CzechLynx: Avrasya Vaşağı’nın Bireysel Tanımlanması ve Poz Tahmini için Bir Veri Kümesi

Yaban hayatı ve teknoloji için neden önemli

Avrasya vaşağı, çok düşük yoğunluklarda geniş orman alanlarında dolaşan Avrupa’nın en gizemli büyük kedilerinden biridir. Vaşak sayısını, hareket ettikleri yerleri ve nüfuslarının zaman içindeki değişimini izlemek koruma için hayati öneme sahiptir—ancak yüz binlerce kamera tuzağı fotoğrafını elle değerlendirmek yavaş ve hata yapmaya açık bir süreçtir. Bu makale, yalnızca biyologlar için değil, aynı zamanda görüntü analizi araçları geliştiren bilgisayar bilimcileri için de tasarlanmış, geniş ve açık olarak erişilebilir bir vaşak görüntüleri koleksiyonu olan CzechLynx’i tanıtıyor. Yaban hayatı izlemeyi modern yapay zekâ ile ilişkilendirerek, veri kümesi bu utangaç yırtıcıları korumayı çok daha kolay hale getirmeyi amaçlıyor.

Vahşi ormanlarda utangaç kedilere uzun bakış

CzechLynx, Orta Avrupa’nın iki bölgesinden—Güneybatı Bohemya ve Batı Karpatlar—kamera tuzaklarından 15 yılı aşkın sürede toplanmış 39.760 Avrasya vaşağı fotoğrafını bir araya getiriyor. Buralar, vaşakların çok düşük yoğunluklarda yaşadığı ve yüzlerce kilometre kare boyunca hareket edebildiği engebeli, çoğunlukla ormanlık alanlardır. Koruma grupları ve park yetkilileri, yaygın kapsama sağlamak için sık sık sistematik ızgaralar kullanarak kameraları orman yolları, av yolları ve koku işaretleme noktalarına yerleştirdi. Veri kümesindeki her görüntü titiz bir elemeden geçti: boş kareler ve insan veya araç içeren fotoğraflar çıkarıldı, ardından uzman ekipler vaşağın benzersiz kürk desenlerini kullanarak hangi bireyin her fotoğrafta göründüğünü doğruladılar.

Görüntüleri temizleme, seçme ve etiketleme

Birçok kamera tek fotoğraf yerine kısa video klipler kaydetti; bu durum neredeyse aynı karelerden oluşan çok büyük sayıda görüntü üretebilirdi. Veri kümesini yönetilebilir ve bilgilendirici tutmak için yazarlar, hayvanın net göründüğü kareleri bulmak üzere otomatik bir algılayıcı kullandılar ve her karşılaşmadan en fazla üç temsilci görüntü seçtiler. Seçilen çekimler, leke desenlerinin görülebildiği ve hayvanın ince detayları için yeterince yakın olduğu tam gövde, yandan görüşleri tercih ediyor. İnsan anotatörler daha sonra birkaç katman bilgi ekledi: her vaşağın gövdesinin hassas konturları, eklemleri ve yüz işaretlerini işaretleyen en fazla 20 anahtar nokta seti ile hayvanın hangi tarafının göründüğü gibi tanımlayıcı etiketler. Yarı otomatik araçlar—modern segmentasyon ve poz tahmini modelleri—bu etiketlerin taslaklarını oluşturmak için kullanıldı; ardından insanlar bunları kontrol edip düzeltti.

Vaşağın dijital ikizini oluşturmak

Gerçek kamera tuzağı verileri zengin olsa da sınırlamaları vardır: nadir pozlar, alışılmadık aydınlatma koşulları ve bazı kürk desenleri gelişmiş algoritmaları tamamen eğitmek ve test etmek için yeterince sık görünmeyebilir. Bu boşlukları doldurmak için ekip, gerçek görüntülere karşılık gelen sentetik bir set oluşturdu. Unity oyun motorunu kullanarak, ayrıntılı bir 3B vaşak modelini gerçek kamera tuzağı konumlarından esinlenen fotogerçekçi sanal orman sahnelerine yerleştirdiler. Sanal hayvan bu sahnelerde yolları izliyor, rastgele noktalarda duruyor ve farklı kamera açıları ile değişen ışık ve hava koşullarında görüntüleniyor. Birçok farklı bireyi simüle etmek için araştırmacılar, metinle yönlendirilen görüntü sentezi yöntemi kullanarak yüzlerce farklı kürk dokusu ürettiler; bu sayede doğal görünümlü geniş bir leke ve çizgi deseni yelpazesi ortaya çıktı. Her renderlanan kare, vaşağın konturu, iskeleti ve kimliği hakkında kusursuz bilgiyle otomatik olarak birlikte geliyor.

Bilgisayarlı görmeyi gerçek dünya koşullarında test etmek

Veri kümesi üç ana görev etrafında düzenlenmiş: bireysel vaşakları ayırt etmek, vücut pozlarını tahmin etmek ve onları arka plandan ayırmak. Tek, tutarlı bir metadata tablosu her görüntüyü kimliği, zaman ve mekan bilgisi, bakış açısı ve görev-özel bölünmelerle ilişkilendiriyor. Gerçekçi koruma zorluklarını taklit etmek için yazarlar birkaç değerlendirme şeması tanımlıyor. “Coğrafi farkındalık” (geo-aware) ortamında modeller bir bölge üzerinde eğitilip başka bir bölgede test ediliyor; bu, modellerin yeni peyzajlara ne kadar iyi taşınabildiğini sınar. “Zaman farkındalığı” (time-aware) durumlarında ise eğitim ve test görüntüleri mevsimler ve yıllar bazında ayrılıyor; böylece algoritmalar yaşlanan hayvanlar, görünüş değişiklikleri veya yeni bireylerin katılmasıyla başa çıkmak zorunda kalıyor. Bu dikkatle tasarlanmış bölmeler, ince veri sızıntılarını önlemeye yardımcı oluyor ve gelecekteki yöntemler için zorlu, gerçekçi bir kıstas sunuyor.

Vaşakların kurtarılması için bunun anlamı

Özünde CzechLynx, yıllara yayılan titiz saha çalışmalarını daha geniş araştırma topluluğu için paylaşılan bir kaynağa dönüştürüyor. Uzman onaylı gerçek fotoğrafları yaşam benzeri sentetik görüntüler ve ayrıntılı açıklamalarla eşleştirerek, veri kümesi bilgisayarlı görme sistemlerine uzun zaman dilimleri ve uzak bölgeler boyunca bireysel vaşakları tespit etme, izleme ve tanıma öğrenmeleri için gereken her şeyi sağlıyor. Koruma uzmanları için daha güvenilir otomatik araçlar, nüfus büyüklüğü, hayatta kalma ve hareket hakkında daha hızlı güncellemeler anlamına gelebilir—bunların tümü sorunları erken fark etmek, koruma önlemlerini hedeflemek ve Avrupa’nın simgesel yaban kedilerinden birinin uzun vadeli iyileşmesini desteklemek için hayati öneme sahiptir.

Atıf: Picek, L., Straka, J., Jirik, M. et al. CzechLynx: A Dataset for Individual Identification and Pose Estimation of the Eurasian Lynx. Sci Data 13, 511 (2026). https://doi.org/10.1038/s41597-026-06853-9

Anahtar kelimeler: Avrasya vaşağı, kamera tuzakları, yaban hayatı izleme, bilgisayarlı görme, sentetik veri