File size: 16,745 Bytes
0c954a9 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 |
# QuakeAware AI – Uygulama Rehberleri
Bu doküman, QuakeAware AI projesinin bir yapay zeka tarafından geliştirilmesi sırasında kullanılacak uygulama rehberlerini içermektedir. Yapay zekaya verilecek talimatlar, kod örnekleri ve potansiyel sorunlar için çözüm önerileri detaylı olarak sunulmuştur.
## 1. Yapay Zekaya Verilecek Talimatlar
### 1.1. Proje Başlangıcı İçin Talimatlar
```
Merhaba, QuakeAware AI adlı bir deprem güvenliği yapay zeka projesi geliştirmek istiyorum. Bu proje, deprem risk analizi, güvenli nokta önerisi ve farkındalık panosu içeren kapsamlı bir çözüm olacak. Başlangıç seviyesindeyim ve 4GB RTX4050 Ti GPU'ya sahibim. Projeyi adım adım geliştirmene ihtiyacım var.
Proje şu dört ana bileşenden oluşacak:
1. Görsel Güvenli-Nokta Analizi: Kullanıcı odasının fotoğrafını yükleyecek, model tehlikeli eşyaları işaretleyecek ve en güvenli konumu vurgulayacak.
2. Adres Tabanlı Deprem Risk Skoru: Adres bilgisine göre deprem risk skoru hesaplayacak.
3. Gerçek-Zamanlı Sarsıntı Takip Paneli: Son 12 saatteki deprem verilerini haritada gösterecek.
4. Hazırlık Rehberi Chatbot'u: Deprem hazırlığı konusunda kişiselleştirilmiş bilgiler sunacak.
Öncelikle, temel proje yapısını ve Gradio arayüzünü oluşturarak başlayalım. Sonra her bileşeni sırayla geliştirelim.
```
### 1.2. Modül Geliştirme Talimatları
#### Temel Proje Yapısı
```
QuakeAware AI projesi için temel dizin yapısını ve Gradio arayüzünü oluşturmak istiyorum. Proje yapısı şu şekilde olmalı:
quakeaware/
├─ app.py # Gradio arayüzü
├─ vision/
│ ├─ detector.py # YOLOv8 yükle & çıkarım
│ └─ safespot.py # Segmentation + en güvenli piksel hesabı
├─ risk/
│ ├─ features.py # Adres → feature mühendisliği
│ └─ model.pkl # Eğitimli LightGBM
├─ stream/
│ └─ afad_feed.py # Canlı deprem akışı
├─ rag/
│ ├─ vector_store.faiss
│ └─ chatbot.py
└─ README.md
Gradio arayüzü dört sekme içermeli: Görsel Analiz, Adres Risk Skoru, Canlı Depremler ve Hazırlık Sohbeti. Başlangıç için bu sekmelerin boş olması sorun değil, sadece yapıyı kurmak istiyorum.
Ayrıca, gerekli kütüphaneleri içeren bir requirements.txt dosyası da hazırlamalıyız.
```
#### Görsel Analiz Modülü
```
Görsel analiz modülünü geliştirmek istiyorum. Bu modül, kullanıcının yüklediği oda fotoğrafında tehlikeli objeleri tespit edecek ve en güvenli alanı belirleyecek.
1. YOLOv8 modelini nasıl kurabilirim ve 4GB GPU'mda optimize edebilirim?
2. ADE20K veri setinden iç mekan görüntülerini nasıl filtreleyebilirim?
3. Tehlikeli objeleri (dolaplar, raflar, ağır eşyalar) nasıl tespit edebilirim?
4. Segment Anything Model (SAM) ile en güvenli alanı nasıl belirleyebilirim?
5. Sonuçları nasıl görselleştirebilirim?
Lütfen adım adım açıkla ve 4GB GPU'mda çalışabilecek şekilde optimize edilmiş bir çözüm sun.
```
#### AFAD API ve Harita Entegrasyonu
```
AFAD'ın son depremler API'sini kullanarak gerçek zamanlı bir deprem haritası oluşturmak istiyorum. Bu harita son 12 saatteki depremleri göstermeli ve depremleri büyüklüklerine göre farklı renklerle işaretlemeli.
1. AFAD API'sine nasıl bağlanabilirim?
2. JSON verilerini nasıl işleyebilirim?
3. Folium veya Leaflet kullanarak haritayı nasıl oluşturabilirim?
4. Deprem verilerini haritaya nasıl işleyebilirim?
5. Otomatik yenileme mekanizmasını nasıl kurabilirim?
6. Bu modülü Gradio arayüzüne nasıl entegre edebilirim?
Lütfen adım adım açıkla ve örnek kodlar sağla.
```
#### Risk Skoru Modeli
```
Adres tabanlı bir deprem risk skoru modeli geliştirmek istiyorum. Bu model, kullanıcının girdiği adres veya il/ilçe bilgisine göre 0-1 arası bir risk skoru üretecek.
1. Geçmiş deprem verileri, zemin türü ve bina bilgilerini nasıl toplayabilirim?
2. Adres → koordinat dönüşümü için hangi servisi kullanabilirim?
3. Özellik mühendisliği nasıl yapabilirim?
4. LightGBM veya XGBoost modelini nasıl eğitebilirim?
5. Modeli nasıl değerlendirebilirim?
6. Bu modülü Gradio arayüzüne nasıl entegre edebilirim?
Lütfen adım adım açıkla ve örnek kodlar sağla.
```
#### RAG Chatbot Sistemi
```
Deprem hazırlığı konusunda bilgi veren bir RAG (Retrieval Augmented Generation) chatbot geliştirmek istiyorum. Bu chatbot, AFAD, Kızılay ve FEMA dokümanlarından bilgi içerecek.
1. Dokümanları nasıl toplayabilirim ve ön işleyebilirim?
2. Vektör veritabanını nasıl oluşturabilirim?
3. Llama-3-Instruct-8B-Q modelini 4GB GPU'mda nasıl optimize edebilirim?
4. RAG sistemini nasıl kurabilirim?
5. Soru-cevap mekanizmasını nasıl geliştirebilirim?
6. Bu modülü Gradio arayüzüne nasıl entegre edebilirim?
Lütfen adım adım açıkla ve örnek kodlar sağla.
```
### 1.3. Entegrasyon ve Test Talimatları
```
Geliştirdiğimiz dört modülü (görsel analiz, harita, risk skoru ve chatbot) tek bir Gradio uygulamasında birleştirmek istiyorum. Ayrıca, uygulamayı kapsamlı bir şekilde test etmek istiyorum.
1. Modülleri tek bir Gradio uygulamasında nasıl birleştirebilirim?
2. Modüller arası veri paylaşımını nasıl sağlayabilirim?
3. Kullanıcı deneyimini nasıl iyileştirebilirim?
4. Performans optimizasyonunu nasıl yapabilirim?
5. Hata yakalama ve işleme mekanizmalarını nasıl ekleyebilirim?
6. Her modül için hangi test senaryolarını uygulamalıyım?
7. Performans darboğazlarını nasıl tespit edebilirim?
Lütfen adım adım açıkla ve örnek kodlar sağla.
```
### 1.4. Dağıtım ve Yayınlama Talimatları
```
QuakeAware AI projemi Hugging Face Space'e yüklemek istiyorum. Bunun için gerekli adımları ve dikkat etmem gereken noktaları açıklar mısın?
1. Gerekli dosyaları nasıl hazırlamalıyım?
2. requirements.txt dosyası nasıl olmalı?
3. Büyük modelleri nasıl optimize etmeliyim?
4. Dağıtım sürecini adım adım nasıl gerçekleştirebilirim?
5. Dokümantasyon ve kullanım kılavuzunu nasıl hazırlamalıyım?
Lütfen adım adım açıkla ve örnek kodlar sağla.
```
## 2. Kod Örnekleri ve Şablonlar
### 2.1. Temel Proje Yapısı
#### app.py
```python
import gradio as gr
import os
# Modülleri import et (henüz oluşturulmadı)
# from vision.detector import mark_dangers
# from risk.model import predict_risk
# from stream.afad_feed import get_latest_quakes
# from rag.chatbot import answer
def dummy_vision(image):
"""Geçici görsel analiz fonksiyonu"""
return image
def dummy_risk(address):
"""Geçici risk skoru fonksiyonu"""
return 0.5
def dummy_map():
"""Geçici harita fonksiyonu"""
return "<div>Harita burada görüntülenecek</div>"
def dummy_chat(message):
"""Geçici chatbot fonksiyonu"""
return f"Sorunuz: {message}. Bu özellik henüz geliştirilme aşamasındadır."
# Ana Gradio uygulaması
with gr.Blocks(title="QuakeAware AI") as demo:
gr.Markdown("# QuakeAware AI - Deprem Risk Analizi ve Güvenlik Asistanı")
with gr.Tab("Görsel Analiz"):
gr.Markdown("## Oda Güvenlik Analizi")
gr.Markdown("Odanızın fotoğrafını yükleyin, tehlikeli eşyaları işaretleyelim ve en güvenli konumu gösterelim.")
with gr.Row():
in_img = gr.Image(label="Oda Fotoğrafı")
out_img = gr.Image(label="Analiz Sonucu")
analyze_btn = gr.Button("Analiz Et")
analyze_btn.click(fn=dummy_vision, inputs=in_img, outputs=out_img)
with gr.Tab("Adres Risk Skoru"):
gr.Markdown("## Adres Tabanlı Risk Analizi")
gr.Markdown("Adresinizi veya il/ilçe bilgisini girin, deprem risk skorunu hesaplayalım.")
addr = gr.Textbox(label="Adres veya İl/İlçe")
score = gr.Number(label="Göreceli risk (0-1)")
risk_btn = gr.Button("Risk Hesapla")
risk_btn.click(fn=dummy_risk, inputs=addr, outputs=score)
with gr.Tab("Canlı Depremler"):
gr.Markdown("## Gerçek Zamanlı Deprem Takibi")
gr.Markdown("Son 12 saatteki depremleri haritada görüntüleyin.")
refresh = gr.Button("Güncelle")
quake_map = gr.HTML()
refresh.click(fn=dummy_map, inputs=None, outputs=quake_map)
with gr.Tab("Hazırlık Sohbeti"):
gr.Markdown("## Deprem Hazırlık Rehberi")
gr.Markdown("Deprem hazırlığı konusunda sorularınızı sorun, kişiselleştirilmiş öneriler alın.")
chat_in = gr.Textbox(label="Sorunuz")
chat_out = gr.Textbox(label="Yanıt")
chat_btn = gr.Button("Sor")
chat_btn.click(fn=dummy_chat, inputs=chat_in, outputs=chat_out)
gr.Markdown("---")
gr.Markdown("© 2025 QuakeAware AI | Deprem güvenliği için yapay zeka çözümleri")
# Uygulamayı başlat
if __name__ == "__main__":
demo.launch()
```
#### requirements.txt
```
gradio>=4.0.0
torch>=2.0.0
torchvision>=0.15.0
ultralytics>=8.0.0
segment-anything>=1.0
lightgbm>=3.3.5
xgboost>=1.7.5
folium>=0.14.0
requests>=2.28.2
langchain>=0.0.267
langchain-community>=0.0.10
sentence-transformers>=2.2.2
faiss-cpu>=1.7.4
pydantic>=2.0.0
```
### 2.2. Görsel Analiz Modülü
#### vision/detector.py
```python
import torch
from ultralytics import YOLO
from PIL import Image, ImageDraw
import numpy as np
import os
# Model yolları
YOLO_MODEL_PATH = os.path.join(os.path.dirname(__file__), "yolov8n.pt")
# SAM modelini daha sonra ekleyeceğiz
# Tehlikeli obje sınıfları (COCO veri setindeki indeksler)
DANGEROUS_CLASSES = {
"bookcase": 0.9, # Kitaplık
"cabinet": 0.8, # Dolap
"refrigerator": 0.7, # Buzdolabı
"oven": 0.6, # Fırın
"tv": 0.5, # Televizyon
"microwave": 0.5, # Mikrodalga
"chair": 0.3, # Sandalye
"couch": 0.4, # Kanepe
"bed": 0.4, # Yatak
"dining table": 0.6, # Yemek masası
"toilet": 0.3, # Tuvalet
"sink": 0.3, # Lavabo
"clock": 0.2, # Saat
"vase": 0.2, # Vazo
"scissors": 0.1, # Makas
"hair drier": 0.1, # Saç kurutma makinesi
"toothbrush": 0.1, # Diş fırçası
}
class DangerDetector:
def __init__(self):
# GPU bellek optimizasyonu
torch.cuda.empty_cache()
# Model yükleme
self.device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(f"Using device: {self.device}")
# YOLOv8 modelini yükle
if not os.path.exists(YOLO_MODEL_PATH):
print("Downloading YOLOv8 model...")
self.model = YOLO("yolov8n.pt") # Otomatik indirecek
self.model.save(YOLO_MODEL_PATH)
else:
self.model = YOLO(YOLO_MODEL_PATH)
# Modeli GPU'ya taşı ve optimize et
self.model.to(self.device)
print("Danger detector initialized")
def detect_dangers(self, image):
"""Görüntüdeki tehlikeli objeleri tespit et"""
# Görüntüyü modele ver
results = self.model(image, verbose=False)
# Sonuçları işle
detected_objects = []
for result in results:
boxes = result.boxes
for box in boxes:
class_id = int(box.cls.item())
class_name = result.names[class_id]
# Sadece tehlikeli sınıfları filtrele
if class_name in DANGEROUS_CLASSES:
confidence = box.conf.item()
danger_score = DANGEROUS_CLASSES[class_name] * confidence
x1, y1, x2, y2 = box.xyxy[0].tolist()
detected_objects.append({
"class": class_name,
"box": [x1, y1, x2, y2],
"confidence": confidence,
"danger_score": danger_score
})
return detected_objects
def mark_dangers(self, image):
"""Görüntüdeki tehlikeli objeleri işaretle ve en güvenli noktayı göster"""
# NumPy dizisine dönüştür
if isinstance(image, str):
image = Image.open(image)
elif isinstance(image, np.ndarray):
image = Image.fromarray(image)
# Tehlikeli objeleri tespit et
dangers = self.detect_dangers(np.array(image))
# Görüntü üzerine çizim yapmak için kopya oluştur
result_image = image.copy()
draw = ImageDraw.Draw(result_image)
# Tehlikeli objeleri işaretle
for obj in dangers:
x1, y1, x2, y2 = obj["box"]
class_name = obj["class"]
danger_score = obj["danger_score"]
# Tehlike skoruna göre renk belirle (kırmızı -> sarı)
color = (255, int(255 * (1 - danger_score)), 0)
# Kutuyu çiz
draw.rectangle([x1, y1, x2, y2], outline=color, width=3)
# Etiketi çiz
draw.text((x1, y1-15), f"{class_name}: {danger_score:.2f}", fill=color)
# Basit güvenli nokta hesaplama (ileride SAM ile geliştirilecek)
safe_point = self._find_safe_point(np.array(image), dangers)
# Güvenli noktayı işaretle
if safe_point:
x, y = safe_point
radius = 20
draw.ellipse((x-radius, y-radius, x+radius, y+radius), fill=(0, 255, 0, 128))
draw.text((x+radius+5, y), "EN GÜVENLİ NOKTA", fill=(0, 255, 0))
return np.array(result_image)
def _find_safe_point(self, image, dangers):
"""En güvenli noktayı bul (basit versiyon)"""
h, w = image.shape[:2]
# Tehlike haritası oluştur
danger_map = np.zeros((h, w), dtype=np.float32)
# Her tehlikeli obje için tehlike alanı oluştur
for obj in dangers:
x1, y1, x2, y2 = obj["box"]
danger_score = obj["danger_score"]
# Objenin merkezi
center_x = (x1 + x2) / 2
center_y = (y1 + y2) / 2
# Tüm pikseller için tehlike skorunu hesapla
for y in range(h):
for x in range(w):
# Mesafe hesapla
distance = np.sqrt((x - center_x)**2 + (y - center_y)**2)
# Mesafeye bağlı tehlike skoru (uzaklık arttıkça azalır)
pixel_danger = danger_score * (1000 / (distance + 10))
# Tehlike haritasını güncelle
danger_map[y, x] += pixel_danger
# En güvenli nokta (en düşük tehlike skoru)
min_danger = np.min(danger_map)
safe_indices = np.where(danger_map == min_danger)
if len(safe_indices[0]) > 0:
# Birden fazla güvenli nokta varsa, rastgele birini seç
idx = np.random.randint(0, len(safe_indices[0]))
safe_y = safe_indices[0][idx]
safe_x = safe_indices[1][idx]
return (safe_x, safe_y)
return None
# Singleton örneği
detector = None
def get_detector():
"""Detector singleton örneğini döndür"""
global detector
if detector is None:
detector = DangerDetector()
return detector
def mark_dangers(image):
"""Gradio arayüzü için wrapper fonksiyon"""
detector = get_detector()
return detector.mark_dangers(image)
# Test
if __name__ == "__main__":
import matplotlib.pyplot as plt
# Test görüntüsü
test_image = "test_room.jpg"
# Tehlikeleri işaretle
detector = DangerDetector()
result = detector.mark_dangers(test_image)
# Sonucu göster
plt.figure(figsize=(12, 8))
plt.imshow(result)
plt.axis('off')
plt.title("Tehlike Analizi")
plt.show()
```
### 2.3. AFAD API ve Harita Entegrasyonu
#### stream/afad_feed.py
```python
import requests
import folium
import pandas as pd
from datetime import datetime, timedelta
import time
# AFAD API URL
AFAD_API_URL = "https://deprem.afad.gov.tr/apiv2/event/filter"
def get_afad_data(hours=12):
"""AFAD API'den son depremleri çek"""
# Zaman aralığını hesapla
end_time = datetime.now()
start_time = end_time - timedelta(hours=hours)
# API parametreleri
params = {
"start": start_time.strftim
(Content truncated due to size limit. Use line ranges to read in chunks) |