Vahşi doğada hayvanları tespit etmek için Ultralytics YOLO modelleri nasıl eğitilir

Gezegenimizin vahşi yaşamı, vızıldayan arılardan devasa fillere kadar inanılmaz derecede çeşitlidir ve bu biyoçeşitliliği korumak, dengeli bir ekosistemi sürdürmenin anahtarıdır. Ancak yaşam alanı kaybı, kaçak avlanma ve iklim değişikliği nedeniyle koruma çalışmaları giderek daha zorlu hale gelmektedir. Tüm bu faktörler vahşi yaşam popülasyonlarını olumsuz etkiler.

Kamera tuzağı görüntülerini manuel olarak analiz etmek ve saha araştırmaları yapmak gibi geleneksel hayvan izleme yöntemleri yavaş olabilir ve çok fazla kaynak gerektirir. Bu çabalar genellikle geniş alanları ve büyük popülasyonları etkili bir şekilde kapsamada başarısız olur.

Bu sınırlamaların üstesinden gelmek için yapay zeka (AI), vahşi yaşam koruma çalışmalarında etkili bir araç olarak kullanılabilir. Özellikle Ultralytics YOLO11 gibi bilgisayarlı görü modelleri, hayvanların gerçek zamanlı tanımlanmasını ve takibini otomatikleştirmek için görüntü ve video gibi görsel verileri analiz edebilir.

YOLO11 tarafından desteklenen nesne algılama ve örnek bölümleme (instance segmentation) gibi bilgisayarlı görü görevleri burada oldukça kullanışlıdır. Görsel verileri analiz ederek bu görevler, kritik verileri toplamamıza, ekolojik kalıpları belirlememize ve çevresel tehditlere daha etkili bir şekilde yanıt vermemize yardımcı olur.

Bu makalede, hayvanları tespit etmek için YOLO11 eğitme sürecini adım adım inceleyeceğiz. Hadi başlayalım!

Link to this sectionUltralytics YOLO11 ile Başlangıç#

Eğitime başlamadan önce, YOLO11'i eğitmek ve kullanmak için ihtiyaç duyacağın farklı kurulum seçeneklerine ve araçlara bir göz atalım.

İhtiyacın olan temel araç, eğitim, nesne algılama ve çıkarım yapma gibi görevler için YOLO modelleriyle çalışmayı kolaylaştıran Ultralytics Python paketidir. Ultralytics paketini kullanmak için kodunu çalıştırabileceğin bir ortam kurman gerekir ve seçebileceğin çeşitli seçenekler mevcuttur.

Geliştirme ortamını kurmak için en popüler seçeneklerden bazıları şunlardır:

• Komut satırı arayüzü (CLI): Terminal olarak da bilinen CLI, komutlar yazarak bilgisayarınla etkileşime girmeni sağlayan metin tabanlı bir araçtır. Düğmelere tıkladığın ve fare kullandığın grafik arayüzlerin (GUI) aksine, CLI programları çalıştırmak veya görevleri yerine getirmek için metin talimatları yazmanı gerektirir.
• Jupyter Notebooks: Bu not defterleri, kodu hücre adı verilen küçük parçalar halinde yazıp çalıştırmana olanak tanır. Etkileşimlidir, yani kodunun çıktısını anında görebilirsin, bu da test etmeyi ve hata ayıklamayı kolaylaştırır.
• Google Colab: Google Colab, Jupyter Notebooks gibi çalışan ancak güçlü GPU'lara ücretsiz erişim sunan bulut tabanlı bir platformdur. Kurulumu kolaydır ve bilgisayarına herhangi bir şey yüklemen gerekmez.

Ortamını kurmak için keşfedebileceğin başka seçenekler olsa da, resmi Ultralytics belgelerinde belirtilen yukarıdaki üç seçenek çok az kurulum gerektirir ve kullanımı kolaydır, bu da onları hızlı bir başlangıç için ideal hale getirir.

Bu eğitimde, adımlar tüm bu ortamlarda çok benzer olduğundan, Google Colab, Jupyter Notebooks veya basit bir Python dosyası kullanarak YOLO11'in nasıl kurulacağını ve eğitileceğini göstereceğiz.

Link to this sectionAfrika Vahşi Yaşamı Veri Setini Anlamak#

Bir geliştirme ortamı seçtikten sonra, özellikle vahşi hayvanları tespit etmek için YOLO11'i eğitmek amacıyla etiketlenmiş görüntülerden oluşan yüksek kaliteli bir veri setine ihtiyacımız var. Her görüntü, modelin denetimli öğrenme yoluyla onları tanımayı öğrenebilmesi için hayvanların nerede olduğunu ve hangi tür olduklarını net bir şekilde göstermelidir.

Bu eğitimde, Afrika Vahşi Yaşamı Veri Setini kullanacağız. Bu veri seti, Ultralytics Python paketi tarafından desteklenir ve Afrika ekosistemlerinde yaygın olarak bulunan hayvanları tespit etmek için özel olarak tasarlanmıştır. Manda, fil, gergedan ve zebra olmak üzere dört ana türün açıklamalı görüntülerini içerir.

Şekil 1. Afrika Vahşi Yaşamı Veri Setinden bir görünüm.

İşte Afrika Vahşi Yaşamı Veri Setinin bazı temel özellikleri:

• Ölçek: Veri seti, üç alt kümede bölünmüş 1504 görüntüden oluşur: 1052 eğitim için, 225 doğrulama için ve 227 test için. Bu ayrım, modelin etkili bir şekilde öğrenmesini ve kapsamlı bir şekilde değerlendirilmesini sağlar.
• Sorunsuz entegrasyon: Ultralytics, veri seti yollarını, sınıfları ve diğer ayrıntıları tanımlayan bir YAML yapılandırma dosyası sağlar, bu da YOLO modellerini eğitirken kullanımı kolaylaştırır.
• Açık lisans: Bu veri seti, şeffaflığı ve iş birliğini teşvik eden AGPL-3.0 lisansı altında dağıtılmaktadır.

Link to this sectionHayvan tespiti için Ultralytics YOLO11 Eğitimi#

Artık Afrika Vahşi Yaşamı Veri Setini incelediğimize göre, görüntülerdeki hayvanları tespit etmek için bir YOLO11 modelini eğitmeye başlayabiliriz. Süreç, geliştirme ortamını kurmayı, YOLO11 modelini eğitmeyi ve modelin performansını değerlendirmeyi içerir.

Link to this sectionAdım 1: Ortamın kurulması#

Başlamak için modeli eğitmek ve test etmek üzere bir ortam hazırlayacağız. Tercihine bağlı olarak Google Colab, Jupyter Notebooks veya basit bir Python dosyası kullanılabilir. Buna uygun olarak yeni bir Google Colab not defteri, Jupyter Notebook veya Python dosyası oluştur.

Google Colab kullanıyorsan, ortam varsayılan olarak eğitimi yavaşlatabilecek bir CPU (Merkezi İşlem Birimi) üzerinde çalışır. Süreci, özellikle daha büyük modeller için hızlandırmak istersen, çalışma zamanını bir GPU kullanacak şekilde değiştirebilirsin. Google Colab'de menüdeki "Çalışma zamanı" sekmesine gidip "Çalışma zamanı türünü değiştir"i seçebilir ve donanım hızlandırıcıyı bir GPU (tercihen T4 GPU) olarak ayarlayabilirsin. Bu, eğitim sürelerini azaltmak için önemlidir.

Ardından, hangi ortamı kullanıyor olursan ol, Ultralytics Python paketini yüklemen gerekir. Not defteri tabanlı bir ortam (Google Colab veya Jupyter) kullanıyorsan, başında ünlem işareti (!) bulunan aşağıdaki komutu çalıştır.

pip install ultralytics

Link to this sectionAdım 2: YOLO11'in yüklenmesi ve veri setinin hazırlanması#

Ultralytics paketi yüklendikten sonra, bir sonraki adım YOLO11 modelini yüklemek ve veri setini eğitim için hazırlamaktır. İlk olarak, genel nesne algılama görevleri üzerinde zaten önceden eğitilmiş olan YOLO11 modelini yüklüyoruz. Bu önceden eğitilmiş model, çeşitli nesneleri nasıl algılayacağını zaten öğrendiği için bize iyi bir başlangıç noktası sağlar.

Ardından, görüntüler ve etiketler hakkında bilgi içeren bir YAML dosyası kullanarak veri setini belirtiyoruz. Bu dosya, modele veri setini nerede bulacağını ve hangi nesneleri tanımayı öğrenmesi gerektiğini söyler.

Afrika Vahşi Yaşamı Veri Seti Ultralytics paketi tarafından desteklenir, bu nedenle eğitime başladığında otomatik olarak indirilir ve seni manuel olarak ayarlama zahmetinden kurtarır.

Veri seti hazır olduğunda, model eğitime başlar. Model, görüntülerdeki hayvanları tanıma yeteneğini geliştirmek için veri setini birkaç kez inceleyecektir; buna birden fazla dönem (epoch) boyunca eğitim denir. Bu süreçte görüntüler işlenmek üzere tutarlı bir boyuta getirilecek ve model bir seferde belirli sayıda görüntüyle çalışacaktır; buna yığın (batch) denir. Bu, modelin daha verimli öğrenmesine yardımcı olur.

Kısacası, aşağıdaki kod parçacığı çalıştırıldığında model yüklenir, veri seti otomatik olarak indirilir ve Afrika Vahşi Yaşamı Veri Setine dayanarak 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)

Link to this sectionAdım 3: YOLO11 eğitim süreci#

Yukarıdaki kod parçacığı çalıştırıldığında, model verdiğimiz ayarlara göre eğitime başlar. Modele kod aracılığıyla eğitim görüntülerini 30 kez incelemesini söyledik. Yani, model veri setindeki tüm görüntülere 30 kez bakacak ve her seferinde biraz daha fazla şey öğrenecektir.

Bir hayvanı çizmeyi öğrenmeye çalıştığını hayal et. İlk çizdiğinde iyi görünmeyebilir, ancak tekrar tekrar pratik yaptıktan sonra daha iyi hale gelmeye başlarsın. Her denemende, neyin yanlış gittiğinden ders çıkarır ve düzeltirsin. İşte her bir dönem (epoch) model için bunu yapar; görüntülere bakar, hatalar yapar, onlardan öğrenir ve her seferinde hayvanları tanımada daha iyi hale gelir.

Eğitim kodu başarıyla çalışıyorsa, eğitim ilerledikçe aşağıdaki çıktıyı göreceksin:

• Eğitim kurulumu: İlk bölüm, model (yolo11n.pt), yığın boyutu, dönemler ve görüntü boyutu dahil olmak üzere eğitim yapılandırmasıyla birlikte kullanılan Ultralytics, PyTorch ve donanım sürümünü (bu durumda CPU) gösterir.
• Model özeti: Katman sayısı ve parametre sayısı gibi modelin karmaşıklığı hakkında bilgi vererek modelin ne kadar büyük olduğunu gösterir.
• İyileştirici (Optimizer) ve öğrenme oranı: Eğitim sırasında modelin parametrelerini nasıl ayarladığını kontrol eden iyileştiriciyi (örneğin AdamW) ve öğrenme oranını belirtir.
• Veri seti taraması: Model veri setini tarayarak kaç görüntünün geçerli ve eğitim için hazır olduğunu gösterir. Veri setiyle ilgili herhangi bir sorun olmadığını onaylar.
• Eğitim ilerlemesi: Çıktı, modelin ne kadar iyi öğrendiğini gösteren önemli kayıp değerleriyle (box_loss, cls_loss, dfl_loss) birlikte her dönemden (eğitim döngüsü) sonra güncellenir.
• Performans metrikleri: Her dönemden sonra kesinlik (precision), duyarlılık (recall) ve mAP (ortalama hassasiyet) gibi performans metriklerini göreceksin. Bu değerler, modelin nesneleri tespit etme ve sınıflandırma konusunda ne kadar doğru olduğunu gösterir.
• GPU bellek kullanımı: Eğer bir GPU kullanıyorsan, çıktı donanım kullanımını takip etmek için bellek kullanımını gösterir.

Şekil 2. Model eğitimi devam ederken göreceğin çıktı.

Link to this sectionAdım 4: Özel eğitilmiş modelin performansını değerlendirme#

Eğitim süreci tamamlandıktan sonra, modelin performans metriklerini gözden geçirebilir ve doğrulayabilirsin. Google Colab'de "runs" klasörüne, ardından "detect" klasörüne ve son olarak önemli performans göstergelerini görüntüleyen günlüklerin bulunduğu "train" klasörüne gidebilirsin.

Python ortamındaki kullanıcılar için eğitim sonuçları, varsayılan olarak çalışma dizininizdeki “runs/train/” dizinine kaydedilir. Her eğitim çalıştırması, günlükleri ve eğitimle ilgili diğer çıktıları bulabileceğin yeni bir alt dizin (örneğin runs/train/exp, runs/train/exp2 vb.) oluşturur.

CLI kullanıyorsan, eğitim günlükleri ve deney ayrıntılarıyla ilgili yolları ve diğer yapılandırmaları görüntülemeni veya değiştirmeni sağlayan “yolo settings” komutunu kullanarak bu sonuçlara ve ayarlara kolayca erişebilirsin.

Günlükler arasında, model eğitim sürecinin ne kadar iyi gittiğini görmek için inceleyebileceğin bazı grafikler de bulacaksın. Eğitim tamamlandıktan sonra oluşturulan bu grafikler, modelin zamanla daha az hata yaparak ve daha doğru hale gelerek iyileşip iyileşmediğini gösterir.

Modelin ilerleyişini takip ederler; eğitimin kayıp (modelin tahminleri ile gerçek değerler arasındaki fark) değerlerinin nasıl azaldığını ve doğruluğun nasıl arttığını gösterirler. Bu, modelin hayvanları tanımayı ne kadar iyi öğrendiğini ve eğitimin sonuna kadar ne kadar geliştiğini anlamana yardımcı olur.

Şekil 3. Modelini değerlendirmek için analiz edebileceğin grafiklere bir örnek.

Link to this sectionTemel performans değerlendirme metrikleri#

Ayrıca, modelin performansını değerlendirmek için kullanabileceğin bazı metrikleri daha yakından inceleyelim:

• Ortalama hassasiyet (mAP): Bu metrik, farklı duyarlılık seviyelerindeki kesinlik puanlarını ortalayarak modelin tüm sınıflardaki hayvanları tespit etmedeki genel doğruluğunu ölçer.
• Kesinlik (Precision): Bu, doğru pozitif tespitlerin sayısının yapılan toplam tespit sayısına bölünmesiyle hesaplanan, doğru olan tespitlerin yüzdesini temsil eder.
• Duyarlılık (Recall): Görüntülerdeki gerçek hayvanların yüzde kaçının model tarafından doğru bir şekilde tanımlandığını gösterir ve ilgili tüm örnekleri yakalama yeteneğini yansıtır.

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

Link to this sectionÖzel eğitilmiş YOLO11 modelini kullanarak çıkarım (inference) yapma#

Artık YOLO11'i eğittiğimize ve değerlendirdiğimize göre, görüntüleri analiz etmek ve çıkarım yapmak için kullanmanın zamanı geldi. Veri setindeki test görüntülerini veya farklı kaynaklardan yeni görüntüleri kullanabilirsin.

Modeli test veri setindeki bir görüntü üzerinde çalıştırmak için aşağıdaki kod parçacığını kullanacağız. Ultralytics kütüphanesinden gerekli modülleri içe aktarır. Ardından, sonuçlar dizininde saklanan en iyi model ağırlıkları dosyasının ("best.pt") yolunu tanımlar. Özel eğitilmiş YOLO11 modeli, bu ağırlıklar kullanılarak yüklenir.

Bundan sonra, Afrika Vahşi Yaşamı test veri setinden bir görüntünün yolu belirlenir. Model bu görüntüye nesne algılama için uygulanır, sonuçlar oluşturulur ve çıktı (tespit edilen nesneler veya 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 dizininde bulunan "predict" klasörüne kaydedilecektir. Sonraki testler için, görüntüleri saklamak amacıyla "predict2", "predict3" vb. gibi yeni klasörler oluşturulacaktır.

Şekil 4. İnce ayarlı YOLO11 modelini kullanarak bir test görüntüsü üzerinde çıkarım yapma.

Farklı kaynaklardan gelen görüntüleri test etmek için aşağıdaki kodu kullanabilirsin. Pexels'ten bir görüntü kullandık. Aynı görüntüyü veya başka herhangi bir ilgili 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 kaydedilecektir.

Şekil 5. İnce ayarlı YOLO11 modelini kullanarak görülmemiş bir görüntü üzerinde vahşi yaşam tespiti yapma.

Link to this sectionVahşi yaşam koruma için yapay zeka: Gerçek dünya uygulamaları#

YOLO11 gibi modeller hayvanları otomatik olarak tespit edebilir ve takip edebilir, bu da çeşitli pratik uygulamaları mümkün kılar. İşte bilgisayarlı görü yapay zekasının vahşi yaşamı koruma çalışmalarını desteklemek için kullanılabileceği bazı temel alanlara bir bakış:

• Tür izleme: Bilgisayarlı görü yapay zekası, türleri doğru bir şekilde tanımlamak, popülasyonları saymak ve zaman içindeki hareketlerini izlemek için görüntü ve video gibi görsel verileri işlemek üzere kullanılabilir.
• Akıllı kamera uyarıları: Uzak bölgelerde bilgisayarlı görü, hayvanları sürekli olarak sınıflandırmak ve gerçek zamanlı uyarılar göndermek için kullanılabilir, böylece vahşi yaşam yetkililerinin anormal hayvan davranışı veya insan-vahşi yaşam çatışmaları gibi tehditlere hızlı bir şekilde yanıt vermesini sağlar.
• Davranış analizi: Göçü, beslenme alışkanlıklarını ve sosyal etkileşimleri izleyerek, bilgisayarlı görü sistemleri türler arası dinamikler hakkında kapsamlı bilgiler sağlayabilir.
• Kaçak avlanmayı önleme: Bilgisayarlı görü yapay zekası, yetkisiz insan varlığını ve kaçak avlanma belirtilerini tespit etmek için kullanılabilirken, makine öğreniminden ve geçmiş verilerden yararlanarak riskli sıcak noktaları belirleyebilir.

Link to this sectionÖne çıkanlar#

YOLO11 gibi bilgisayarlı görü modelleri, hayvan tespiti ve takibini otomatikleştirerek vahşi yaşam koruma çalışmalarında kilit bir rol oynayabilir. Bilgisayarlı görü yapay zekası ile, çeşitli kaynaklardan gelen büyük miktarlardaki görüntü ve videoyu işleyebilir, bu da doğru vahşi yaşam değerlendirmeleri yapmayı mümkün kılar.

Ultralytics YOLO11, özellikle gerçek zamanlı nesne algılama için harika bir seçimdir ve kaçak avlanma izleme, davranış analizi ve ekosistem izleme gibi görevler için mükemmel bir uyum sağlar. Yapay zeka destekli modelleri koruma çalışmalarına dahil ederek, türleri daha iyi koruyabilir, biyoçeşitlilik takibini iyileştirebilir ve nesli tükenmekte olan vahşi yaşamı korumak için daha bilinçli kararlar alabiliriz.

Topluluğumuza katıl ve bilgisayarlı görü hakkında daha fazla bilgi edinmek için GitHub deposunu keşfet. Sağlık hizmetlerinde yapay zeka ve üretimde bilgisayarlı görü ile ilgili daha fazla uygulamayı çözümler sayfalarımızda keşfet. Bilgisayarlı görü yapay zekasına başlamak için Ultralytics lisanslama seçeneklerine göz at.