Araştırmacılar, sabit zamanlı geleneksel yaya geçidi sinyallerinin yaşlı, engelli veya dikkatsiz yayaları tehlikede bıraktığı sorununa çözüm geliştirdi. 'No Pedestrian Left Behind' (NPLB) adlı sistem, YOLOv12 yapay zeka modeli ve ByteTrack takip teknolojisiyle yaya geçitlerini gerçek zamanlı izliyor. Monte Carlo simülasyonlarında sistem, yaya güvenliğini %71.4 oranında artırırken, mahsur kalma oranlarını %9.10'dan %2.60'a düşürdü. Sistem, kritik eşik değerinin altında kalan sürelerde otomatik olarak sinyal süresini uzatıyor ve böylece hiçbir yayanın geçiş esnasında tehlikede kalmamasını sağlıyor.

Araştırmacılar, humanoid robotların yeni nesneleri kavrayabilmesi için gereken süreyi 1-2 günden 30 dakikaya indiren devrimsel bir sistem geliştirdi. Geleneksel yöntemler veri toplama, manuel etiketleme ve 3D model oluşturma gibi uzun süreçler gerektiriyordu. Yeni pipeline üç temel yapay zeka modelini birleştiriyor: otomatik nesne tespiti için YOLOv8, 3D yeniden yapılandırma için Meta SAM 3D ve zero-shot 6-DoF poz takibi için FoundationPose. Bu entegre sistem lazer tarayıcı gibi pahalı ekipmanlara olan ihtiyacı ortadan kaldırırken, Unitree G1 humanoid robotu üzerindeki testlerde %99.5 tespit doğruluğu elde etti. Sistem Unity tabanlı ters kinematik planlayıcı kullanarak robot eklemlerini kontrol ediyor ve UDP protokolü ile gerçek zamanlı komut iletimi sağlıyor.

Yapay zeka araştırmacıları, nesne tespit sistemlerinin performansını artırmak için 'uzman karışımı' yaklaşımını kullanmaya başladı. Bu yenilikçi yöntem, farklı alanlarda uzmanlaşmış birden fazla yapay sinir ağını akıllı bir şekilde birleştirerek, tek bir sistemin yapabileceğinden daha karmaşık görme görevlerini başarıyla yerine getirebiliyor. Araştırmacılar, YOLO tabanlı tespit sistemlerini özel veri kümeleri üzerinde eğittikten sonra, hangi uzmanın ne zaman devreye girmesi gerektiğini belirleyen akıllı bir ağ geçidi sistemi geliştirdi. Bu yaklaşım, geleneksel topluluk öğrenme yöntemlerinden farklı olarak daha açıklanabilir ve yorumlanabilir sonuçlar sunuyor. BDD100K veri seti üzerinde yapılan deneyler, sistemin farklı senaryolarda uzmanları dinamik olarak seçerek başarılı sonuçlar elde edebildiğini gösteriyor.

İsviçreli araştırmacılar, otoyollardaki çatlakları otomatik olarak tespit eden yapay zeka tabanlı bir sistem geliştirdi. Hava görüntüleri ve açık kaynak harita verilerini kullanan sistem, YOLOv11 algoritması ile %84 doğrulukla yol çatlaklarını belirleyebiliyor. İklim değişikliğinin yol altyapısına verdiği zararların artmasıyla birlikte, bakım maliyetleri de yükseliyor. Bu yeni yaklaşım, otoyol bakım ekiplerinin hangi bölgelere öncelik vermesi gerektiğini belirlemede önemli bir araç sunuyor. Araştırmacılar İsviçre için geliştirdikleri 'Göreli Otoyol Çatlak Yoğunluğu' endeksi ile ülke genelinde bakım stratejilerini yönlendirebilecek bir harita oluşturdular.

Araştırmacılar, makine rulmanlarındaki arızaları erken tespit edebilen gelişmiş bir sistem geliştirdi. Sistem, titreşim sinyallerini sürekli dalgacık dönüşümü ile analiz ederek zaman-frekans spektrogramları oluşturuyor ve YOLO algoritmaları ile arıza bölgelerini tespit ediyor. Üç farklı veri seti üzerinde yapılan deneylerde %99'un üzerinde doğruluk oranına ulaşan sistem, geleneksel yöntemlere göre çok daha başarılı sonuçlar veriyor. Bu yenilik, endüstriyel makinelerde öngörülü bakım uygulamalarında devrim yaratabilir.

Araştırmacılar, denizcilik gözetiminde kullanılan Sentetik Açıklıklı Radar (SAR) görüntülerindeki gemileri otomatik olarak tespit eden yeni bir yapay zeka sistemi geliştirdi. Sistem, özel eğitim verisi gerektirmeden gemi tespiti yapabiliyor. YOLOv11 algoritması gemileri tespit ederken, Segment Anything Model 2 (SAM2) bu gemilerin kesin sınırlarını belirliyor. Bu yaklaşım, geleneksel yöntemlerin aksine piksel düzeyinde manuel etiketleme gerektirmiyor. Denizcilik güvenliği ve gemi takibi açısından önemli olan bu teknoloji, gemi sınıflandırması, boyut ölçümü ve iz analizi gibi uygulamalarda kullanılabiliyor.

Araştırmacılar, kaynak kısıtlı robotların kapalı mekanlarda daha verimli hareket etmesi için yenilikçi bir sistem geliştirdi. Bu sistem, 3 boyutlu LiDAR verilerini kuş bakışı 2D görüntülere dönüştürerek, duvarlar ve kapılar gibi yapısal unsurları gerçek zamanlı olarak tespit ediyor. Geleneksel 3D yöntemler hesaplama gücü açısından çok yoğun olurken, klasik 2D yaklaşımlar da güvenilirlik sorunları yaşıyordu. Yeni framework, hem klasik geometrik teknikler hem de yapay zeka tabanlı YOLO detektörünü kullanarak bu dengeyi kurmaya çalışıyor. Sistem, ardışık karelerden gelen verileri birleştiren özel bir modül sayesinde kararlılık ve güvenilirlik kazanıyor. Mobil robot platformlarında yapılan testler, farklı yöntemlerin performans dengelerini net şekilde ortaya koyuyor.

Araştırmacılar, drone'lar üzerinde çalışabilen hafif ve verimli bir yapay zeka sistemi geliştirdi. İki aşamalı bu framework, orman yangınlarını tespit etmek ve yangın kaynağının yerini belirlemek için tasarlandı. İlk aşamada gereksiz video klipleri ayıklayan bir politika ağı kullanılırken, ikinci aşamada geliştirilmiş YOLOv8 modeli ile yangın kaynağı gerçek zamanlı olarak lokalize ediliyor. Sistem, drone'ların sınırlı hesaplama kapasitesini göz önünde bulundurarak optimize edilmiş durumda. Bu teknoloji, afet yönetimi ve acil müdahale operasyonlarında drone'ların etkinliğini artırarak, yangın söndürme ekiplerinin daha hızlı ve doğru müdahale etmesini sağlayabilir.

Akut miyeloid lösemi (AML), en ölümcül kan kanseri türlerinden biri olarak kabul edilir ve teşhisi oldukça zorludur. Bunun nedeni, farklı hücre tiplerinin görsel olarak birbirine çok benzemesidir. Araştırmacılar, YOLOv12 adlı gelişmiş yapay zeka modelini kullanarak bu zorluğu aştılar. Çalışmada, kan hücrelerinin mikroskobik görüntüleri üzerinde iki farklı segmentasyon yöntemi denendi. Hücre tabanlı segmentasyon ile Otsu eşikleme tekniğinin birleşimi, hem doğrulama hem de test aşamasında %99.3'lük etkileyici bir başarı oranı elde etti. Bu gelişme, kan kanseri teşhisinin hızlanması ve doğruluğunun artması açısından büyük önem taşıyor.

Diş hekimliğinde kullanılan panoramik röntgen filmlerinin yorumlanması genellikle uzun zaman alır ve hata riski taşır. Araştırmacılar, YOLOv26 yapay zeka modelini kullanarak bu süreci otomatikleştiren yeni bir sistem geliştirdi. Sistem, panoramik röntgenlerde dişleri tespit edebiliyor, FDI standardına göre numaralandırıyor ve hastalık belirtilerini segmentleyebiliyor. DENTEX veri seti üzerinde yapılan testlerde, YOLOv26m-seg modeli diş tespitinde %97.6 hassasiyet oranına ulaştı. Bu gelişme, yoğun klinik ortamlarda diş hekimlerinin tanı koyma sürecini hızlandırabilir ve hata oranlarını azaltabilir. Teknoloji, minimal radyasyon maruziyeti sağlayan panoramik radyografların avantajlarını korurken, analiz sürecini otomatikleştiriyor.

Araştırmacılar, sınav sırasında kopya çekme davranışlarını tespit edebilen iki aşamalı yapay zeka sistemi geliştirdi. Sistem, önce YOLOv8n modeliyle sınav salonundaki öğrencileri tespit ediyor, ardından RexNet-150 modeliyle davranışlarını analiz ediyor. 273 bin örnek üzerinde eğitilen sistem %95 doğruluk oranına ulaştı. Geleneksel gözetim yöntemlerinin pahalı ve hata yapma eğiliminde olması nedeniyle geliştirilen bu teknoloji, akademik dürüstlük konusundaki sorunlara modern bir çözüm sunuyor. İki farklı derin öğrenme modelinin entegrasyonuyla çalışan sistem, şeffaf ve etkili bir alternatif oluşturuyor.