı operatöre bırakan, sahada denenmiş uçtan uca bir sistem.

Katkım

Sistem; araştırmadan malzeme tedarikine, sponsorluktan montaja kadar baştan sona iki kişilik bir ekiple geliştirildi. Bilgisayarlı görü, veri seti ve model geliştirme, eğitim ve değerlendirme ile Jetson üzerindeki uç yapay zekâ hattı benim birincil sorumluluğumdaydı. Proje, Gazi Üniversitesi BAP desteğiyle yürütüldü ve tamamlandı.

  1. IMX477 kamera
  2. Jetson Nano · YOLOv11
  3. DeepStream · RTSP
  4. Yer istasyonu

Seçilen model: YOLOv11

Precision 0.9109 · Recall 0.8065 · mAP@0.5 0.8694 — PROJE veri seti, eğitim sonu doğrulama metrikleri

İki yolu gösterGörüntüye dön

Algılama ve uçuş, iki ayrı yol.

Algılama: kamera görüntüsü Jetson Nano’da işlenir; tespitler bindirilerek RTSP ile yer istasyonuna akar.

Uçuş: Pixhawk 6C ile RC kumandadan yönetilir; eve dönüş (RTH) ve otomatik kalkış gibi güvenlik işlevleriyle yarı otonomdur. Jetson’dan uçuş kontrolcüsüne komut gönderilmez.

Vaka çalışmasını inceleKaynak kod
02TÜBİTAK 2209-AAraştırma
DualViT–CNN + ArcFace 2209-A · AÇIKLAYICI MİMARİ SİMÜLASYON GİRDİSİ 01 · Veri CNNYerel özellikler ViTBağlamsal özellikler 02 · Model Çapraz dikkat ArcFace ile eğitim 03 · Karşılaştırma

02Araştırma · TÜBİTAK 2209-A

Termal görüntüden PCB malzemesi tanıma

Bir sonucu anlamak,deneyi anlamakla başlar.

Simülasyon verisinden öğrenen bir model. Yerel ayrıntıları ve görüntünün bütününü birleştiren hibrit bir mimari.

Katkım

Proje yürütücüsüydüm; makine öğrenmesi ve bilgisayarlı görü tarafı bendeydi. DualViT–CNN + ArcFace hibrit mimarisini tasarladım, eğittim ve klasik modellerle karşılaştırdım.

  1. Simülasyon verisi
  2. CNN + ViT
  3. Karşılaştırma
  4. Değerlendirme

Yayımlandı · Gazi University Journal of Science Part A, 2026

AI-Assisted Thermal Response Classification of PCB Materials for Energy-Efficient Femtosecond Laser Processing: A Simulation-Based Study

Deneyin katmanlarını açDeneyi bir arada gör

Üç katman, üç sorumluluk.

Verinin kökeni — Malzemelerin lazer altındaki termal tepkileri simülasyonlarla üretildi. Görüntü ön işleme ve veri hazırlığını yürüttüm.

Modelin tasarımı — DualViT–CNN + ArcFace hibrit mimarisini tasarladım, eğittim ve deneylerini yürüttüm.

Sonucun sınırları — Modeli farklı öğrenme yaklaşımlarıyla karşılaştırdım. Fiziksel sistem doğrulaması bu çalışmanın kapsamı dışında.

KapsamOrtak yürütülen simülasyon çalışması. Bulgular simülasyon verisine dayanır; fiziksel doğrulama iddiası yoktur.

Vaka çalışmasını inceleAkademik kayıt
03LabelMateYazılım

03Bağımsız yazılım · Python / PySide6

LabelMate

Veri yerelde.Karar insanda.

Model kutuları önerir, insan gözden geçirip düzeltir; sonuç YOLO formatında etikete dönüşür. Yerel çıkarım, düzenlenebilir kutular, geri alma geçmişi ve klavyeyle yürüyen bir iş akışı: tek başıma geliştirdiğim, MIT lisanslı bir masaüstü uygulaması.

Katkım

Tek başıma tasarlayıp geliştirdim. Etiketlemeyi yerelde ve çevrimdışı yürüterek veri güvenliğini korumak ve süreci hızlandırmak için yazdım; ilk sürümü Boğaziçi Savunma’daki iş yeri eğitimim kapsamında doğdu.

  1. Model önerisi
  2. İnsan kararı
  3. Geri alma geçmişi
  4. YOLO etiketi

Açık kaynak · MIT lisansı

Python · PySide6 · Ultralytics YOLO · Windows kurulum betiği

Kararı gösterKayda dön

Öneri modelden, karar insandan.

Öneri kutu, sınıf ve güvenle gelir; insan siler, düzeltir ya da tutar. Kaydedilen her kutu, görüntüye göre normalize bir satırdır.

YOLO satırı · sınıf / merkez / boyut0   0.512300 0.438200   0.034100 0.028900
Vaka çalışmasını inceleKaynak kod
04Boğaziçi Savunmaİş Yeri Eğitimi

04Boğaziçi Savunma Teknolojileri · İş Yeri Eğitimi

Gerçek zamanlı tespit ve takip sistemi

Bir çıktı.Daha geniş bir sistem.

Aynı stajda iki proje: drone ile kuşu ayıran iki aşamalı bir tespit sistemi ve sabit kanatlı İHA’lar için tespit, çoklu hedef takibi ve tek kamerayla yaklaşık mesafe tahmini.

Katkım

Saha verisi toplama ve hazırlama, model eğitimi, iki aşamalı çıkarım, TensorRT FP16 optimizasyonu, ByteTrack takibi, mesafe tahmini ve arayüz.

  1. Saha verisi
  2. Tespit + sınıflandırma
  3. TensorRT FP16
  4. Takip + mesafe
İki projeyi görKayda dön

Aynı stajda iki proje.

Sabit kanatlı İHA — YOLO26L ve ince ayar, ByteTrack kimlikleri, tespit konsolu ve tek kamerayla yaklaşık mesafe.

Drone vs Bird — tespit, kırpma ve üç sınıflı sınıflandırma; TensorRT FP16 ile 12,8’den 26,0 FPS’e.

KapsamEğitim verisi sözleşme gereği gizli; sayfalardaki görüntüler açık kaynaklı verilerden. Ölçümler masaüstü GPU’da alındı.

Sabit kanatlı İHA vakasını inceleDrone vs Bird vakasıKaynak kod
05TÜBİTAK RUTEStaj

05TÜBİTAK RUTE · Staj

TÜBİTAK RUTE stajı

Görüntüdeki ayrıntı.Üç boyutta yapı.

Balata yüzeyinde kusur segmentasyonu ve Rail3D nokta bulutlarıyla demiryolu çevresinin analizi. Aynı stajda, iki farklı veri türüyle geliştirdiğim iki çalışma.

Katkım

Veri etiketleme, model deneyleri, işleme akışları ve sonuçların görselleştirilmesini baştan sona yürüttüm.

  1. Etiketleme
  2. Model deneyleri
  3. İşleme akışı
  4. Görselleştirme
İki çalışmayı görÇıktıya dön

İki veri türü, iki analiz akışı.

Balata — Balata maskesi, ROI çıkarımı, leke ve çatlak segmentasyonu, piksel tabanlı kalınlık çıktısı.

Rail3D / Open3D — HMLS nokta bulutlarını işleme, özellik çıkarımı ve makine öğrenmesiyle sınıflandırma.

KapsamStaj kapsamında geliştirilen prototipler. Balata kalınlığı piksel cinsindedir; nokta bulutu çalışması Rail3D’nin HMLS bölümünü kullanır.

Balata vaka çalışmasını inceleRail3D vaka çalışmasını incele

Üniversite · 06 — ∞

Ve sayısızüniversite projesi.

Elektronik devrelerden PCB tasarımına, mikrodenetleyici programlamaya: Gazi Üniversitesi’ndeki lisans eğitimim boyunca küçük ölçekli sayısız proje geliştirdim.

  • Elektronik devreler
  • PCB tasarımı
  • Mikrodenetleyici programlama

Deneyim ve eğitim

Deneyim

Farklı ortamlar. Aynı mühendislik merakı.

Boğaziçi Savunma TeknolojileriBilgisayarlı Görü / Edge AI · İş Yeri EğitimiŞubat — Haziran 2026
Katkı ve çalışma alanı

Saha verisinin toplanmasından gerçek zamanlı çalışan uygulamaya kadar uçtan uca çalıştım. İki aşamalı tespit ve sınıflandırma modellerini eğittim; çıkarımı TensorRT FP16 ile optimize ederek masaüstü GPU’da 12,8’den 26,0 FPS’e çıkardım. ByteTrack ile çoklu hedef takibini, tek kamerayla mesafe tahminini ve uygulama arayüzlerini geliştirdim.

Model geliştirme / Optimizasyon / Yazılım

Çalışmayı yukarıda gör
TÜBİTAK RUTEGörüntü İşleme ve Derin Öğrenme · StajTemmuz — Eylül 2025
Katkı ve çalışma alanı

Demiryolu bileşenleri üzerinde iki farklı veri türüyle çalıştım. Balata görüntüleri için YOLO tabanlı tespit, ilgi bölgesi çıkarımı, leke ve çatlak segmentasyonu ile piksel tabanlı kalınlık ölçümünden oluşan bir analiz hattı geliştirdim. Rail3D nokta bulutlarını Open3D ile işleyip özellik çıkarımı ve LightGBM ile nokta düzeyinde sınıflandırma yaptım.

Görüntü işleme / Derin öğrenme / Nokta bulutları

Staj çalışmalarını gör
Eğitim

Gazi Üniversitesi

Elektrik-Elektronik Mühendisliği · Lisans, 2026 · Genel not ortalaması 3,58 / 4,00

CV ve mesleki özet

İletişim

Bir sonraki sistemibirlikte kuralım.

Yapay zekâ modellerini gerçek dünyada çalışan sistemlere dönüştürmeye odaklanan bir mühendis olarak yeni fırsatlara ve teknik iş birliklerine açığım. Bilgisayarlı görü, Edge AI veya uygulamalı makine öğrenmesi üzerine çalışıyorsanız tanışmak isterim.

LinkedIn GitHub Özgeçmiş

Muhammed Ali Yıldırım

Applied AI / ML Engineering

Başa dön