User Documentation

Das Projekt zielt darauf ab, die Verbreitung von Wüstenpflastern mithilfe von Social-Media-Daten von Flickr und KI-gestützter Bildklassifikation mittels GroundingDINO zu erfassen.

Inhaltsverzeichnis

1. Technische Anforderungen
2. Installationsanleitung
3. Ordnerstruktur
4. Skript-Dokumentation - extract_coordinates.py - photo_download.py - color_detection_multiple.py - desertpavement_prediction_multiple.py
5. Togglebare Variablen
6. Lizenzinformationen

Technische Anforderungen

• Python 3.12.x (empfohlen 3.12.8)
• CUDA 11.x (empfohlen 11.7)
• PyTorch 2.5.x (empfohlen 2.5.1)
• NVIDIA GPU mit 3GB VRAM (für GroundingDINO)
• 10 GB freier Festplattenspeicher
• Flickr API-Schlüssel (kostenloses Konto erforderlich)

Installation

1. Grundinstallation:
   • Eine genauere Anleitung zur Installation von GroundingDINO finden Sie im offiziellen Repository
   • Es wird empfohlen, GroundingDINO in das Root-Verzeichnis des Projekts zu klonen.

git clone https://github.com/IDEA-Research/GroundingDINO.git
cd GroundingDINO
pip install -r requirements.txt
python setup.py install

2. Projektabhängigkeiten installieren:

   pip install geopandas folium scikit-learn opencv-python flickrapi python-dotenv

3. Umgebungsvariablen einrichten:

   Erstellen Sie .env-Datei mit Flickr-API-Schlüsseln:

FLICKR_API_KEY="Ihr-Schlüssel"
FLICKR_SECRET_KEY="Ihr-Geheimschlüssel"

Ordnerstruktur

Projekt-Root/

├── in/

│ ├── 1976-2000.shp # Klimaklassifikations-Shapefile

│ └── FlickrAPI_keys.env # API-Schlüssel

├── out/

│ ├── downloaded_photos/ # Rohbilder von Flickr

│ ├── possible_desert_pavements/ # RGB-gefilterte Bilder

│ └── annotated_*/ # KI-klassifizierte Ergebnisse

├── output/ # Generierte Bounding-Boxes

└── GroundingDINO/ # Clone des offiziellen Repositories

Skript-Dokumentation

extract_coordinates.py

Funktion: Extrahiert Bounding-Boxes aus Klimazonen-Shapefiles

1. Input: - Shapefile: in/1976-2000.shp - Klimazonen-Codes (GRIDCODE 21=BWh, 22=BWk)
2. Output: - CSV: output/bounding_boxes.csv - Interaktive Karte: output/bounding_boxes_map.html
3. Ausführung: python scripts/extract_coordinates.py

photo_download.py

Funktion: Lädt Bilder von Flickr herunter

1. Konfiguration: - Suchbegriff: "desert pavement" - Max. Downloads: 68,000 (anpassbar über DOWNLOAD_LIMIT) - Die Flickr API ist limitiert auf 3600 Anfragen pro Stunde
2. Output: - Bilder: out/downloaded_photos/*.jpg - Metadaten: out/data.json
3. Ausführung: python scripts/photo_download.py

color_detection_multiple.py

Funktion: RGB-basierte Vorauswahl

1. Input: - Bilder: out/downloaded_photos/
2. Output: - Positivfälle: out/possible_desert_pavements/ - Negativfälle: out/no_desert_pavement/
3. Parameter: - Farbtoleranz: 50% (Zeile 96: desert_percentage > 50)
4. Ausführung: python scripts/color_detection_multiple.py

desertpavement_prediction_multiple.py

Funktion: KI-gestützte Objekterkennung

1. Input: - Bilder: out/possible_desert_pavements/
2. Output: - Annotierte Bilder: out/annotated_desert_pavements/ - Log-Daten: groundingdino_scripts/logits_phrases_all.json
3. Wichtige Parameter (Zeilen 30-35): TEXT_PROMPT = "road markings . desert pavement ..." # Suchbegriffe BOX_THRESHOLD = 0.35 # Minimale Box-Konfidenz TEXT_THRESHOLD = 0.25 # Minimale Text-Konfidenz
4. Ausführung: python scripts/desertpavement_prediction_multiple.py

Togglebare Variablen

1. photo_download.py:

2. desertpavement_prediction_*.py:

3. color_detection_*.py:

4. desertpavement_prediction_multiple.py:

In einigen Skripts finden sich zusätzlich DEBUG-Flags zur Fehlerdiagnose.

Lizenz

Dieses Projekt verwendet GroundingDINO, ursprünglich entwickelt von IDEA Research, lizenziert unter der Apache-Lizenz, Version 2.0. Eigenentwickelte Skripte stehen unter MIT-Lizenz. Beachten Sie die Flickr-Nutzungsbedingungen für heruntergeladene Bilder.

Copyright 2024 - Projektteam Geoinformatik, FSU Jena