Uydu Görüntülerinden Su Kütlesi Tespiti (Water Body Segmentation)

Bu proje, uydu görüntülerinden su alanlarını tespit etmek için U-Net derin öğrenme modelini kullanır.

1. Kurulum (Setup)

1. Projeyi bilgisayarınıza indirin.
2. Gerekli kütüphaneleri kurun:

   pip install -r requirements.txt

   Not: Eğer NVIDIA ekran kartınız varsa, PyTorch'un GPU versiyonunu kurmanız önerilir. (Bakınız: pytorch.org)

2. Veri Hazırlığı (Data Preparation)

GitHub deposunda dosya boyutunu düşük tutmak için işlenmiş veri seti (dataset_processed) bulunmamaktadır. Aşağıdaki adımları takip ederek veriyi kendiniz hazırlamalısınız.

1. Ham Veriyi İndirin: GID (Gaofen Image Dataset) verilerini projenin ana dizinindeki data/ klasörüne koyun. (Eğer data klasörü yoksa oluşturun).

   Klasör yapısı tam olarak şöyle görünmelidir:

   data/
   ├── GID-img-1/     (Orijinal görüntüler burada olmalı)
   ├── GID-img-2/     (Varsa diğer parça)
   ├── ...
   └── GID-label/     (Renkli etiket/maske dosyaları burada olmalı)
   

2. Veriyi İşleyin: Aşağıdaki komutu çalıştırarak eğitim için gerekli olan siyah-beyaz maskeleri ve klasör düzenini otomatik oluşturun:

   python prepare_dataset.py

   ⏳ Bu işlem bilgisayar hızınıza göre 5-15 dakika sürebilir.

   İşlem bittiğinde dataset_processed/ adında yeni bir klasör oluşacak ve içinde images ile masks klasörleri yer alacaktır.

3. Eğitim (Training)

Modeli eğitmek için:

python train.py

• Kod otomatik olarak veriyi %80 Eğitim, %20 Test olarak ayırır.
• Eğitim bittiğinde (veya her iyileşmede) en iyi model best_model.pth olarak kaydedilecektir.
• Eğer eğitim çok uzun sürerse train.py içindeki EPOCHS sayısını düşürebilirsiniz.

4. Tahmin (Prediction)

Modeli test etmek ve yeni görüntülerde su tespiti yapmak için:

1. best_model.pth dosyasının olduğundan emin olun.
2. predict.py dosyasını açıp TEST_IMG_DIR değişkenine test etmek istediğiniz resimlerin klasör yolunu yazın.
3. Kodu çalıştırın:

   python predict.py

4. Sonuçlar (siyah-beyaz maskeler) predictions/ klasörüne kaydedilir.