Vahşi doğadaki hayvanları tespit etmek için Ultralytics YOLO modelleri nasıl eğitilir?

Gezegenimizin yaban hayatı, vızıldayan arılardan heybetli fillere kadar inanılmaz bir çeşitliliğe sahip ve bu biyolojik çeşitliliği korumak, dengeli bir ekosistemi sürdürmenin anahtarı. Ancak yaşam alanı kaybı, kaçak avcılık ve iklim değişikliği koruma çalışmalarını giderek zorlaştırıyor. Tüm bu etkenler yaban hayatı popülasyonlarını olumsuz etkiliyor.

Kamera tuzağı görüntülerini elle analiz etmek ve arazi araştırmaları yapmak gibi geleneksel hayvan izleme yöntemleri yavaş olabilir ve çok fazla kaynak gerektirir. Bu çalışmalar genellikle geniş alanları ve büyük popülasyonları etkili biçimde kapsayamaz.

Bu sınırlamaların üstesinden gelmek için yapay zekâ (AI), yaban hayatını korumada etkili bir araç olarak kullanılabilir. Özellikle Ultralytics YOLO11 gibi bilgisayarlı görü modelleri; hayvanları gerçek zamanlı olarak tanımlama ve izleme işlemlerini otomatikleştirmek için görüntüler ve videolar gibi görsel verileri analiz edebilir.

Ultralytics YOLO11'in desteklediği nesne tespiti ve örnek bölümleme gibi bilgisayarlı görü görevleri bu alanda çok kullanışlıdır. Görsel verileri analiz eden bu görevler, önemli veriler toplamamıza, ekolojik örüntüleri belirlememize ve çevresel tehditlere daha etkili biçimde karşılık vermemize yardımcı olur.

Bu makalede, Ultralytics YOLO11'i hayvanları algılamak üzere eğitme sürecini adım adım inceleyeceğiz.

Ultralytics YOLO11 ile çalışmaya başlama#

Eğitime geçmeden önce Ultralytics YOLO11'i eğitmek ve kullanmak için ihtiyaç duyacağın farklı kurulum seçeneklerine ve araçlara göz atalım.

İhtiyaç duyacağın temel araç, eğitim, nesne tespiti ve çıkarım çalıştırma gibi görevlerde YOLO modelleriyle çalışmayı kolaylaştıran Ultralytics Python paketidir. Ultralytics paketini kullanmak için kodunu çalıştıracağın bir ortam kurman gerekir; tercih edebileceğin çeşitli seçenekler vardır.

Geliştirme ortamını kurmak için en yaygın seçeneklerden bazıları şunlardır:

• Komut satırı arayüzü (CLI): Terminal olarak da bilinen CLI, komutlar yazarak bilgisayarınla etkileşim kurmanı sağlayan metin tabanlı bir araçtır. Düğmelere tıklayıp fare kullandığın grafik arayüzlerin (GUI) aksine CLI, programları çalıştırmak veya görevleri yürütmek için metin talimatları yazmanı gerektirir.
• Jupyter Notebooks: Bu not defterlerinde hücre adı verilen küçük bölümler hâlinde kod yazıp çalıştırabilirsin. Etkileşimlidir; böylece kodunun çıktısını anında görebilir, test ve hata ayıklama işlemlerini kolaylaştırabilirsin.
• Google Colab: Google Colab, Jupyter Notebooks gibi çalışan bulut tabanlı bir platformdur ancak güçlü GPU'lara ücretsiz erişim sunar. Kurulumu kolaydır ve bilgisayarına herhangi bir şey yüklemen gerekmez.

Ortamını kurmak için resmî Ultralytics belgelerinde inceleyebileceğin başka seçenekler de vardır; ancak yukarıda belirtilen üç seçeneğin kurulumu çok az işlem gerektirir ve kullanımı kolaydır, bu da onları hızlıca başlamak için ideal kılar.

Bu eğitimde, adımlar bu ortamların tümünde birbirine çok benzediğinden, Google Colab, Jupyter Notebooks veya basit bir Python dosyası kullanarak Ultralytics YOLO11'i kurup eğitmeyi göstereceğiz.

Afrika Yaban Hayatı Veri Kümesini anlama#

Bir geliştirme ortamı seçtikten sonra, Ultralytics YOLO11'i özellikle yaban hayvanlarını tespit edecek şekilde eğitmek için etiketlenmiş görüntülerden oluşan yüksek kaliteli bir veri kümesine ihtiyacımız var. Modelin hayvanları denetimli öğrenmeyle tanımayı öğrenebilmesi için her görüntüde hayvanların nerede bulunduğu ve hangi tür oldukları açıkça gösterilmelidir.

Bu eğitimde Afrika Yaban Hayatı Veri Kümesini kullanacağız. Veri kümesi Ultralytics Python paketi tarafından desteklenir ve özellikle Afrika ekosistemlerinde yaygın olarak bulunan hayvanları tespit etmek için tasarlanmıştır. Bufaloları, filleri, gergedanları ve zebraları içeren dört önemli türe ait açıklamalı görüntülerden oluşur.

Şekil 1. Afrika Yaban Hayatı Veri Kümesine kısa bir bakış.

Afrika Yaban Hayatı Veri Kümesinin bazı temel özellikleri şunlardır:

• Ölçek: Veri kümesi, üç alt kümeye ayrılmış 1504 görüntüden oluşur: eğitim için 1052, doğrulama için 225 ve test için 227 görüntü. Bu bölünme, modelin etkili biçimde öğrenmesini ve kapsamlı şekilde değerlendirilmesini sağlar.
• Kolay entegrasyon: Ultralytics; veri kümesi yollarını, sınıfları ve diğer ayrıntıları tanımlayan bir YAML yapılandırma dosyası sunarak YOLO modellerini eğitirken kullanımı kolaylaştırır.
• Lisanslama: Bianca Ferreira tarafından Kaggle'da yayımlanan kaynak veri kümesinde bir lisans belirtilmemiştir; bu nedenle ticari olarak kullanmadan önce koşullarını kontrol et.

Hayvan tespiti için Ultralytics YOLO11'i eğitme#

Afrika Yaban Hayatı Veri Kümesi'ni incelediğimize göre, görsellerdeki hayvanları tespit etmek üzere bir Ultralytics YOLO11 modelini eğitmeye başlayabiliriz. Süreç; geliştirme ortamını kurmayı, YOLO11 modelini eğitmeyi ve modelin performansını değerlendirmeyi içerir.

Adım 1: Ortamı kurma#

Başlamak için modeli eğitip test edeceğimiz bir ortam hazırlayacağız. Tercihine bağlı olarak Google Colab, Jupyter Notebooks veya basit bir Python dosyası kullanabilirsin. Buna göre yeni bir Google Colab not defteri, Jupyter Notebook veya Python dosyası oluştur.

Google Colab kullanıyorsan ortam varsayılan olarak CPU (Merkezi İşlem Birimi) üzerinde çalışır ve bu eğitim sürecini yavaşlatabilir. Süreci hızlandırmak için, özellikle büyük modellerde, çalışma zamanını GPU kullanacak şekilde değiştirebilirsin. Google Colab'da menüdeki "Runtime" sekmesine git, "Change runtime type" seçeneğini belirle ve donanım hızlandırıcısını bir GPU (tercihen T4 GPU) olarak ayarla. Bu, eğitim süresini kısaltmak için önemlidir.

Ardından hangi ortamı kullanırsan kullan, Ultralytics Python paketini yüklemen gerekir. Not defteri tabanlı bir ortam (Google Colab veya Jupyter) kullanıyorsan aşağıdaki komutun başına ünlem işareti (!) ekleyerek çalıştır.

pip install ultralytics

Adım 2: Ultralytics YOLO11'i yükleme ve veri kümesini hazırlama#

Ultralytics paketi yüklendikten sonraki adım, YOLO11 modelini yüklemek ve veri kümesini eğitim için hazırlamaktır. Önce, genel nesne algılama görevlerinde önceden eğitilmiş olan YOLO11n modelini yüklüyoruz. Bu önceden eğitilmiş model iyi bir başlangıç noktası sunar; çünkü çeşitli nesneleri nasıl tespit edeceğini zaten öğrenmiştir.

Ardından görüntüler ve etiketlerle ilgili bilgiler 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 eğitimi başlattığında otomatik olarak indirilir ve veri kümesini elle ayarlama zahmetinden kurtulursun. Görsellerine ve etiketlerine Ultralytics Platform üzerinden de göz atabilirsin.

Veri kümesi hazır olduğunda model eğitime başlar. Model, görüntülerdeki hayvanları tanıma becerisini geliştirmek için veri kümesini birkaç kez işler; bu sürece birden çok epoch boyunca eğitim denir. Bu sırada görüntüler işlenmek üzere aynı boyuta getirilir ve model, batch olarak bilinen sabit sayıda görüntüyü aynı anda işler. Bu, modelin daha verimli öğrenmesine yardımcı olur.

Kısacası aşağıdaki kod parçacığı çalıştırıldığında model yüklenir, veri kümesi otomatik olarak indirilir ve Afrika Yaban Hayatı Veri Kümesine dayalı olarak hayvanları tespit etmek için eğitim başlar.

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
results = model.train(data="african-wildlife.yaml", epochs=30, batch=8)

Aynı kod, daha yeni Ultralytics YOLO26 modelleriyle de çalışır: yolo11n.pt yerine yolo26n.pt yazman yeterlidir.

Adım 3: Ultralytics YOLO11 eğitim kılavuzu#

Yukarıdaki kod parçacığı çalıştırıldığında model, belirttiğimiz ayarlara göre eğitime başlar. Kodla modele eğitim görüntülerini 30 kez işlemesini söyledik. Yani model veri kümesindeki tüm görüntülere 30 kez bakacak ve her seferinde biraz daha öğrenecek.

Bir hayvanın nasıl çizileceğini öğrenmeye çalıştığını düşün. İlk çizimin pek iyi görünmeyebilir ancak tekrar tekrar alıştırma yaptıkça daha iyi olmaya başlarsın. Her yeniden denemende hatalarından ders çıkarır ve onları düzeltirsin. Model için her epoch da böyle işler: görüntülere bakar, hatalar yapar, bunlardan ders çıkarır ve her seferinde hayvanları daha iyi tanımaya başlar.

Eğitim kodu başarıyla çalışıyorsa eğitim ilerledikçe aşağıdaki çıktıyı görürsün:

• Eğitim kurulumu: İlk bölümde kullanılan Ultralytics, PyTorch ve donanımın sürümü (bu örnekte CPU) ile model (yolo11n.pt), batch boyutu, epoch sayısı ve görüntü boyutu gibi eğitim yapılandırması gösterilir.
• Model özeti: Katman ve parametre sayısı gibi bilgilerle modelin karmaşıklığını, yani modelin ne kadar büyük olduğunu gösterir.
• Optimize edici ve öğrenme oranı: Eğitim sırasında modelin parametrelerini nasıl ayarladığını belirleyen optimize ediciden (ör. AdamW) ve öğrenme oranından söz eder.
• Veri kümesini tarama: Model, veri kümesini tarayarak kaç görüntünün geçerli olduğunu ve eğitime hazır bulunduğunu gösterir. Veri kümesinde sorun olmadığını doğrular.
• Eğitim ilerlemesi: Çıktı her epoch'tan (eğitim döngüsünden) sonra güncellenir; eğitim ilerlemesini ve modelin ne kadar iyi öğrendiğini gösteren temel kayıp değerlerini (box_loss, cls_loss, dfl_loss) gösterir.
• Performans metrikleri: Her epoch'tan sonra kesinlik, duyarlılık ve mAP (ortalama kesinlik) gibi performans metriklerini görürsün. Bu değerler, modelin nesneleri algılama ve sınıflandırma doğruluğunu gösterir.
• GPU bellek kullanımı: GPU kullanıyorsan çıktı, donanım kullanımını izlemek için bellek kullanımını gösterir.

Şekil 2. Model eğitimi çalışırken göreceğin çıktı.

Adım 4: Özel olarak eğitilmiş modelin performansını değerlendirme#

Eğitim işlemi tamamlandıktan sonra modelin performans metriklerini gözden geçirip doğrulayabilirsin. Google Colab'da "runs" klasörüne, ardından "detect" klasörüne ve son olarak da temel performans göstergelerini içeren günlükleri bulabileceğin "train" klasörüne gidebilirsin.

Python ortamında çalışan kullanıcılar için eğitim sonuçları, varsayılan olarak geçerli çalışma dizinindeki “runs/detect/train” dizinine kaydedilir. Her yeni eğitim çalıştırması, eğitimle ilgili günlükleri ve diğer çıktıları bulabileceğin yeni bir alt dizin oluşturur (ör. runs/detect/train2, runs/detect/train3 vb.).

CLI kullanıyorsan eğitim günlükleri ve deney ayrıntılarıyla ilgili yolları ve diğer yapılandırmaları görüntüleyip değiştirmene olanak tanıyan “yolo settings” komutuyla bu sonuçlara ve ayarlara kolayca erişebilirsin.

Günlüklerde eğitim sürecinin ne kadar iyi geçtiğini görmek için inceleyebileceğin bazı grafikler de bulunur. Eğitim tamamlandıktan sonra oluşturulan bu grafikler, modelin zaman içinde daha az hata yapıp daha doğru sonuçlar vererek gelişip gelişmediğini gösterir.

Grafikler modelin ilerlemesini izler; eğitim sırasında kaybın (modelin tahminleri ile gerçek değerler arasındaki farkın) nasıl azaldığını ve doğruluğun nasıl arttığını gösterir. Bu sayede modelin hayvanları tanımayı ne kadar iyi öğrendiğini ve eğitimin sonunda ne kadar geliştiğini anlayabilirsin.

Şekil 3. Modelini değerlendirmek için inceleyebileceğin grafiklere örnek.

Temel performans değerlendirme metrikleri#

Ayrıca, model performansını değerlendirmek için kullanabileceğin bazı metriklere daha yakından bakalım:

• Ortalama kesinlik (mAP): Bu metrik, farklı duyarlılık düzeylerindeki kesinlik puanlarının ortalamasını alarak modelin tüm sınıflardaki hayvanları algılama genel doğruluğunu ölçer.
• Kesinlik: Doğru algılamaların yüzdesini ifade eder; doğru pozitif algılama sayısının toplam algılama sayısına bölünmesiyle hesaplanır.
• Duyarlılık: Görüntülerdeki gerçek hayvanların yüzde kaçının model tarafından doğru tanımlandığını belirtir ve modelin ilgili tüm örnekleri yakalama becerisini yansıtır.

Bu değerlendirme metrikleri, modeli gerçek dünya uygulamalarında kullanmadan önce doğruluğunu artırmak için ince ayar yapmana yardımcı olabilir.

Özel olarak eğitilmiş Ultralytics YOLO11 modelinle çıkarım çalıştırma#

Ultralytics YOLO11'i eğitip değerlendirdiğimize göre artık görüntüleri analiz etmek ve çıkarım çalıştırmak için modeli kullanma zamanı. Veri kümesindeki test görüntülerini veya farklı kaynaklardan yeni görüntüler kullanabilirsin.

Test veri kümesindeki bir görüntü üzerinde modeli çalıştırmak için aşağıdaki kod parçasını kullanacağız. Bu kod, Ultralytics kütüphanesinden gerekli modülleri içe aktarır. Ardından sonuçlar dizininde saklanan en iyi model ağırlık dosyasının ("best.pt") yolunu tanımlar. Özel olarak eğitilmiş YOLO11 modeli bu ağırlıklar kullanılarak yüklenir.

Sonrasında Afrika Yaban Hayatı test veri kümesindeki bir görüntünün yolu ayarlanır. Nesne algılama için model bu görüntü üzerinde çalıştırılır, sonuçlar oluşturulur ve çıktı (algılanan nesneler veya ek açıklamalar gibi) kaydedilir.

from ultralytics import YOLO, settings

best_model_path = results.save_dir / "weights/best.pt"
model = YOLO(best_model_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 dizininin içindeki "predict" klasörüne kaydedilir. Sonraki testlerde görüntüleri saklamak için "predict2", "predict3" gibi yeni klasörler oluşturulur.

Şekil 4. Test görüntüsünde ince ayar yapılmış Ultralytics YOLO11 modeliyle çıkarım çalıştırma.

Farklı kaynaklardan gelen görüntüleri test etmek için aşağıdaki kodu kullanabilirsin. Pexels üzerinden bir görüntü kullandık. Aynı görüntüyü veya konuyla ilgili başka bir görüntüyü kullanabilirsin.

from ultralytics import YOLO

best_model_path = results.save_dir / "weights/best.pt"
model = YOLO(best_model_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 kaydedilir.

Şekil 5. Görülmemiş bir görüntüde ince ayar yapılmış Ultralytics YOLO11 modeliyle yaban hayatını algılama.

Yaban hayatı koruma için yapay zekâ: Gerçek dünya uygulamaları#

Ultralytics YOLO11 gibi modeller hayvanları otomatik olarak algılayıp izleyebilir ve böylece çeşitli pratik uygulamalara olanak tanır. Görsel yapay zekânın yaban hayatının korunması çalışmalarına destek olabileceği temel alanlardan bazılarına göz atalım:

• Tür izleme: Görsel yapay zekâ, türleri doğru tanımlamak, popülasyonları saymak ve zaman içindeki hareketlerini izlemek için görüntü ve video gibi görsel verileri işleyebilir.
• Akıllı kamera uyarıları: Uzak bölgelerde bilgisayarlı görü, hayvanları sürekli sınıflandırmak ve gerçek zamanlı uyarılar göndermek için kullanılabilir. Böylece yaban hayatı yetkilileri anormal hayvan davranışları veya insan-yaban hayatı çatışmaları gibi tehditlere hızla yanıt verebilir.
• Davranış analizi: Göçü, beslenme alışkanlıklarını ve sosyal etkileşimleri izleyen görsel yapay zekâ sistemleri, türler arası dinamiklere ilişkin kapsamlı bilgiler sağlayabilir.
• Kaçak avcılığı önleme: Görsel yapay zekâ, izinsiz insan varlığını ve kaçak avcılık belirtilerini algılamak için kullanılabilir; ayrıca riskin yüksek olduğu noktaları belirlemek üzere makine öğreniminden ve geçmiş verilerden yararlanabilir.

Önemli çıkarımlar#

Ultralytics YOLO11 gibi bilgisayarlı görü modelleri, hayvan algılama ve izlemeyi otomatikleştirerek yaban hayatının korunmasında önemli bir rol oynayabilir. Görsel yapay zekâ sayesinde çeşitli kaynaklardan büyük miktarda görüntü ve videoyu işleyebilir, böylece yaban hayatını doğru biçimde değerlendirebiliriz.

Özellikle Ultralytics YOLO11, gerçek zamanlı nesne algılama için harika bir seçenektir; bu nedenle kaçak avcılıkla mücadele gözetimi, davranış analizi ve ekosistem izleme gibi görevler için idealdir. Yapay zekâ destekli modelleri koruma çalışmalarına dahil ederek türleri daha iyi koruyabilir, biyoçeşitliliğin izlenmesini iyileştirebilir ve nesli tükenmekte olan yaban hayatını korumak için daha bilinçli kararlar alabiliriz.

Bilgisayarlı görü hakkında daha fazla bilgi edinmek için topluluğumuza katıl ve GitHub depomuzu keşfet. Çözüm sayfalarımızda sağlık hizmetlerinde yapay zekâ ve üretimde bilgisayarlı görü ile ilgili daha fazla uygulamayı keşfet. Görsel yapay zekâyı kullanmaya başlamak için Ultralytics lisans seçeneklerine göz at.