# 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)