15 Nisan 2025
Afrika Yaban Hayatı Veri Kümesini kullanarak vahşi doğadaki hayvanları tespit etmek için YOLO modellerini nasıl eğiteceğinizi ve modeli görünmeyen görüntüler üzerinde çıkarımlar çalıştırmak için nasıl kullanacağınızı öğrenin.
Gezegenimizin vahşi yaşamı, vızıldayan arılardan yükselen fillere kadar inanılmaz derecede çeşitlidir ve bu biyoçeşitliliği korumak, dengeli bir ekosistemi sürdürmek için çok önemlidir. Ancak, habitat kaybı, kaçak avlanma ve iklim değişikliği nedeniyle koruma çabaları giderek daha zor hale geliyor. Tüm bu faktörler, vahşi yaşam popülasyonlarını olumsuz etkiliyor.
Kamera kapanı görüntülerini manuel olarak analiz etmek ve saha araştırmaları yapmak gibi geleneksel hayvan izleme yöntemleri yavaş olabilir ve çok fazla kaynak gerektirebilir. Bu çabalar genellikle geniş alanları ve büyük popülasyonları etkili bir şekilde kapsamakta başarısız olur.
Bu sınırlamaların üstesinden gelmek için yapay zeka (AI), vahşi yaşamı koruma çalışmalarında etkili bir araç olarak kullanılabilir. Özellikle, Ultralytics YOLO11 gibi bilgisayarlı görü modelleri, hayvanların gerçek zamanlı olarak tanımlanmasını ve izlenmesini otomatikleştirmek için görüntüler ve videolar gibi görsel verileri analiz edebilir.
YOLO11 tarafından desteklenen nesne algılama ve örnek segmentasyonu gibi bilgisayarla görü görevleri burada çok kullanışlıdır. Görsel verileri analiz ederek, bu görevler önemli verileri toplamamıza, ekolojik kalıpları belirlememize ve çevresel tehditlere daha etkili bir şekilde yanıt vermemize yardımcı olur.
Bu makalede, hayvanları tespit etmek için YOLO11'i eğitme sürecini adım adım inceleyeceğiz. Haydi başlayalım!
Eğitime dalmadan önce, YOLO11'i eğitmek ve kullanmak için ihtiyacınız olacak farklı kurulum seçeneklerine ve araçlara bir göz atalım.
İhtiyacınız olacak ana araç, eğitim, nesne tespiti ve çıkarım çalıştırma gibi görevler için YOLO modelleriyle çalışmayı kolaylaştıran Ultralytics Python paketidir. Ultralytics paketini kullanmak için, kodunuzu çalıştırmak üzere bir ortam ayarlamanız gerekir ve aralarından seçim yapabileceğiniz çeşitli seçenekler vardır.
İşte geliştirme ortamınızı kurmak için en popüler seçeneklerden bazıları:
Ortamınızı kurmak için resmi Ultralytics belgelerinde keşfedebileceğiniz başka seçenekler de olmasına rağmen, yukarıda bahsedilen üç seçenek çok az kurulum gerektirir ve kullanımı kolaydır, bu da onları hızlı bir şekilde başlamak için ideal hale getirir.
Bu eğitimde, Google Colab, Jupyter Notebook veya basit bir Python dosyası kullanarak YOLO11'i nasıl kuracağımızı ve eğiteceğimizi göstereceğiz, çünkü adımlar bu ortamların hepsinde çok benzerdir.
Bir geliştirme ortamı seçtikten sonra, YOLO11'i özellikle vahşi hayvanları tespit etmek üzere eğitmek için, etiketlenmiş görüntülerden oluşan yüksek kaliteli bir veri kümesine ihtiyacımız var. Her görüntü, hayvanların nerede olduğunu ve ne tür olduklarını açıkça göstermelidir, böylece model onları denetimli öğrenme yoluyla tanımayı öğrenebilir.
Bu eğitimde, Afrika Yaban Hayatı Veri Kümesini kullanacağız. Ultralytics Python paketi tarafından desteklenir ve özellikle Afrika ekosistemlerinde yaygın olarak bulunan hayvanları tespit etmek için tasarlanmıştır. Dört temel türün açıklamalı görüntülerini içerir: bufalolar, filler, gergedanlar ve zebralar.
İşte Afrika Yaban Hayatı Veri Seti'nin bazı temel özellikleri:
Artık Afrika Yaban Hayatı Veri Kümesini incelediğimize göre, görüntülerdeki hayvanları tespit etmek için bir YOLO11 modelini eğitmeye başlayabiliriz. Bu süreç, geliştirme ortamını kurmayı, YOLO11 modelini eğitmeyi ve modelin performansını değerlendirmeyi içerir.
Başlamak için, modeli eğitmek ve test etmek için bir ortam hazırlayacağız. Tercihinize bağlı olarak Google Colab, Jupyter Notebook veya basit bir Python dosyası kullanılabilir. Buna göre yeni bir Google Colab not defteri, Jupyter Notebook veya Python dosyası oluşturun.
Google Colab kullanıyorsanız, ortam varsayılan olarak bir CPU (Merkezi İşlem Birimi) üzerinde çalışır ve bu da eğitimi yavaşlatabilir. Özellikle daha büyük modeller için süreci hızlandırmak için, çalışma zamanını bir GPU kullanacak şekilde değiştirebilirsiniz. Google Colab'da, menüdeki "Çalışma zamanı" sekmesine gidebilir, "Çalışma zamanı türünü değiştir"i seçebilir ve donanım hızlandırıcısını bir GPU'ya (tercihen bir T4 GPU'su) ayarlayabilirsiniz. Bu, eğitim sürelerini azaltmak için önemlidir.
Ardından, hangi ortamı kullanıyor olursanız olun, Ultralytics Python paketini yüklemeniz gerekir. Not defteri tabanlı bir ortam (Google Colab veya Jupyter) kullanıyorsanız, aşağıdaki komutu başında bir ünlem işareti (!) ile çalıştırın.
pip install ultralyticsUltralytics paketi yüklendikten sonraki adım, YOLO11 modelini yüklemek ve veri setini eğitim için hazırlamaktır. İlk olarak, genel nesne algılama görevleri üzerinde önceden eğitilmiş olan YOLO11 modelini yüklüyoruz. Bu önceden eğitilmiş model, çeşitli nesneleri nasıl tespit edeceğini zaten öğrendiği için bize iyi bir başlangıç noktası sağlar.
Ardından, görüntüler ve etiketler hakkında bilgi içeren bir YAML dosyası kullanarak veri kümesini belirtiyoruz. Bu dosya, modele veri kümesini nerede bulacağını ve hangi nesneleri tanımayı öğrenmesi gerektiğini söyler.
Afrika Yaban Hayatı Veri Kümesi Ultralytics paketi tarafından desteklenir, bu nedenle eğitime başladığınızda otomatik olarak indirilir ve manuel olarak ayarlama zahmetinden kurtulursunuz.
Veri seti hazır olduktan sonra, model eğitime başlar. Model, görüntülerdeki hayvanları tanıma yeteneğini geliştirmek için, birden çok epok üzerinden eğitim adı verilen bir işlemle veri setini birkaç kez gözden geçirecektir. Bu işlem sırasında, görüntüler işleme için tutarlı bir boyuta yeniden boyutlandırılacak ve model, toplu iş olarak bilinen belirli sayıda görüntüyle aynı anda çalışacaktır. Bu, modelin daha verimli öğrenmesine yardımcı olur.
Kısacası, aşağıdaki kod parçacığı çalıştırıldığında model yüklenir, veri kümesi otomatik olarak indirilir ve Afrika Yaban Hayatı Veri Kümesi'ne göre hayvanları tespit etmek için eğitim çalışmaya başlar.
from ultralytics import YOLO
model = YOLO("yolo11n.pt")
results = model.train(data="african-wildlife.yaml", epochs=30, batch=8)Yukarıdaki kod parçacığı çalıştırıldıktan sonra, model verdiğimiz ayarlara göre eğitime başlar. Koddaki modelin eğitim görüntülerini 30 kez gözden geçirmesini söyledik. Yani, model veri kümesindeki tüm görüntülere 30 kez bakacak ve her seferinde biraz daha fazla şey öğrenecek.
Bir hayvanı nasıl çizeceğinizi öğrenmeye çalıştığınızı hayal edin. İlk çizdiğinizde iyi görünmeyebilir, ancak tekrar tekrar pratik yaptıktan sonra daha iyi olmaya başlarsınız. Her tekrar denediğinizde, neyin yanlış gittiğinden ders çıkarır ve düzeltirsiniz. Her epok model için bunu yapar - görüntülere bakar, hatalar yapar, onlardan ders çıkarır ve her seferinde hayvanları tanımada daha iyi olur.
Eğitim kodu başarıyla çalışıyorsa, eğitim ilerledikçe aşağıdaki çıktıyı göreceksiniz:
Eğitim süreci tamamlandıktan sonra, modelin performans metriklerini inceleyebilir ve doğrulayabilirsiniz. Google Colab'da, "runs" klasörüne, ardından "detect" klasörüne ve son olarak temel performans göstergelerini görüntüleyen günlükleri bulacağınız "train" klasörüne gidebilirsiniz.
Bir Python ortamındaki kullanıcılar için, eğitim sonuçları varsayılan olarak mevcut çalışma dizininizdeki “runs/train/” dizinine kaydedilir. Her eğitim çalıştırması, eğitimle ilgili günlükleri ve diğer çıktıları bulabileceğiniz yeni bir alt dizin (örneğin, runs/train/exp, runs/train/exp2, vb.) oluşturur.
CLI kullanıyorsanız, “yolo settings” komutunu kullanarak bu sonuçlara ve ayarlara kolayca erişebilirsiniz. Bu komut, eğitim günlükleri ve deney ayrıntılarıyla ilgili yolları ve diğer yapılandırmaları görüntülemenize veya değiştirmenize olanak tanır.
Günlükler arasında, model eğitim sürecinin ne kadar iyi gittiğini görmek için inceleyebileceğiniz bazı grafikler de bulacaksınız. Eğitim tamamlandıktan sonra oluşturulan bu grafikler, modelin daha az hata yaparak ve daha doğru hale gelerek zaman içinde gelişip gelişmediğini gösterir.
Modelin ilerlemesini izler, kaybın (modelin tahminleri ile gerçek değerler arasındaki fark) nasıl azaldığını ve eğitim sırasında doğruluğun nasıl arttığını gösterir. Bu, modelin hayvanları tanımayı ne kadar iyi öğrendiğini ve eğitimin sonunda ne kadar geliştiğini anlamanıza yardımcı olur.
Ayrıca, modelin performansını değerlendirmek için kullanabileceğiniz bazı metrikleri daha yakından inceleyelim:
Bu değerlendirme metrikleri, gerçek dünya uygulamalarında kullanmadan önce doğruluğu artırmak için modelin ince ayarını yapmaya yardımcı olabilir.
YOLO11'i eğittikten ve değerlendirdikten sonra, artık görüntüleri analiz etmek ve çıkarımlar çalıştırmak için kullanmanın zamanı geldi. Veri setinden test görüntülerini veya farklı kaynaklardan yeni görüntüleri kullanabilirsiniz.
Modeli test veri kümesindeki bir görüntü üzerinde çalıştırmak için aşağıdaki kod parçasını kullanacağız. Bu, Ultralytics kütüphanesinden gerekli modülleri içe aktarır. Daha sonra sonuçlar dizininde depolanan en iyi model ağırlıkları dosyasının ("best.pt") yolunu tanımlar. Özel olarak eğitilmiş YOLO11 modeli, bu ağırlıklar kullanılarak yüklenir.
Bundan sonra, Afrika Yaban Hayatı test veri kümesinden bir görüntüye giden yol belirlenir. Model, nesne tespiti için bu görüntüye uygulanır, sonuçlar oluşturulur ve çıktı (tespit edilen nesneler veya açıklamalar gibi) kaydedilir.
from ultralytics import settings
best_model_path = results.save_dir / "weights/best.pt"
model = YOLO(best_path)
image_path = f"{settings['datasets_dir']}/african-wildlife/test/images/1 (168).jpg"
img_results = model(image_path, save=True) Aşağıda gösterilen çıktı görüntüsü, runs/detect dizini içindeki "predict" klasörüne kaydedilecektir. Sonraki testler için, görüntüleri depolamak üzere "predict2", "predict3" ve benzeri gibi yeni klasörler oluşturulacaktır.
Farklı kaynaklardan gelen görüntüleri test etmek için aşağıdaki kodu kullanabilirsiniz. Pexels'ten bir görüntü kullandık. Aynı görüntüyü veya başka herhangi bir ilgili görüntüyü kullanabilirsiniz.
best_model_path = results.save_dir / "weights/best.pt"
model = YOLO(best_path)
img2_results = model("https://images.pexels.com/photos/18341011/pexels-photo-18341011/free-photo-of-elephant-and-zebras-in-savannah.png", save=True)Aşağıda gösterilen çıktı görüntüsü uygun klasöre kaydedilecektir.
YOLO11 gibi modeller hayvanları otomatik olarak tespit edip izleyebilir, bu da çeşitli pratik uygulamaları mümkün kılar. İşte Vizyon Yapay Zekasının vahşi yaşamı koruma çabalarını desteklemek için kullanılabileceği bazı önemli alanlara bir bakış:
YOLO11 gibi bilgisayarlı görü modelleri, hayvan tespitini ve takibini otomatikleştirerek yaban hayatını korumada önemli bir rol oynayabilir. Yapay Görü ile çeşitli kaynaklardan gelen büyük miktarda görüntü ve videoyu işleyebilir, böylece doğru yaban hayatı değerlendirmeleri yapmak mümkün olur.
Özellikle Ultralytics YOLO11, gerçek zamanlı nesne algılama için harika bir seçimdir ve bu da onu kaçak avlanma karşıtı gözetim, davranış analizi ve ekosistem izleme gibi görevler için mükemmel bir uyum haline getirir. Yapay zeka odaklı modelleri koruma çabalarına dahil ederek, türleri daha iyi koruyabilir, biyoçeşitlilik takibini iyileştirebilir ve nesli tükenmekte olan yaban hayatını korumak için daha bilinçli kararlar alabiliriz.
Bilgisayarlı görü hakkında daha fazla bilgi edinmek için topluluğumuza katılın ve GitHub depomuzu keşfedin. Çözüm sayfalarımızda sağlık hizmetlerinde yapay zeka ve üretimde bilgisayarlı görü ile ilgili daha fazla uygulama keşfedin. Vision AI'a başlamak için Ultralytics lisanslama seçeneklerine göz atın.
