Kore’de istilacı kaplumbağaların erken tespiti için derin öğrenme modellerinin performansını artırmak amacıyla hiperparametre optimizasyonu

Neden daha akıllı kaplumbağa tespiti önemli

Tatlı su kaplumbağaları kayada güneşlenirken zararsız görünebilir, ancak yabancı türler nehirleri ve göletleri ele geçirdiğinde yerel yaban hayatını sessizce yok olma sınırına itebilirler. Kore şu anda evcil hayvan pazarından gelen ticaret ve salımlarla yayılan birkaç istilacı kaplumbağa türüyle bu sorunu yaşıyor. Burada özetlenen çalışma, yapay zekâyı—özellikle derin öğrenme modellerini—ince ayarlamanın otomatik kaplumbağa tespitini nasıl daha hızlı ve daha doğru hale getirebileceğini gösteriyor; bu da ekosistemler geri döndürülemez şekilde zarar görmeden önce korumacıların elinde güçlü bir erken uyarı aracı sağlıyor.

Yerel sulardaki istenmeyen misafirler

Kızıl kulaklı kaydırıcı gibi istilacı kaplumbağalar, küresel vahşi yaşam ticareti yoluyla Asya genelinde tanıtıldı. Salındıklarında, yerli hayvanlarla yiyecek ve güneşlenme alanları için rekabet eder, hastalıkları yayabilir ve genellikle yerli türlerden daha iyi ısınma koşullarına uyum sağlayabilirler. Kore, altı tatlı su kaplumbağa türünü istilacı veya yüksek riskli olarak sınıflandırıyor. Onları erken bulmak kritik öneme sahip, ancak geleneksel izleme uzmanların birçok sulak alanı ziyaret edip fotoğrafları dikkatle incelemesine dayanıyor—doğru ama yavaş ve ölçeği sınırlı bir yöntem. Drone’lar, kamera tuzakları ve iNaturalist gibi vatandaş bilimi platformları daha fazla görüntü ürettikçe, otomatik görüntü analizi hızla vazgeçilmez hale geldi.

Bilgisayarlara kaplumbağaları tanıtmak

Araştırmacılar hem fotoğraflarda istilacı kaplumbağaların yerini bulabilen hem de altı türü ayırt edebilen bir derin öğrenme modeli geliştirmeyi amaçladı. iNaturalist’ten binlerce vatandaş bilimi görüntüsü topladılar ve her birini dikkatle yeniden kontrol ederek yanlış tanımlamaları ve kötü kalitedeki çekimleri çıkardılar. Her kullanılabilir görüntü için modele kaplumbağaların nerede göründüğünü ve nasıl göründüğünü öğretmek üzere kutular çizdiler. Nihai veri seti eğitim, doğrulama ve test olarak bölündü ve modelin gerçek dünya koşullarına dayanıklı olması için değişken aydınlatma, arka planlar ve görüntüleme açıları içeriyordu.

Modeli eğitmenin en iyi yolunu bulmak

Takım, hız ve doğruluk arasında denge sağlayan kompakt bir sürümü seçerek YOLO11 adlı popüler bir nesne tespit çerçevesi kullandı. Ancak yazılımın—araba ve fincan gibi sıradan nesneler üzerinde öntanımlı olarak ayarlanmış—varsayılan eğitim ayarlarını kabul etmek yerine basit bir soru sordular: kaplumbağalar için daha iyisini yapabilirler miydi? İlk olarak, model öğrenirken iç ağırlıkları ayarlayan rutinler olan altı farklı “optimizörü” karşılaştırdılar. Bunlardan ikisi zayıf performans gösterdi veya kararsızlaştı; klasik bir yöntem olan stokastik gradyan inişi (SGD) ise en güvenilir iyileşmeleri sağlayarak ayrılmış görüntü setinde en yüksek puanları verdi.

En iyi optimizör seçildikten sonra araştırmacılar 16 eğitim ayarı yani hiperparametreyle uğraştı. Bunlar modelin ne kadar hızlı öğrendiğini, aşırı uyumdan (overfitting) ne kadar kaçındığını ve eğitim sırasında genelleştirmeyi artırmak için görüntülerin rastgele nasıl değiştirildiğini kontrol eder. Makul aralıklardan örneklenen 300 farklı kombinasyonu test ettikleri rastgele arama stratejisiyle, genel tespit ve sınıflandırma performansını maksimize eden bir yapı aradılar. Öne çıkan ayarlarda belirgin değişimler oldu: tür etiketinin doğruluğuna verilen önem artırıldı, aşırı uyumu azaltmak için düzenleme (regularization) güçlendirildi, veri artırmadaki parlaklık değişiklikleri azaltıldı ve yapay görüntülerin gerçek fotoğraflara daha yakın kalması için karmaşık bir görüntü karıştırma tekniğinin kullanımı azaltıldı.

Daha keskin gözler, daha az karışıklık

Toz dindiğinde, optimize edilmiş model varsayılan ayarlarla eğitilmiş bir sürümü açıkça geride bıraktı. Sistemin kaplumbağaları bulma ve doğru etiketleme başarısını ölçmek için çalışma ortalama ortalama hassasiyet (mean average precision) adı verilen bir puan kullandı. Yaygın kullanılan bir eşleştirme eşiğinde bu puan 0,959’dan 0,973’e yükseldi ve daha zorlu bir eşik aralığında 0,815’ten 0,841’e çıktı. Tür düzeyindeki genel sınıflandırma doğruluğu ise %89,9’dan %92,7’ye yükseldi. Özellikle benzer görünen türler arasındaki karışıklığın azalması çarpıcıydı: örneğin varsayılan modelde sıkça başka bir tür olarak okunmuş bir kaplumbağa, optimizasyondan sonra çok daha sık doğru şekilde tanımlandı. Bu kazanımlar neredeyse hiç ek eğitim süresi gerektirmedi ve yeni görüntüleri işlerken yalnızca çok küçük bir yavaşlama getirdi.

Vahşi yaşamın korunması açısından ne anlama geliyor

Bir uzmanın dışında rakamlar, bilgisayarların dağınık, gerçek dünya fotoğraflarında doğru kaplumbağaları fark etme ve zor türleri ayırt etme konusunda belirgin şekilde daha iyi hâle geldiğini gösteriyor. Modelin nasıl öğrendiğini dikkatle seçerek—genel ayarlara güvenmek yerine—yazarlar, yeni veri toplamak veya tamamen yeni algoritmalar geliştirmek zorunda kalmadan istilacı türlerin erken tespit sistemlerinin daha doğru hâle getirilebileceğini gösteriyor. Kamera tuzaklarında, dronlarda veya vatandaş bilimi fotoğraf akışlarında konuşlandırıldığında, bu tür optimize edilmiş modeller yöneticilere istilacı kaplumbağalar ortaya çıktığında veya yayıldığında daha erken uyarı verebilir, böylece yerli yaban hayatını ve tatlı su ekosistemlerinin sağlığını korumaya yardımcı olabilir.

Atıf: Baek, JW., Kim, JI., Mun, MH. et al. Hyperparameter optimization to enhance the performance of deep learning models for the early detection of invasive turtles in Korea. Sci Rep 16, 7561 (2026). https://doi.org/10.1038/s41598-026-37636-2

Anahtar kelimeler: istilacı kaplumbağalar, derin öğrenme, vahşi yaşam izleme, hiperparametre optimizasyonu, biyoçeşitliliğin korunması