Vahşi hayvanları tespit etmek için Ultralytics YOLO modelleri nasıl eğitilir

Gezegenimizin yaban hayatı, vızıldayan arılardan heybetli fillere kadar inanılmaz derecede çeşitlidir ve bu biyolojik çeşitliliği korumak, dengeli bir ekosistemi sürdürmenin anahtarıdır. Ancak habitat kaybı, kaçak avcılık ve iklim değişikliği nedeniyle koruma çalışmaları giderek zorlaşıyor. Tüm bu faktörler yaban hayatı popülasyonlarını olumsuz etkiliyor.

Manuel olarak fotokapan görüntülerini analiz etmek ve saha araştırmaları yürütmek gibi geleneksel hayvan izleme yöntemleri yavaş olabilir ve çok fazla kaynak gerektirebilir. Bu çalışmalar çoğu zaman geniş alanları ve büyük popülasyonları etkili bir şekilde kapsamakta yetersiz kalır.

Bu sınırlamaların üstesinden gelmek için yapay zekâ (AI), yaban hayatının korunmasında etkili bir araç olarak kullanılabilir. Özellikle Ultralytics YOLO11 gibi bilgisayarlı görü modelleri, hayvanların gerçek zamanlı olarak tanımlanmasını ve izlenmesini otomatikleştirmek için görüntü ve video gibi görsel verileri analiz edebilir.

Ultralytics YOLO11 tarafından desteklenen nesne tespiti ve örnek bölütleme gibi bilgisayarlı görü görevleri burada oldukça faydalıdır. Bu görevler, görsel verileri analiz ederek önemli verileri toplamamıza, ekolojik örüntüleri belirlememize ve çevresel tehditlere daha etkili yanıt vermemize yardımcı olur.

Bu makalede, hayvanları tespit edecek şekilde Ultralytics YOLO11'i eğitme sürecini ele alacağız. Hadi başlayalım!

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 paketi'dir. Ultralytics paketini kullanmak için kodunu çalıştırabileceğin bir ortam kurman gerekir ve seçebileceğin çeşitli seçenekler vardır.

Geliştirme ortamını kurmak için en popüler 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 kullanıcı arayüzlerinin (GUIs) aksine CLI, programları çalıştırmak veya görevleri yürütmek için metin talimatları yazmanı gerektirir.
• Jupyter Notebooks: Bu not defterleri, hücre adı verilen küçük parçalar hâlinde kod yazıp çalıştırmanı sağlar. Etkileşimlidir; yani kodunun çıktısını hemen görebilir, böylece test ve hata ayıklamayı kolaylaştırırsın.
• 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 de resmî Ultralytics dokümantasyonunda yer alıyor; ancak yukarıda belirtilen üç seçenek çok az kurulum gerektirir ve kullanımı kolaydır. Bu da onları hızlıca başlamak için ideal hâle getirir.

Bu eğitimde, adımlar tüm bu ortamlarda oldukça benzer olduğundan Google Colab, Jupyter Notebooks veya basit bir Python dosyası kullanarak Ultralytics YOLO11'i nasıl kurup eğiteceğini göstereceğiz.

African Wildlife Dataset'i anlama#

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

Bu eğitimde African Wildlife Dataset veri kümesini kullanacağız. Bu veri kümesi Ultralytics Python paketi tarafından desteklenir ve özellikle Afrika ekosistemlerinde yaygın olarak bulunan hayvanları tespit etmek için tasarlanmıştır. Dört önemli türe ait açıklamalı görüntüler içerir: bufalolar, filler, gergedanlar ve zebralar.

Şekil 1. African Wildlife Dataset'e genel bakış.

African Wildlife Dataset'in bazı önemli özellikleri şunlardır:

• Ölçek: Veri kümesi, üç alt kümeye ayrılmış 1504 görüntüden oluşur: eğitim için 1052, doğrulama için 225 ve test için 227 görüntü. Bu bölme, modelin etkili bir şekilde öğrenmesini ve kapsamlı biçimde değerlendirilmesini sağlar.
• Sorunsuz entegrasyon: Ultralytics; veri kümesi yollarını, sınıfları ve diğer ayrıntıları tanımlayan bir YAML yapılandırma dosyası sunar. Bu da dosyanın YOLO modellerini eğitirken kolayca kullanılmasını sağlar.
• Açık lisans: Bu veri kümesi, şeffaflığı ve iş birliğini teşvik eden AGPL-3.0 lisansı kapsamında dağıtılır.

Ultralytics YOLO11'i hayvan tespiti için eğitme#

African Wildlife Dataset'i incelediğimize göre artık görüntülerde hayvanları tespit edecek bir Ultralytics YOLO11 modelini eğitmeye başlayabiliriz. Süreç; geliştirme ortamının kurulmasını, YOLO11 modelinin eğitilmesini ve modelin performansının değerlendirilmesini içerir.

adım: Ortamı kurma#

Başlamak için modeli eğitip test edebileceğimiz bir ortam hazırlayacağız. Tercihine bağlı olarak Google Colab, Jupyter Notebooks veya basit bir Python dosyası kullanılabilir. 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 da eğitimi yavaşlatabilir. Süreci, özellikle daha büyük modeller için hızlandırmak amacıyla çalışma zamanını GPU kullanacak şekilde değiştirebilirsin. Google Colab'da menüdeki "Runtime" sekmesine gidip "Change runtime type" seçeneğini belirleyerek donanım hızlandırıcısını GPU'ya (tercihen T4 GPU) ayarlayabilirsin. Bu, eğitim sürelerini azaltmak için önemlidir.

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

pip install ultralytics

adım: Ultralytics YOLO11'i yükleme ve veri kümesini hazırlama#

Ultralytics paketi yüklendikten sonra sıradaki adım, YOLO11 modelini yüklemek ve veri kümesini eğitim için hazırlamaktır. Öncelikle genel nesne tespiti görevleri üzerinde önceden eğitilmiş YOLO11 modelini yüklüyoruz. Bu önceden eğitilmiş model iyi bir başlangıç noktasıdır; çünkü çeşitli nesneleri nasıl tespit edeceğini zaten öğrenmiştir.

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

African Wildlife Dataset, Ultralytics paketi tarafından desteklendiğinden eğitimi başlattığında otomatik olarak indirilir ve böylece veri kümesini manuel olarak kurma zahmetinden kurtulursun.

Veri kümesi hazır olduğunda model eğitime başlar. Model, görüntülerdeki hayvanları tanıma becerisini geliştirmek için veri kümesini birkaç kez işler; bu süreç birden fazla epoch üzerinden eğitim olarak adlandırılır. Bu süreç sırasında görüntüler işleme için tutarlı bir boyuta yeniden ölçeklendirilir ve model, batch olarak bilinen belirli sayıdaki görüntüyle aynı anda çalışır. Bu, modelin daha verimli öğrenmesine yardımcı olur.

Kısacası, aşağıdaki kod parçacığı çalıştırıldığında model yüklenir, veri kümesi otomatik olarak indirilir ve African Wildlife Dataset temel alınarak hayvan tespiti için eğitim başlar.

from ultralytics import YOLO

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

adım: Ultralytics YOLO11 eğitimini adım adım inceleme#

Yukarıdaki kod parçacığı çalıştırıldığında model, verdiğimiz ayarlara göre eğitime başlar. Kod aracılığıyla modele eğitim görüntüleri üzerinden 30 kez geçmesini söyledik. Yani model, veri kümesindeki tüm görüntülere 30 kez bakacak ve her seferinde biraz daha fazla öğrenecek.

Bir hayvanın nasıl çizileceğini öğrenmeye çalıştığını düşün. İlk çizdiğinde iyi görünmeyebilir; ancak tekrar tekrar pratik yaptıktan sonra gelişmeye başlarsın. Her yeniden denemende neyin yanlış gittiğinden öğrenir ve bunu düzeltirsin. Her epoch model için tam olarak bunu yapar: görüntülere bakar, hatalar yapar, bunlardan öğrenir ve her seferinde hayvanları tanımada daha iyi hâle gelir.

Eğitim kodu başarıyla çalışıyorsa eğitim ilerledikçe aşağıdaki çıktıyı görürsün:

• Eğitim kurulumu: İlk bölümde kullanılan Ultralytics sürümü, PyTorch ve donanım (bu durumda CPU) ile model (yolo11n.pt), batch boyutu, epoch sayısı ve görüntü boyutu dâhil eğitim yapılandırması gösterilir.
• Model özeti: Katman ve parametre sayısı gibi modelin karmaşıklığı hakkında bilgi sunarak modelin ne kadar büyük olduğunu gösterir.
• Eniyileyici ve öğrenme oranı: Modelin eğitim sırasında parametrelerini nasıl ayarladığını kontrol eden eniyileyiciden (ör. AdamW) ve öğrenme oranından bahsedilir.
• Veri kümesini tarama: Model veri kümesini tarar ve kaç görüntünün geçerli olduğunu ve eğitime hazır bulunduğunu gösterir. Veri kümesinde herhangi bir sorun olmadığını doğrular.
• Eğitim ilerlemesi: Çıktı her epoch'tan (eğitim döngüsünden) sonra güncellenir ve modelin ne kadar iyi öğrendiğini gösteren temel kayıp değerleri (box_loss, cls_loss, dfl_loss) ile birlikte eğitim ilerlemesini gösterir.
• Performans ölçütleri: Her epoch'tan sonra kesinlik, duyarlılık ve mAP (ortalama kesinlik) gibi performans ölçütlerini görürsün. Bu değerler, modelin nesneleri tespit 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: Özel olarak eğitilmiş modelin performansını değerlendirme#

Eğitim süreci tamamlandıktan sonra modelin performans ölçütlerini inceleyebilir ve doğrulayabilirsin. Google Colab'da "runs" klasörüne, ardından "detect" klasörüne ve son olarak temel performans göstergelerini içeren günlükleri bulacağın "train" klasörüne gidebilirsin.

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

CLI kullanıyorsan eğitim günlükleri ve deneme ayrıntılarıyla ilgili yolları ve diğer yapılandırmaları görüntülemene veya değiştirmenene olanak tanıyan “yolo settings” komutunu kullanarak bu sonuçlara ve ayarlara kolayca erişebilirsin.

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

Modelin ilerlemesini izleyen bu grafikler, kaybın (modelin tahminleri ile gerçek değerler arasındaki farkın) nasıl azaldığını ve eğitim sırasında doğruluğun nasıl arttığını gösterir. Bu, modelin hayvanları tanımayı ne kadar iyi öğrendiğini ve eğitimin sonunda ne ölçüde geliştiğini anlamana yardımcı olur.

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

Temel performans değerlendirme ölçütleri#

Ayrıca, modelin performansını değerlendirmek için kullanabileceğin bazı ölçütlere daha yakından bakalım:

• Ortalama kesinlik (mAP): Bu ölçüt, farklı duyarlılık düzeylerindeki kesinlik skorlarının ortalamasını alarak modelin tüm sınıflar genelinde hayvanları tespit etmedeki genel doğruluğunu ölçer.
• Kesinlik: Doğru tespitlerin yüzdesini ifade eder ve gerçek pozitif tespitlerin sayısının yapılan toplam tespit sayısına bölünmesiyle hesaplanır.
• Duyarlılık: Görüntülerdeki gerçek hayvanların model tarafından doğru şekilde tanımlanan yüzdesini gösterir ve tüm ilgili örnekleri yakalama becerisini yansıtır.

Bu değerlendirme ölçütleri, gerçek dünya uygulamalarında kullanmadan önce doğruluğu artırmak için modele ince ayar yapmana yardımcı olabilir.

Özel olarak eğitilmiş Ultralytics YOLO11 modelinle çıkarım çalıştırma#

Artık Ultralytics YOLO11'i eğitip değerlendirdiğimize göre onu görüntüleri analiz etmek ve çıkarım çalıştırmak için kullanma zamanı geldi. Veri kümesindeki test görüntülerini veya farklı kaynaklardan alınmış yeni görüntüleri kullanabilirsin.

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

Bundan sonra African Wildlife test veri kümesindeki bir görüntünün yolu belirlenir. Model, nesne tespiti için bu görüntüye 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 dizininin içindeki "predict" klasörüne kaydedilir. Sonraki testler için görüntüleri depolamak üzere "predict2", "predict3" ve benzeri yeni klasörler oluşturulur.

Şekil 4. İnce ayar yapılmış Ultralytics YOLO11 modeliyle bir test görüntüsü üzerinde çıkarım çalıştırma.

Farklı kaynaklardan alınan görüntüleri test etmek için aşağıdaki kodu kullanabilirsin. Pexels üzerinden alınmış 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 hayatı tespiti.

Yaban hayatının korunması için AI: Gerçek dünya uygulamaları#

Ultralytics YOLO11 gibi modeller hayvanları otomatik olarak tespit edip izleyebilir ve bu da çeşitli pratik uygulamaları mümkün kılar. Görsel yapay zekânın yaban hayatının korunması çalışmalarını desteklemek için kullanılabileceği bazı temel alanlara göz atalım:

• Tür izleme: Görsel yapay zekâ; türleri doğru şekilde 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 olarak sınıflandırmak ve gerçek zamanlı uyarılar göndermek için kullanılabilir. Bu sayede yaban hayatı yetkilileri, anormal hayvan davranışları veya insan-yaban hayatı çatışmaları gibi tehditlere hızla yanıt verebilir.
• Davranış analizi: Görsel yapay zekâ sistemleri; göçü, beslenme alışkanlıklarını ve sosyal etkileşimleri izleyerek türler arası dinamikler hakkında kapsamlı içgörüler sağlayabilir.
• Kaçak avcılığı önleme: Görsel yapay zekâ, yetkisiz insan varlığını ve kaçak avcılık belirtilerini tespit etmek için kullanılabilir; makine öğrenimi ve geçmiş verilerinden yararlanılarak riskin yoğun olduğu noktalar belirlenebilir.

Önemli çıkarımlar#

Ultralytics YOLO11 gibi bilgisayarlı görü modelleri, hayvan tespiti ve izlemesini otomatikleştirerek yaban hayatının korunmasında önemli bir rol oynayabilir. Görsel yapay zekâ sayesinde çeşitli kaynaklardan gelen büyük miktarlardaki görüntü ve videoyu işleyebilir, böylece doğru yaban hayatı değerlendirmeleri yapabiliriz.

Özellikle Ultralytics YOLO11, gerçek zamanlı nesne tespiti için mükemmel bir seçimdir ve kaçak avcılıkla mücadele gözetimi, davranış analizi ve ekosistem izleme gibi görevler için ideal bir uyum sağlar. Yapay zekâ destekli modelleri koruma çalışmalarına dâhil ederek türleri daha iyi koruyabilir, biyolojik çeşitliliği daha iyi izleyebilir ve nesli tehlike altındaki yaban hayatını güvence altına almak için daha bilinçli kararlar verebiliriz.

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