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)