API src

Found 1506 results.

Related terms

Lagerstätten Kalke (Rohstoffverbreitung)

Oberflächennahe Rohstoffverbreitung und erkundete Lagerstätten der Landesfläche M-V und des angrenzenden Ostseegrundes im Maßstab 1:50.000 Karte der oberflächennahen Rohstoffe Mecklenburg-Vorpommern Maßstab 1:50.000 - Grundkarte A (Rohstoffverbreitung)

Repository der KI-Ideenwerkstatt: robbenblick

# robbenblick A Computer Vision project for object detection and annotation management using YOLOv8, SAHI, and FiftyOne, with the primary aim of counting objects (Robben) in large aerial images. ## Overview This repository provides a complete MLOps pipeline for: * **Data Preparation:** Converting raw CVAT annotations (XML) and large images into a tiled, YOLO-compatible dataset. * **Automated Experiments:** Systematically training and tuning YOLOv8 models. * **Tiled Inference:** Running optimized inference (SAHI) on large, high-resolution images for object counting. * **Evaluation:** Assessing model performance for both detection (mAP) and counting (MAE, RMSE, R²). * **Visualization:** Analyzing datasets and model predictions interactively with FiftyOne. ## Pretrained Model Weights Pretrained model weights are available on Hugging Face: https://huggingface.co/ki-ideenwerkstatt-23/robbenblick/ ## Project Workflow The project is designed to follow a clear, sequential workflow: 1. **Prepare Data (`create_dataset.py`):** Organize your raw images and CVAT `annotations.xml` in `data/raw/` as shown below. ```text data/raw/ ├── dataset_01/ │ ├── annotations.xml │ └── images/ └── dataset_02/ ... ``` Run the script to generate a tiled, YOLO-formatted dataset in `data/processed/` and ground truth count CSVs. 2. **Tune Model (`run_experiments.py`):** Define a set of hyperparameters (e.g., models, freeze layers, augmentation) in `configs/base_iter_config.yaml`. Run the script to train a model for every combination and find the best performer. 3. **Validate Model (`yolo.py`):** Take the `run_id` of your best experiment and run validation on the hold-out `test` set to get **detection metrics (mAP)**. 4. **Infer & Count (`predict_tiled.py`):** Use the best `run_id` to run sliced inference on new, large images. This script generates final counts and visual outputs. 5. **Evaluate Counts (`evaluate_counts.py`):** Compare the `detection_counts.csv` from inference against the `ground_truth_counts.csv` to get **counting metrics (MAE, RMSE)**. 6. **Visualize (`run_fiftyone.py`):** Visually inspect your ground truth dataset or your model's predictions at any stage. ## Configuration This project uses two separate configuration files, managed by `robbenblick.utils.load_config`. * **`configs/base_config.yaml`** * **Purpose:** The single source of truth for **single runs**. * **Used By:** `create_dataset.py`, `predict_tiled.py`, `run_fiftyone.py`, and `yolo.py` (for validation/single-predict). * **Content:** Defines static parameters like data paths (`dataset_output_dir`), model (`model`), and inference settings (`confidence_thresh`). * **`configs/base_iter_config.yaml`** * **Purpose:** The configuration file for **experiments and tuning**. * **Used By:** `run_experiments.py`. * **Content:** Any parameter defined as a **YAML list** (e.g., `model: [yolov8n.pt, yolov8s.pt]`) will be iterated over. `run_experiments.py` will test every possible combination of all lists. ## Environment Setup 1. Clone the repository: ```sh git clone git@github.com:ki-iw/robbenblick.git cd robbenblick ``` 2. Create the Conda environment: ```sh conda env create --file environment.yml conda activate RobbenBlick ``` 3. (Optional) Install pre-commit hooks: ```sh pre-commit install ``` ## Core Scripts & Usage ### `create_dataset.py` * **Purpose:** Converts raw CVAT-annotated images and XML files into a YOLO-compatible dataset, including tiling and label conversion. * **How it works:** * Loads configuration from a config file. * Scans `data/raw/` for dataset subfolders. * Parses CVAT XML annotations and extracts polygons. * Tiles large images into smaller crops based on `imgsz` and `tile_overlap` from the config. * Converts polygon annotations to YOLO bounding box format for each tile. * Splits data into `train`, `val`, and `test` sets and writes them to `data/processed/dataset_yolo`. * Saves a `ground_truth_counts.csv` file in each raw dataset subfolder, providing a baseline for counting evaluation. * **Run:** ```sh # Do a 'dry run' to see statistics without writing files python -m robbenblick.create_dataset --dry-run --config configs/base_config.yaml # Create the dataset, holding out dataset #4 as the test set python -m robbenblick.create_dataset --config configs/base_config.yaml --test-dir-index 4 ``` * **Key Arguments:** * `--config`: Path to the `base_config.yaml` file. * `--dry-run`: Run in statistics-only mode. * `--test-dir-index`: 1-based index of the dataset subfolder to use as a hold-out test set. * `--val-ratio`: Ratio of the remaining data to use for validation. ### `run_experiments.py` * **Purpose:** **This is the main training script.** It automates hyperparameter tuning by iterating over parameters defined in `base_iter_config.yaml`. * **How it works:** * Finds all parameters in the config file that are lists (e.g., `freeze: [None, 10]`). * Generates a "variant" for every possible combination of these parameters. * For each variant, it calls `yolo.py --mode train` as a subprocess with a unique `run_id`. * After all runs are complete, it reads the `results.csv` from each run directory, sorts them by `mAP50`, and prints a final ranking table. * **Run:** ```sh # Start the experiment run defined in the iteration config python -m robbenblick.run_experiments --config configs/base_iter_config.yaml # Run experiments and only show the top 5 results python -m robbenblick.run_experiments --config configs/base_iter_config.yaml --top-n 5 ``` ### `predict_tiled.py` * **Purpose:** **This is the main inference script.** It runs a trained YOLOv8 model on new, full-sized images using Sliced Aided Hyper Inference (SAHI). * **How it works:** * Loads a trained `best.pt` model specified by the `--run_id` argument. * Loads inference parameters (like `confidence_thresh`, `tile_overlap`) from the `base_config.yaml`. * Uses `get_sliced_prediction` from SAHI to perform tiled inference on each image. * Saves outputs, including visualized images (if `--save-visuals`), YOLO `.txt` labels (if `--save-yolo`), and a `detection_counts.csv` file. * **Run:** ```sh # Run inference on a folder of new images and save the visual results python -m robbenblick.predict_tiled \ --config configs/base_config.yaml \ --run_id "best_run_from_experiments" \ --source "data/new_images_to_count/" \ --output-dir "data/inference_results/" \ --save-visuals ``` ### `evaluate_counts.py` * **Purpose:** Evaluates the *counting* performance of a model by comparing its predicted counts against the ground truth counts. * **How it works:** * Loads the `ground_truth_counts.csv` generated by `create_dataset.py`. * Loads the `detection_counts.csv` generated by `predict_tiled.py`. * Merges them by `image_name`. * Calculates and prints key regression metrics (MAE, RMSE, R²) to assess the accuracy of the object counting. * **Run:** ```sh # Evaluate the counts from a specific run python -m robbenblick.evaluate_counts \ --gt-csv "data/raw/dataset_02/ground_truth_counts.csv" \ --pred-csv "data/inference_results/detection_counts.csv" ``` ### `yolo.py` * **Purpose:** The core engine for training, validation, and standard prediction. This script is called by `run_experiments.py` for training. You can use it directly for validation. * **How it works:** * `--mode train`: Loads a base model (`yolov8s.pt`) and trains it on the dataset specified in the config. * `--mode validate`: Loads a *trained* model (`best.pt` from a run directory) and validates it against the `test` split defined in `dataset.yaml`. This provides **detection metrics (mAP)**. * `--mode predict`: Runs standard (non-tiled) YOLO prediction on a folder. * **Run:** ```sh # Validate the 'test' set performance of a completed run python -m robbenblick.yolo \ --config configs/base_config.yaml \ --mode validate \ --run_id "best_run_from_experiments" ``` ### `run_fiftyone.py` * **Purpose:** Visualizes datasets and predictions using FiftyOne. * **How it works:** * `--dataset groundtruth`: Loads the processed YOLO dataset (images and ground truth labels) from `data/processed/`. * `--dataset predictions`: Loads images, runs a specified model (`--run_id`) on them, and displays the model's predictions. * **Run:** ```sh # View the ground truth annotations for the 'val' split python -m robbenblick.run_fiftyone \ --config configs/base_config.yaml \ --dataset groundtruth \ --split val \ --recreate # View the predictions from 'my_best_run' on the 'test' split python -m robbenblick.run_fiftyone \ --config configs/base_config.yaml \ --dataset predictions \ --split test \ --run_id "my_best_run" \ --recreate ``` ### `streamlit_app.py` * **Purpose:** Quick test runs with the trained model of your choice for counting the seals in the image(s) and visualization. * **How it works:** * Loads the selected YOLO model from `runs/detect/`. * Upload images, run model, then displays the counts and model's predictions as image visualization. * **Run:** ```sh # View the ground truth annotations for the 'val' split export PYTHONPATH=$PWD && streamlit run robbenblick/streamlit_app.py ``` ## Recommended Full Workflow 1. **Add Raw Data:** * Place your first set of images and annotations in `data/raw/dataset_01/images/` and `data/raw/dataset_01/annotations.xml`. * Place your second set (e.g., from a different location) in `data/raw/dataset_02/images/` and `data/raw/dataset_02/annotations.xml`. 2. **Create Dataset:** * Run `python -m robbenblick.create_dataset --dry-run` to see your dataset statistics. Note the indices of your datasets. * Let's say `dataset_02` is a good hold-out set. Run: `python -m robbenblick.create_dataset --config configs/base_config.yaml --test-dir-index 2` * This creates `data/raw/dataset_02/ground_truth_counts.csv` for later. 3. **Find Best Model:** * Edit `configs/base_iter_config.yaml`. Define your experiments. ```yaml # Example: Test two models and two freeze strategies model: ['yolov8s.pt', 'yolov8m.pt'] freeze: [None, 10] yolo_hyperparams: scale: [0.3, 0.5] ``` * Run the experiments: `python -m robbenblick.run_experiments`. * Note the `run_id` of the top-ranked model, e.g., `iter_run_model_yolov8m.pt_freeze_10_scale_0.3`. 4. **Validate on Test Set (Detection mAP):** * Check your best model's performance on the unseen test data: `python -m robbenblick.yolo --mode validate --run_id "iter_run_model_yolov8m.pt_freeze_10_scale_0.3" --config configs/base_config.yaml` * This tells you how well it *detects* objects (mAP). 5. **Apply Model for Counting:** * Get a new folder of large, un-annotated images (e.g., `data/to_be_counted/`). * Run `predict_tiled.py`: `python -m robbenblick.predict_tiled --run_id "iter_run_model_yolov8m.pt_freeze_10_scale_0.3" --source "data/to_be_counted/" --output-dir "data/final_counts/" --save-visuals` * This creates `data/final_counts/detection_counts.csv`. 6. **Evaluate Counting Performance (MAE, RMSE):** * Now, compare the predicted counts (Step 5) with the ground truth counts (Step 2). Let's assume your "to_be_counted" folder *was* your `dataset_02`. `python -m robbenblick.evaluate_counts --gt-csv "data/raw/dataset_02/ground_truth_counts.csv" --pred-csv "data/final_counts/detection_counts.csv"` * This gives you the final MAE, RMSE, and R² metrics for your **counting task**. ## Additional Notes This repository contains only the source code of the project. The training data and the fine-tuned model weights are not included or published. The repository is currently not being actively maintained. Future updates are not planned at this time. For transparency, please note that the underlying model used throughout this project is based on **YOLOv8 by Ultralytics**. ## License Copyright (c) 2025 **Birds on Mars**. This project is licensed under the **GNU Affero General Public License v3.0 (AGPL-3.0)**. This aligns with the license of the underlying **YOLOv8** model architecture used in this project. Please note: **Training data and fine-tuned model weights are not part of the licensed materials** and are not included in this repository. For full details, see the LICENSE file. ## Troubleshooting ### FiftyOne: images (partially) not visible Try using `--recreate` flag to force FiftyOne to reload the dataset: ```sh python robbenblick/run_fiftyone.py --dataset groundtruth --split val --recreate ``` ### FiftyOne: failed to bind port If you get: ``` fiftyone.core.service.ServiceListenTimeout: fiftyone.core.service.DatabaseService failed to bind to port ``` Try killing any lingering `fiftyone` or `mongod` processes: ```sh pkill -f fiftyone pkill -f mongod Then rerun your script. ``` # Collaborators The code for this project has been developed through a collaborative effort between [WWF Büro Ostsee](https://www.wwf.de/themen-projekte/projektregionen/ostsee) and [KI-Ideenwerkstatt](https://www.ki-ideenwerkstatt.de), technical implementation by [Birds on Mars](https://birdsonmars.com). <p></p> <a href="https://ki-ideenwerkstatt.de" target="_blank" rel="noopener noreferrer"> <img src="assets/kiiw.jpg" alt="KI Ideenwerkstatt" height="100"> </a> <p></p> Technical realization <br> <a href="https://birdsonmars.com" target="_blank" rel="noopener noreferrer"> <img src="assets/bom.jpg" alt="Birds On Mars" height="100"> </a> <p></p> An AI initiative by <br> <a href="https://www.bundesumweltministerium.de/" target="_blank" rel="noopener noreferrer"> <img src="assets/bmukn.svg" alt="Bundesministerium für Umwelt, Klimaschutz, Naturschutz und nukleare Sicherheit" height="100"> </a> <p></p> In the context of <br> <a href="https://civic-coding.de" target="_blank" rel="noopener noreferrer"> <img src="assets/civic.svg" alt="Civic Coding" height="100"> </a>

Karte der oberflächennahen Rohstoffe der Bundesrepublik Deutschland 1:200.000 (KOR200) - CC 4702 Düsseldorf

Die Karte oberflächennaher Rohstoffe 1:200.000 (KOR 200) ist ein Kartenwerk, das gemeinsam von der Bundesanstalt für Geowissenschaften und Rohstoffe und den Staatlichen Geologischen Diensten der Länder (SGD) im Auftrag des Bundesministers für Wirtschaft und Arbeit auf Beschluss der Länderwirtschafts­minister vom 22. Juni 1984 erarbeitet wird. Das Kartenwerk folgt dem Blattschnitt der topographischen Übersichtskarte 1:200.000 (TÜK 200) und besteht aus 55 Kartenblättern mit jeweils einem Erläuterungsheft. Es erfolgt eine Bestandsaufnahme, Beschreibung, Darstellung und Dokumentation der Vorkommen und Lagerstätten von mineralischen Rohstoffe, die üblicherweise im Tagebau bzw. an oder nahe der Erdoberfläche gewonnen werden. Im Besonderen sind dies Industrieminerale, Steine und Erden, Torfe, Braunkohle, Ölschiefer und Solen. Die Darstellung der oberflächennahen Rohstoffe und die zusätzlichen schriftlichen Informationen sind für die Erarbeitung überregionaler, bundesweiter Planungsunterlagen, die die Nutzung oberflächennaher mineralischer Rohstoffe berühren, unentbehrlich. Auf der Karte sind neben den umgrenzten, je nach Rohstoff farblich unterschiedlich dargestellten Lagerstätten- bzw. Rohstoffflächen "Abbaustellen" (=Betriebe) bzw. "Schwerpunkte mehrerer Abbaustellen" mit je einem Symbol dargestellt. Die Eintragungen in der Karte werden ergänzt durch Texterläuterungen. Die Erläuterungsbände haben üblicherweise einen Umfang von 40 - 80 Seiten und sind derzeit nur in der gedruckten Ausgabe der Karte verfügbar. Der Text ist gegliedert in: - Einführung - Beschreibung der Lagerstätten und Vorkommen nutzbarer Gesteine - Rohstoffwirtschaftliche Bewertung der Lagerstätten und Vorkommen oberflächennaher Rohstoffe im Blattgebiet - Verwertungsmöglichkeiten der im Blattgebiet vorkommenden nutzbaren Gesteine - Schriftenverzeichnis - Anhang (u. a. mit Generallegende und Blattübersicht) Die KOR 200 stellt somit die Rohstoffpotentiale in Deutschland in bundesweit vergleichbarer Weise dar und liefert eine Grundlage für künftige Such- und Erkundungsarbeiten sowie einen Beitrag zur Sicherung der Rohstoffversorgung.

Karte der oberflächennahen Rohstoffe der Bundesrepublik Deutschland 1:200.000 (KOR200) - CC 3950 Frankfurt (Oder)

Die Karte oberflächennaher Rohstoffe 1:200.000 (KOR 200) ist ein Kartenwerk, das gemeinsam von der Bundesanstalt für Geowissenschaften und Rohstoffe und den Staatlichen Geologischen Diensten der Länder (SGD) im Auftrag des Bundesministers für Wirtschaft und Arbeit auf Beschluss der Länderwirtschafts­minister vom 22. Juni 1984 erarbeitet wird. Das Kartenwerk folgt dem Blattschnitt der topographischen Übersichtskarte 1:200.000 (TÜK 200) und besteht aus 55 Kartenblättern mit jeweils einem Erläuterungsheft. Es erfolgt eine Bestandsaufnahme, Beschreibung, Darstellung und Dokumentation der Vorkommen und Lagerstätten von mineralischen Rohstoffe, die üblicherweise im Tagebau bzw. an oder nahe der Erdoberfläche gewonnen werden. Im Besonderen sind dies Industrieminerale, Steine und Erden, Torfe, Braunkohle, Ölschiefer und Solen. Die Darstellung der oberflächennahen Rohstoffe und die zusätzlichen schriftlichen Informationen sind für die Erarbeitung überregionaler, bundesweiter Planungsunterlagen, die die Nutzung oberflächennaher mineralischer Rohstoffe berühren, unentbehrlich. Auf der Karte sind neben den umgrenzten, je nach Rohstoff farblich unterschiedlich dargestellten Lagerstätten- bzw. Rohstoffflächen "Abbaustellen" (=Betriebe) bzw. "Schwerpunkte mehrerer Abbaustellen" mit je einem Symbol dargestellt. Die Eintragungen in der Karte werden ergänzt durch Texterläuterungen. Die Erläuterungsbände haben üblicherweise einen Umfang von 40 - 80 Seiten und sind derzeit nur in der gedruckten Ausgabe der Karte verfügbar. Der Text ist gegliedert in: - Einführung - Beschreibung der Lagerstätten und Vorkommen nutzbarer Gesteine - Rohstoffwirtschaftliche Bewertung der Lagerstätten und Vorkommen oberflächennaher Rohstoffe im Blattgebiet - Verwertungsmöglichkeiten der im Blattgebiet vorkommenden nutzbaren Gesteine - Schriftenverzeichnis - Anhang (u. a. mit Generallegende und Blattübersicht) Die KOR 200 stellt somit die Rohstoffpotentiale in Deutschland in bundesweit vergleichbarer Weise dar und liefert eine Grundlage für künftige Such- und Erkundungsarbeiten sowie einen Beitrag zur Sicherung der Rohstoffversorgung.

Karte der oberflächennahen Rohstoffe der Bundesrepublik Deutschland 1:200.000 (KOR200) - CC 4742 Riesa

Die Karte oberflächennaher Rohstoffe 1:200.000 (KOR 200) ist ein Kartenwerk, das gemeinsam von der Bundesanstalt für Geowissenschaften und Rohstoffe und den Staatlichen Geologischen Diensten der Länder (SGD) im Auftrag des Bundesministers für Wirtschaft und Arbeit auf Beschluss der Länderwirtschafts­minister vom 22. Juni 1984 erarbeitet wird. Das Kartenwerk folgt dem Blattschnitt der topographischen Übersichtskarte 1:200.000 (TÜK 200) und besteht aus 55 Kartenblättern mit jeweils einem Erläuterungsheft. Es erfolgt eine Bestandsaufnahme, Beschreibung, Darstellung und Dokumentation der Vorkommen und Lagerstätten von mineralischen Rohstoffe, die üblicherweise im Tagebau bzw. an oder nahe der Erdoberfläche gewonnen werden. Im Besonderen sind dies Industrieminerale, Steine und Erden, Torfe, Braunkohle, Ölschiefer und Solen. Die Darstellung der oberflächennahen Rohstoffe und die zusätzlichen schriftlichen Informationen sind für die Erarbeitung überregionaler, bundesweiter Planungsunterlagen, die die Nutzung oberflächennaher mineralischer Rohstoffe berühren, unentbehrlich. Auf der Karte sind neben den umgrenzten, je nach Rohstoff farblich unterschiedlich dargestellten Lagerstätten- bzw. Rohstoffflächen "Abbaustellen" (=Betriebe) bzw. "Schwerpunkte mehrerer Abbaustellen" mit je einem Symbol dargestellt. Die Eintragungen in der Karte werden ergänzt durch Texterläuterungen. Die Erläuterungsbände haben üblicherweise einen Umfang von 40 - 80 Seiten und sind derzeit nur in der gedruckten Ausgabe der Karte verfügbar. Der Text ist gegliedert in: - Einführung - Beschreibung der Lagerstätten und Vorkommen nutzbarer Gesteine - Rohstoffwirtschaftliche Bewertung der Lagerstätten und Vorkommen oberflächennaher Rohstoffe im Blattgebiet - Verwertungsmöglichkeiten der im Blattgebiet vorkommenden nutzbaren Gesteine - Schriftenverzeichnis - Anhang (u. a. mit Generallegende und Blattübersicht) Die KOR 200 stellt somit die Rohstoffpotentiale in Deutschland in bundesweit vergleichbarer Weise dar und liefert eine Grundlage für künftige Such- und Erkundungsarbeiten sowie einen Beitrag zur Sicherung der Rohstoffversorgung.

Digitale Zwillinge von geothermischen Reservoiren zur Überwachung der seismischen Gefährdung, Teilvorhaben: Charakterisierung von Poroelastischen Zwillingen

Schwerpunktprogramm (SPP) 2238: Dynamik der Erzmetallanreicherung, Teilprojekt: Natürliche und experimentelle Ansätze zum Verhalten von Re in der Erdkruste: Teil B - Hydrothermaler Re-Transport und Mo-Re Fraktionierung

Rhenium (Re) ist ein kritisches Element für technologische Anwendungen, welches im Wesentlichen in Molybdänit aus porphyrischen Lagerstätten gewonnen wird. In diesem Projekt soll ein Verständnis dafür entwickelt werden, wie Re durch hydrothermale Fluide transportiert werden kann und welches die Bedingungen für die Anreicherung in Molybdänit sind. Mit den hier den generierten thermodynamischen Modellen für die Re-löslichkeit in Fluiden, sollen konzeptionelle Modelle für die Anreicherung von Re in natürlichen Systemen, wie z.B. die Porphyrlagerstätten im nördlichen Griechenland, entwickelt werden.

Weiterentwicklung eines (teil-)autonomen Multiplattform-Fahrzeugs für die drohnengestützte Exploration und robotergesteuerte Anwendungen in der Rohstoffgewinnung in rauem Umfeld, Teilvorhaben 3: Teleoperation

SYNTHESYS+ - Sub project: NA3.1

SYNTHESYS+(link is external) creates an integrated European infrastructure for natural history collections. Within SYNTHESYS+, subproject NA3.1, led (for GGBN) by ZFMK, performs a landscape analysis of biodiversity and environmental biobanks and their standards and practices, investigates commonalities and differences, and identifies missing standards. Environmental and biodiversity biobanks often follow very similar goals, and many parallels exist among their respective practices. However, the dialogue between the various biobank or repository types is limited. We aim at opening up interfaces by collecting and sharing information on workflows and standard operating procedures.

AZV Project West Greenland

The AZV (Altitudinal Zonation of Vegetation) Project was initiated in the year 2002. On the basis of a detailed regional study in continental West Greenland the knowledge about altitudinal vegetation zonation in the Arctic is aimed to be enhanced. The main objectives of the project are: a) considering the regional study: characterize mountain vegetation with regard to flora, vegetation types, vegetation pattern and habitat conditions, investigate the differentiation of these vegetation characteristics along the altitudinal gradient, develop concepts about altitudinal indicator values of species and plant communities, extract suitable characteristics for the distinction and delimitation of vegetation belts, assess altitudinal borderlines of vegetation belts in the study area. b) considering generalizations: test the validity of the altitudinal zonation hypothesis of the Circumpolar Arctic Vegetation Map ( CAVM Team 2003), find important determinants of altitudinal vegetation zonation in the Arctic, develop a first small scale vegetation map of entire continental West Greenland. Field work consists of vegetational surveys according to the Braun-Blanquet approach, transect studies, soil analyses, long-time-measurements of temperature on the soil surface and vegetation mapping in three different altitudinal vegetation belts (up to 1070 m a.s.l.).

1 2 3 4 5 … 149 150 151