Akıllı Yaya Güvenliği Sistemi - MVP Planı

Product Requirements Document (PRD)

Proje Adı: Akıllı Yaya Güvenliği - Görüntü Tabanlı Işık Süresi Uyarlama Sistemi
Versiyon: MVP 1.0 (Jüri Demo Versiyonu)
Hedef: Naim Süleymanoğlu Bulvarı için prototip sistemin yapılabilirliğini kanıtlamak
Tarih: Aralık 2024

1. EXECUTIVE SUMMARY

1.1 Problem Tanımı

Yaya geçitlerinde yaşlı, hamile, engelli ve çocukların sabit süreli trafik ışıkları nedeniyle yolun ortasında kalması ciddi güvenlik riski oluşturuyor. Bu durum hem yayalar için hayati tehlike, hem sürücüler için ani fren/kaza riski yaratıyor.

1.2 Çözüm Özeti

Yapay zeka destekli görüntü işleme sistemi ile yaya geçitlerini gerçek zamanlı izleyerek:

Yayaların kategorisini tespit etme (yaşlı, çocuk, engelli)
Yoldaki konumunu ve hızını ölçme
Geçiş için gereken süreyi dinamik hesaplama
Trafik ışıklarını otomatik senkronize etme

1.3 MVP Kapsamı

Bu MVP, jüri sunumu için sisteminizin çalışır bir prototipini gösterecek. Gerçek donanım entegrasyonu içermez, ancak tüm akıllı karar mekanizmalarını simüle eder.

2. MVP ÖZELLİKLERİ

2.1 Temel Özellikler (Must-Have)

A. Görüntü İşleme Modülü

Webcam'den canlı video akışı
YOLOv8 tabanlı insan tespiti
Kategori sınıflandırması (yaşlı, çocuk, engelli, normal yetişkin)
Yol başlangıç/bitiş çizgilerini manuel belirleme (kurulum)
Kişinin yoldaki konumunu hesaplama (%)
Hareket hızı tespiti (piksel/saniye → metre/saniye)

B. Karar Algoritması

Kişi kategorisine göre ek süre hesaplama
- Yaşlı: +5 saniye
- Çocuk: +4 saniye
- Engelli (tekerlekli sandalye): +7 saniye
- Hamile/yavaş yürüyen: +6 saniye
Kalan mesafe ve hıza göre dinamik süre hesaplama
Çoklu kişi senaryosu (en yavaş kişiye göre ayarlama)
Minimum yeşil ışık süresi garantisi (10 saniye)

C. Web Panel (Split-Screen)

Sol Panel - Canlı Analiz (60%)

Webcam görüntüsü (real-time)
Tespit edilen kişiler üzerinde bounding box ve etiket
Yol çizgileri (yeşil çizgiler)
Anlık metrikler kartları:
- Tespit edilen kişi sayısı
- Kategori dağılımı
- En kritik kişi (en yavaş/en uzak)
- Hesaplanan ek süre

Sağ Panel - Trafik Simülasyonu (40%)

4 yönlü kavşak haritası (top-down view)
Her yön için:
- Araç ışığı (kırmızı/sarı/yeşil)
- Yaya ışığı (kırmızı/yeşil)
- Geri sayım sayacı
Senkronizasyon durumu göstergesi
Süre uzatma animasyonu (flash efekti)

D. Kontrol ve Kurulum

Webcam seçimi (birden fazla kamera varsa)
Yol çizgilerini belirleme (2 nokta tıklama)
Video dosyası yükleme/oynatma seçeneği
Başlat/Durdur/Reset kontrolleri
Sistem durumu göstergesi

2.2 Teknik Gereksinimler

Yazılım Stack

Backend:
- Python 3.10+
- FastAPI (WebSocket desteği ile)
- OpenCV (cv2)
- Ultralytics YOLOv8
- NumPy, Pillow

Frontend:
- React 18 (Vite)
- TailwindCSS
- Recharts (grafikler için)
- WebSocket client

AI/ML:
- YOLOv8n (nano - hız için)
- Custom classification model (fine-tuned)

Donanım Gereksinimleri

Webcam (minimum 720p, 30fps)
Laptop/PC (minimum):
- RAM: 8GB
- CPU: i5 veya üzeri (GPU opsiyonel ama önerilir)
- OS: Windows 10/11, macOS, Linux

Performans Hedefleri

FPS: Minimum 15, hedef 25-30
Tespit doğruluğu: %85+
Gecikme: Maksimum 200ms (tespit → karar)
Eşzamanlı kişi sayısı: 10'a kadar

3. KULLANICI HİKAYELERİ

3.1 Jüri Üyesi (Demo İzleyici)

Hedef: Sistemin gerçek hayatta çalışabileceğine inanmak

Senaryo:

Ekranda canlı yaya geçidi görüntüsü görüyorum
Yaşlı bir kişi yola girdiğinde sistem onu tespit ediyor
Kişi yavaş yürüyor ve yolun %40'ında
Sağ panelde yeşil ışığın 5 saniye uzadığını görüyorum
Tüm kavşak ışıklarının senkronize olduğunu görüyorum
"Bu gerçek hayatta işe yarar" diyorum

3.2 Sunum Yapan Takım Üyesi

Hedef: Sistemi akıcı şekilde demo yapmak

Senaryo:

Sistemi başlatıyorum (1 tık)
Webcam'i hazır videonun oynatıldığı ekrana çeviriyorum
Video başlıyor, sistem otomatik tespit yapıyor
Metrikleri jüriye gösteriyorum
Kritik an: "İşte yaşlı tespit edildi!" diyorum
Işık uzaması gerçekleşiyor, jüri alkışlıyor

4. GELIŞTIRME FAZLARI

FAZA 1: Veri Seti ve Model (1 hafta)

Adım 1.1: Veri Seti Bulma ve Hazırlama

Hedef veri setleri:

Yaşlı tespit:
- Kaggle: "Elderly Person Detection Dataset"
- Roboflow: "Age Classification Dataset"
- Anahtar kelimeler: cane, walker, slow walking
Çocuk tespit:
- COCO Dataset (person class - height filtering)
- Roboflow: "Child Detection Dataset"
- Anahtar: height/width ratio < 0.6
Engelli tespit:
- Roboflow: "Wheelchair Detection"
- Kaggle: "Mobility Aid Detection"
- Anahtar: wheelchair, crutches
Genel pedestrian:
- COCO Person class
- CityScapes pedestrian

Aksiyon itemleri:

En az 500 görüntü/kategori topla
YOLO formatında etiketle (labelImg veya Roboflow)
Train/Val/Test split: 70/20/10
Data augmentation (flip, rotate, brightness)

Adım 1.2: Model Eğitimi

# Eğitim stratejisi
1. YOLOv8n base model ile başla (pre-trained COCO)
2. Custom veri seti ile fine-tune et
3. Classes: ['elderly', 'child', 'disabled', 'adult']
4. Hyperparameters:
   - Epochs: 50-100
   - Batch: 16
   - Image size: 640
   - Learning rate: 0.001

Başarı kriterleri:

mAP@0.5: > 0.80
Inference time: < 50ms/frame
False positive rate: < %15

Adım 1.3: Model Test ve İyileştirme

Çeşitli ışık koşullarında test
Farklı açılardan test
Edge case'leri tanımla (örn: yağmurlu hava)
Model quantization (hız için)

FAZA 2: Backend Geliştirme (1 hafta)

Adım 2.1: Proje Yapısı

smart-pedestrian-system/
├── backend/
│   ├── main.py                 # FastAPI app
│   ├── camera_handler.py       # Webcam/video input
│   ├── detection_engine.py     # YOLO inference
│   ├── tracking_system.py      # Multi-object tracking
│   ├── decision_algorithm.py   # Süre hesaplama
│   ├── traffic_controller.py   # Işık simülasyonu
│   └── models/
│       └── best.pt             # Eğitilmiş model
├── frontend/
│   └── (React app)
├── datasets/
├── tests/
└── requirements.txt

Adım 2.2: Core Modüller

camera_handler.py

class CameraHandler:
    - open_webcam(device_id)
    - load_video(file_path)
    - get_frame()
    - set_calibration_lines(start_line, end_line)
    - calculate_real_distance(pixel_distance)

detection_engine.py

class DetectionEngine:
    - load_model(model_path)
    - detect_persons(frame)
    - classify_category(bbox, frame)
    - get_bounding_boxes()

tracking_system.py

class TrackingSystem:
    - update_tracks(detections)
    - calculate_position(bbox, calibration_lines)
    - estimate_speed(track_history)
    - get_critical_person()  # En riskli kişi

decision_algorithm.py

class DecisionAlgorithm:
    BASE_TIMES = {
        'elderly': 5,
        'child': 4,
        'disabled': 7,
        'pregnant': 6,
        'adult': 0
    }
    
    - calculate_required_time(person_data)
    - predict_crossing_time(speed, distance)
    - get_extension_time()

traffic_controller.py

class TrafficController:
    - initialize_intersection(4-way)
    - update_light_state(direction, color, duration)
    - synchronize_lights(extended_time)
    - get_current_state()

Adım 2.3: WebSocket API

# Endpoints
WS /ws/video-stream
    → Sends: frame (base64), detections, metrics
    
WS /ws/traffic-state
    → Sends: light states, countdown, sync status

POST /api/calibrate
    → Body: {start_line: [x,y], end_line: [x,y]}

POST /api/start
POST /api/stop
POST /api/reset
GET /api/status

FAZA 3: Frontend Geliştirme (4-5 gün)

Adım 3.1: Component Yapısı

src/
├── App.jsx
├── components/
│   ├── LeftPanel/
│   │   ├── VideoDisplay.jsx        # Webcam + overlay
│   │   ├── MetricsCards.jsx        # Anlık istatistikler
│   │   ├── ControlPanel.jsx        # Butonlar
│   │   └── CalibrationTool.jsx     # Çizgi çizme
│   ├── RightPanel/
│   │   ├── IntersectionMap.jsx     # Kavşak görünümü
│   │   ├── TrafficLight.jsx        # Tek ışık komponenti
│   │   ├── CountdownTimer.jsx      # Geri sayım
│   │   └── SyncIndicator.jsx       # Senkron animasyon
│   └── shared/
│       ├── StatusBadge.jsx
│       └── AlertBox.jsx
└── hooks/
    ├── useWebSocket.js
    └── useVideoStream.js

Adım 3.2: Temel Özellikler

VideoDisplay Component:

Canvas üzerinde video rendering
Bounding box çizimi (kategori renkli)
Yol çizgileri (yeşil, kesikli)
Konum ve hız etiketleri
Smooth 30fps animasyon

MetricsCards:

<div className="grid grid-cols-2 gap-4">
  <MetricCard 
    title="Tespit Edilen" 
    value={detectedCount}
    icon={<Users />}
  />
  <MetricCard 
    title="Kritik Durum" 
    value={criticalPerson?.category}
    color="red"
  />
  <MetricCard 
    title="Ek Süre" 
    value={`+${extensionTime}s`}
    trend="up"
  />
  <MetricCard 
    title="Konum" 
    value={`%${position}`}
  />
</div>

IntersectionMap:

SVG tabanlı 4 yönlü kavşak
Her yönde araç ve yaya ışığı
Aktif geçidi vurgulama (pulse efekt)
Süre uzatma animasyonu (glow)

Adım 3.3: UI/UX Detayları

Karanlık tema (modern ve profesyonel)
Yeşil vurgu rengi (güvenlik teması)
Büyük, okunabilir fontlar (jüri uzaktan görecek)
Anlık feedback (toast bildirimleri)
Loading states ve error handling

FAZA 4: Entegrasyon ve Test (3-4 gün)

Adım 4.1: Sistem Entegrasyonu

Backend ve frontend bağlantısı
WebSocket mesaj formatı standardizasyonu
Error handling ve reconnection logic
Performans optimizasyonu

Adım 4.2: Test Senaryoları

Senaryo 1: Tek Yaşlı Kişi

Video: Yaşlı kişi yavaşça geçiyor
Beklenen: +5 saniye, başarılı geçiş
Sonuç: ✓ Pass / ✗ Fail

Senaryo 2: Çocuk Koşarak Geçiyor

Video: Çocuk hızlı hareket
Beklenen: +4 saniye ama erken bitiriyor
Sonuç: Sistem erken kesme yapmalı

Senaryo 3: Tekerlekli Sandalye

Video: Engelli kişi yavaş ilerliyor
Beklenen: +7 saniye
Sonuç: En uzun süre garantisi

Senaryo 4: Kalabalık Grup

Video: 5 kişi, içinde 1 yaşlı
Beklenen: En yavaş kişiye göre ayarlama
Sonuç: Grup geçene kadar yeşil

Senaryo 5: Yanlış Tespit (False Positive)

Video: Ağaç gölgesi, hayvan
Beklenen: Tespit edilmemeli
Sonuç: Confidence threshold test

Adım 4.3: Demo Videoları Hazırlama

5 farklı senaryo için video kaydet (30-60 saniye)
Farklı ışık koşulları (gündüz, akşam)
Farklı hava durumları (güneşli, bulutlu)
Yedek video setleri (teknik sorun için)

Adım 4.4: Performans Testleri

# Benchmark metrikleri
- Frame processing time: < 50ms
- Detection accuracy: > 85%
- Tracking stability: > 90% (ID consistency)
- UI responsiveness: < 100ms lag
- Memory usage: < 2GB
- CPU usage: < 70% (tek core)

FAZA 5: Jüri Sunumu Hazırlığı (2-3 gün)

Adım 5.1: Sunum Materyalleri

Fiziksel Kurulum:

Laptop (fully charged + şarj aleti)
Webcam (tripod veya stand)
Yedek laptop/tablet (backup)
HDMI kablo (projeksiyon için)
Mouse (sunum kontrolü)
Demo videoları USB'de yedek

Dijital Hazırlık:

Sistemi 3 kez kurulum testi yap
Offline çalışabilir hale getir (internet bağımlılığı yok)
Demo videolarını lokal kaydet
Dummy data ile test et
Crash recovery senaryosu hazırla

Adım 5.2: Sunum Akışı (5-7 dakika)

Dakika 0-1: Giriş

Problemi özetleme
İstatistik paylaşma (kaza verileri)
Çözümü tanıtma

Dakika 1-2: Sistem Mimarisi

Kısa teknik açıklama
Nasıl çalıştığını anlatma
AI modelini tanıtma

Dakika 2-5: Canlı Demo

"Şimdi sistemi başlatıyorum"
Webcam görünümünü göster
Video oynatsın (veya canlı demo)
İlk tespit: "Bakın, yaşlı bir yaya tespit edildi"
Metrikler: "Yolun %35'inde, yavaş yürüyor"
Karar: "Sistem +5 saniye hesapladı"
Işıklar: "Tüm kavşak senkronize edildi"
Sonuç: "Yaya güvenli geçti"

Dakika 5-7: Sonuç ve Vizyon

MVP başarısını vurgula
Gerçek hayat potansiyelini anlat
Bursa'da pilot uygulama hedefi
Akıllı şehir vizyonu
Sorular

Adım 5.3: Olası Sorular ve Cevaplar

S: Yanlış tespit oranı nedir? C: Mevcut modelimiz %85+ doğruluk. Gerçek uygulamada çoklu kamera ve sensör füzyonu ile %95+ hedefliyoruz.

S: Gece görüş nasıl? C: MVP gündüz için optimize. Production'da IR kameralar ve gece modu eklenecek.

S: Maliyet? C: Edge AI kamera: ~$200, kontrolcü: ~$100. Geleneksel sistemlere %30 ek maliyet, ama kaza azalması ROI'yi 1 yılda karşılar.

S: Veri gizliliği (KVKK)? C: Görüntü lokal işlenir, yüz tanıma yok, anonim metrik. KVKK compliant tasarım.

S: Şehir geneline yaygınlaştırma? C: Modüler tasarım. Her kavşak bağımsız çalışabilir, ama merkezi yönetim opsiyonel.

S: Diğer şehirlere adapte? C: Evet! Model transfer learning ile 1-2 hafta adaptasyon.

5. BAŞARI KRİTERLERİ

5.1 Teknik Metrikler

Sistem 30+ dakika kesintisiz çalışıyor
FPS > 20 (smooth görüntü)
Tespit doğruluğu > %85
Karar verme süresi < 300ms
UI responsive (lag yok)

5.2 Demo Başarısı

5 senaryonun hepsi başarılı
Jüri "wow" anı yaşadı
Teknik problem olmadı
Sorulara tatmin edici cevaplar verildi
Sunum 7 dakikayı aşmadı

5.3 Jüri İzlenimi (Hedef Tepkiler)

"Bu gerçekten işe yarayabilir"
"Teknik olarak sağlam"
"Sosyal etkisi yüksek"
"Ölçeklenebilir görünüyor"
"Bursa için uygun"

6. RİSKLER VE ÇÖZÜMLER

6.1 Yüksek Riskler

Risk 1: Model yeterince doğru çalışmıyor

Olasılık: Orta
Etki: Yüksek
Çözüm: Pre-trained modellere fall-back, güven eşiği düşürme, çoklu model ensemble

Risk 2: Webcam video kalitesi düşük

Olasılık: Orta
Etki: Orta
Çözüm: Yedek kamera, ön kaydedilmiş HD videolar, lighting test

Risk 3: Laptop performans sorunu

Olasılık: Düşük
Etki: Yüksek
Çözüm: Model quantization, batch size düşürme, yedek laptop

Risk 4: Demo sırasında crash

Olasılık: Düşük
Etki: Kritik
Çözüm: Exception handling, auto-restart, backup video presentation

6.2 Orta Riskler

Risk 5: Jüri teknik detay soruyor

Çözüm: Detaylı FAQ hazırla, "pilot aşama" kartını oyna

Risk 6: İnternet bağlantısı kesildi

Çözüm: Tamamen offline çalışır yap

Risk 7: Projeksiyon çözünürlüğü düşük

Çözüm: Büyük font ve kontrastlı renk kullan

7. ZAMAN ÇİZELGESİ

Hafta 1: Veri ve Model (7 gün)

Gün 1-2: Veri seti toplama ve etiketleme
Gün 3-5: Model eğitimi ve optimizasyon
Gün 6-7: Model test ve fine-tuning

Hafta 2: Backend (7 gün)

Gün 8-9: Proje yapısı ve core modüller
Gün 10-11: Tracking ve karar algoritması
Gün 12-14: API ve WebSocket entegrasyonu

Hafta 3: Frontend (7 gün)

Gün 15-16: Component geliştirme
Gün 17-18: UI/UX polish
Gün 19-21: Backend-frontend entegrasyon

Hafta 4: Test ve Sunum (7 gün)

Gün 22-24: End-to-end testler
Gün 25-26: Demo videoları ve sunum hazırlık
Gün 27-28: Prova ve son testler

TOPLAM: 4 hafta (28 gün)

8. SONRAKI ADIMLAR (Post-MVP)

Faza 6: Pilot Uygulama

Gerçek edge AI kamera entegrasyonu
Bursa Belediyesi ile pilot kavşak seçimi
Trafik ışığı donanım entegrasyonu
3 ay beta test

Faza 7: Ölçeklendirme

Multi-camera fusion
Cloud-based merkezi yönetim
Analytics dashboard (belediye için)
Mobile app (vatandaş bildirimleri)

Faza 8: Akıllı Şehir Entegrasyonu

Diğer traffic sistemleriyle entegrasyon
IoT sensörler (hava durumu, yoğunluk)
Predictive analytics
Şehir geneli deployment

9. EKLER

9.1 Teknik Mimari Diyagram

┌─────────────────────────────────────────────────────────┐
│                    WEB INTERFACE                        │
│  ┌──────────────────────┐  ┌──────────────────────┐   │
│  │   Left Panel         │  │   Right Panel        │   │
│  │  - Video Display     │  │  - Intersection Map  │   │
│  │  - Metrics Cards     │  │  - Traffic Lights    │   │
│  │  - Control Panel     │  │  - Sync Indicator    │   │
│  └──────────────────────┘  └──────────────────────┘   │
└─────────────────────────────────────────────────────────┘
                         │
                    WebSocket
                         │
┌─────────────────────────────────────────────────────────┐
│                  BACKEND (FastAPI)                      │
│  ┌────────────────────────────────────────────────┐    │
│  │          Camera Handler                        │    │
│  │   (Webcam / Video Input)                       │    │
│  └─────────────────┬──────────────────────────────┘    │
│                    │                                     │
│  ┌─────────────────▼──────────────────────────────┐    │
│  │       Detection Engine (YOLOv8)                │    │
│  │   - Person Detection                           │    │
│  │   - Category Classification                    │    │
│  └─────────────────┬──────────────────────────────┘    │
│                    │                                     │
│  ┌─────────────────▼──────────────────────────────┐    │
│  │         Tracking System                        │    │
│  │   - Multi-object Tracking                      │    │
│  │   - Position & Speed Calculation               │    │
│  └─────────────────┬──────────────────────────────┘    │
│                    │                                     │
│  ┌─────────────────▼──────────────────────────────┐    │
│  │       Decision Algorithm                       │    │
│  │   - Time Calculation                           │    │
│  │   - Risk Assessment                            │    │
│  └─────────────────┬──────────────────────────────┘    │
│                    │                                     │
│  ┌─────────────────▼──────────────────────────────┐    │
│  │       Traffic Controller                       │    │
│  │   - Light State Management                     │    │
│  │   - Synchronization Logic                      │    │
│  └────────────────────────────────────────────────┘    │
└─────────────────────────────────────────────────────────┘

9.2 Veri Akış Diyagramı

[Webcam] → [Frame Capture] → [YOLOv8 Detection] 
    ↓
[Bounding Boxes + Categories] → [Tracking System]
    ↓
[Position + Speed] → [Decision Algorithm]
    ↓
[Required Extension Time] → [Traffic Controller]
    ↓
[Light States] → [WebSocket] → [UI Update]

9.3 Karar Algoritması Pseudocode

def calculate_extension_time(persons):
    if not persons:
        return 0
    
    critical_person = find_slowest_person(persons)
    
    # Base time by category
    base_extension = BASE_TIMES[critical_person.category]
    
    # Calculate remaining distance
    distance_remaining = ROAD_LENGTH * (1 - critical_person.position_percent)
    
    # Estimate time needed
    time_needed = distance_remaining / critical_person.speed
    
    # Current green time remaining
    time_remaining = get_current_green_remaining()
    
    #

Eğitim stratejisi