Bilgisayarlı görüyle OpenStreetMap’in harita özelliklerini hayata geçirmek

• Mozilla.ai, yapay zekanın açık iş birliği yoluyla toplulukları güçlendirmek için pek çok fırsat sunduğuna inanıyor.
• Bu fırsatların dikkatle tasarlanması gerekiyor ve yapay zekanın aşırı kullanımına yönelik endişeler artıyor.
• Bu bağlamda OpenStreetMap AI Helper Blueprint geliştirildi ve yayımlandı.
• Neden OpenStreetMap?
  • Veri, yapay zeka uygulamalarının önemli bir bileşenidir ve OpenStreetMap, en kapsamlı açık harita veritabanını sürdüren aktif bir topluluğa sahiptir.
  • OpenStreetMap; yollar, tren istasyonları gibi çeşitli veriler sağlar ve uydu görüntüleriyle birleştirildiğinde farklı yapay zeka modellerini eğitmek için sınırsız olasılık sunar.
  • Amaç, harita oluşturma sürecinin yavaş kısımlarını yapay zeka ile hızlandırırken kritik noktalarda insan doğrulamasını korumaktır.
• Neden bilgisayarlı görü?
  • Pek çok harita özelliği çokgenlerle temsil edilir ve bunları bulup çizmek zaman alır.
  • Bilgisayarlı görü modelleri, yeterli veri sağlandığında bu işleri kolayca yapabilir.
  • Nesne algılama ve segmentasyon görevleri için YOLOv11 ve SAM2 modelleri kullanılıyor; bu modeller hafif, hızlı ve yerel çalışmaya uygun.
• OpenStreetMap AI Helper Blueprint
  • 1. adım: OpenStreetMap’ten nesne algılama veri kümesi oluşturma
    • OpenStreetMap verileri uydu görüntüleriyle birleştirilerek eğitime uygun bir formata dönüştürülür.
    • İlgi alanına ait veriler Nominatim API ve Overpass API kullanılarak indirilir ve Ultralytics YOLO formatında kaydedilir.
  • 2. adım: Nesne algılama modelini ince ayarlama
    • YOLOv11 modeli ince ayarlanır ve Hugging Face Hub’a yüklenir.
  • 3. adım: OpenStreetMap’e katkıda bulunma
    • İnce ayarlanmış model kullanılarak birden çok döşeme üzerinde çıkarım çalıştırılır, yeni nesneler elle doğrulandıktan sonra OpenStreetMap’e yüklenir.
• Son düşünceler
  • OpenStreetMap, topluluk öncülüğünde bir dünya haritası oluşturmanın güçlü bir açık iş birliği örneğidir.
  • OpenStreetMap AI Helper Blueprint, yapay zekanın insan katkılarını geliştirebileceğini gösterirken yüksek kaliteli verinin değerini de vurgular.
  • Blueprint kullanıldığında, aynı sürede elle yapılan çalışmaya kıyasla yaklaşık 5 kat daha fazla yüzme havuzu haritalanabilir.
  • Diğer harita özellikleri için model eğitimi denemeleri yapılması teşvik ediliyor; ayrıca projeye katkı sağlanabilir veya proje genişletilebilir.

[depth221]

Araştırınca, Map Feature’ın genelde (harita) coğrafi unsur olarak çevrildiğini gördüm.

[GN⁺]

Hacker News görüşleri

• OpenStreetMap Foundation'dan selamlar. Yapay zeka ile tespit edilen özellikler doğrudan veritabanına eklenmemeli

  • Algoritmaların yanlış pozitif sorunu var ve düz çizgili veya dikdörtgen nesneleri yalpalıyormuş gibi haritalama eğilimindeler
  • Eksik özellikleri tespit eden bir araç olarak faydalı, ancak tespit edilen nesnelerin doğru çizilip çizilmediğini doğrulamak için insan müdahalesi gerekiyor
  • İlgili yönergeler OpenStreetMap wiki'sinde bulunabilir

• Yüzme havuzu tespitinden sonra güneş paneli tespitini de denemek isterim

  • OSM'nin yalnızca elle büyüyebileceği fikrine karşı çıkan çok kişi var
  • 10 yılda 60.000 değişiklik yaptım, ancak insan gönüllülerin tutkusu tek başına küresel ölçekte haritalama sorununu çözemez
  • Verinin kalitesi, kaynağı, hata raporlama yöntemi ve tüketici yönergelerinin not edilebildiği ölçeklenebilir bir çerçeveye ihtiyaç var
  • Örneğin, "son 1 yıl içinde insanlar tarafından haritalanan X türü işletmeler"i sorgulamak isteyebilirsiniz; bu, "kontrol tarihi" ile bir ölçüde mümkün
  • Ancak özniteliklerin ne kadar doğru olduğunu ya da haritalayıcının yalnızca adı/konumu mu doğruladığını bilemezsiniz
  • Veriyi her ay otomatik olarak güncel tutmak için tüm yerlerin çalışma saatlerini toplamak daha iyi olabilir
  • Belirli güvenilir kaynakları filtreleyebilseydiniz, veri tüketicisi olarak bu daha iyi olabilirdi
  • Yapay zeka ile çıkarılmış POI'ler gibi sınırlamalar olsa bile veri kullanılabilir

• Otomatik haritalamayı bizzat deneyimledikten sonra buna karşı çok temkinli oldum

  • Güney Amerika'da motosikletle seyahat ettim ve OSM'de otomatikleştirilmiş gibi görünen çok sayıda düzenleme vardı; bu yüzden bazı bölgelerde neredeyse kullanılamaz durumda
  • Bu yalnızca kırsal yollarda değil, oldukça büyük şehirlerde de görülüyor

• Birkaç yıl önce bu alanda çalışma deneyimim oldu

  • Çok sayıda mevcut model, veri kümesi, araç vb. var
  • İlgili materyaller GitHub'da bulunabilir

• Biz uydu görüntülerinde görünen şeyi değil, yerdeki gerçek bilgiyi haritalıyoruz

  • Yapay zekanın hayal ettiği şeyleri katkı olarak eklememeliyiz

• Google buna izin vermiyor, ancak Mapbox ticari olmayan amaçlar veya OSM'de kullanım söz konusuysa izin veriyor

  • Mapbox'ın uydu görüntülerini kullanarak türetilmiş vektör veri kümeleri oluşturabilirsiniz

• Keşke Mozilla iyi bir tarayıcı yapmaya odaklansa

• Birkaç ay önce benzer bir çalışma yaptım (küçük ölçekli coğrafi veri)

  • İlgili materyaller GitHub'da bulunabilir

• Havuzları veya güneş paneli dizilerini tespit etmek için SAM/2'nin nasıl fine-tune edildiğine dair ayrıntıları görmek isterim

  • Topluluk dayanıklılığı projeleri için faydalı, ancak SAM2 fine-tuning sürecini takip edemedim
  • Yolov8 modeli güneş panellerini iyi buluyor ve segmentliyor, ancak kenarlar çok kötü olduğu için çok fazla çalışma gerekiyor
  • SAM2 ile eğitilmiş sonuçlar çok daha iyi görünüyor
  • Doğruluk sorunları nedeniyle bunu OSM'ye eklemezdim, ama başka yerlerde kullanılabilir

• Buna eskiden 'head-up digitizing' deniyordu