Kanda yer alan kan hücrelerinin mikroskobik incelenmesi zaman alıcı, pahalı ve hataya açık bir iştir. Bu çalışmanın
amacı, kan hücresi görüntülerini kullanarak kan hücresi tiplerinin sınıflandırılması için YOLO mimarisini kullanan
otomatik bir sistem geliştirmektir. Çalışmada kullanılan BCDD veri seti, 364 kan hücresi görüntüsü ve 4888
etiketli görüntüden oluşmaktadır. Açık kaynaklı BCCD veri seti, kırmızı kan hücrelerini (RBC'ler), beyaz kan
hücrelerini (WBC'ler) ve trombositleri içerir. Geliştirilen senaryoda YOLOv9 mimarisi, farklı optimizasyon
algoritmaları, öğrenme oranları kullanılarak hiperparametrelerin tanımlama sürecindeki etkisi gözlemlendi.
Tanımlama sonuçlarını karşılaştırırken en iyi sonuca, 0,001 öğrenme oranıyla ADAMW optimizasyon algoritması
kullanılarak ulaşıldı. Genel olarak kan hücresi tiplerinin sınıflandırılmasında WBC tanımlamasında 1,0'a yakın
sonuç elde edildi. Daha sonra RBC tanımlaması yaklaşık olarak 0,93 doğrulukla elde edilirken trombositler 0,96
doğrulukla tanımlandı. Bu sonuçlar, önerilen sistemin kan hücresi tanımlamasının manuel sürecini
otomatikleştirmeye yönelik etkili bir araç olarak kullanılabileceğini göstermektedir.
Microscopic examination of blood cells in blood is time-consuming, expensive and error-prone. The aim of this
study is to develop an automatic system using YOLO architecture for classification of blood cell types using blood
cell images. The BCDD dataset used in the study consists of 364 blood cell images and 4888 labeled images. The
open-source BCCD dataset includes red blood cells (RBCs), white blood cells (WBCs), and platelets. In the
developed scenario, the YOLO v9 architecture, different optimization algorithms, and learning rates were used to
observe the effect of hyperparameters in the parameter definition process. When comparing the identification
results, the best result was achieved using the ADAMW optimization algorithm with a learning rate of 0.001.
Overall, a result close to 1.0 was obtained in the WBC classification for blood cell types. Subsequently, the RBC
identification was achieved with an accuracy of approximately 0.93, while platelets were identified with an
accuracy of 0.96. These results indicate that the proposed system could be used as an effective tool for automating
the manual process of blood cell identification.
