tag bilgisayarlı görü
3D Yeniden Yapılandırma (3D Yeniden Yapılandırma)
Bu sayfada bilgisayarlı görü (3D Yeniden Yapılandırma (3D Yeniden Yapılandırma)) etiketi ile işaretlenmiş 22 yapay zeka kavramını bulabilirsiniz.
3D yeniden yapılandırma (3D Reconstruction), bir veya birden fazla 2B görüntüden, video akışından ya da derinlik sensörü verisinden üç boyutlu geometrik modeller elde etmeye yarayan bilgisayar görüşü ve yapay zeka alanıdır. Yapısal Hareket (Structure from Motion — SfM), Çok-Görüş Stereo (Multi-View Stereo — MVS) ve sinirsel ağ tabanlı derinlik tahmini gibi teknikler kullanarak gerçek dünyadaki nesnelerin ve ortamların dijital 3B kopyasını üretir. Klasik yaklaşımlarda SfM yöntemi, aynı sahnenin farklı açılardan çekilmiş görüntülerinde ortak anahtar noktaları (SIFT, ORB) tespit ederek kamera konumlarını ve 3B nokta bulutunu eş zamanlı tahmin eder. COLMAP gibi açık kaynak araçlar bu alanda standart haline gelmiştir. Çok-Görüş Stereo ise SfM çıktısı olan seyrek nokta bulutunu yoğunlaştırarak yüzey ağı (mesh) oluşturur ve çok daha ayrıntılı geometri elde edilmesini mümkün kılar. 2020 yılında tanıtılan Neural Radiance Fields (NeRF), sınırlı sayıda görüntüden fotogerçekçi 3B sahneleri hacimsel olarak öğrenen devrimci bir yaklaşım sundu. NeRF, aydınlatma ve görünümü de modelleyerek yeni kamera açılarından gerçekçi sentez yapabilmektedir. 2023 yılında geliştirilen 3D Gaussian Splatting (3DGS) ise NeRF'e kıyasla çok daha hızlı gerçek zamanlı render elde ederek mobil ve gömülü sistemlerde kullanımı mümkün kıldı. Tek bir görüntüden derinlik bilgisi çıkaran monoküler derinlik tahmini, akıllı telefonlar ve tek kameralı robotlar gibi sistemlerde 3B anlayışı mümkün kılmaktadır. MiDaS ve Depth Anything gibi büyük ölçekli veriyle ön-eğitilmiş modeller bu alanda yüksek genellenebilirlik ortaya koymuştur. 3D yeniden yapılandırma; artırılmış ve sanal gerçeklik içerikleri oluşturmak, otonom araçlarda çevre modelleme, tıbbi görüntülemede organ geometrisi elde etme, kültürel mirasın dijitalleştirilmesi, robotik tutma planlaması ve dijital ikiz sistemleri için yaygın biçimde kullanılmaktadır. Apple Vision Pro ve Meta Quest gibi cihazlardaki gelişmiş derinlik sensörleri, bu teknolojiyi tüketici ürünlerine taşımaktadır.
3D Yeniden Yapılandırma (3D Yeniden Yapılandırma)
3D yeniden yapılandırma (3D Reconstruction), bir veya birden fazla 2B görüntüden, video akışından ya da derinlik sensörü verisinden üç boyutlu geometrik modeller elde etmeye yarayan bilgisayar görüşü ve yapay zeka alanıdır. Yapısal Hareket (Structure from Motion — SfM), Çok-Görüş Stereo (Multi-View Stereo — MVS) ve sinirsel ağ tabanlı derinlik tahmini gibi teknikler kullanarak gerçek dünyadaki nesnelerin ve ortamların dijital 3B kopyasını üretir. Klasik yaklaşımlarda SfM yöntemi, aynı sahnenin farklı açılardan çekilmiş görüntülerinde ortak anahtar noktaları (SIFT, ORB) tespit ederek kamera konumlarını ve 3B nokta bulutunu eş zamanlı tahmin eder. COLMAP gibi açık kaynak araçlar bu alanda standart haline gelmiştir. Çok-Görüş Stereo ise SfM çıktısı olan seyrek nokta bulutunu yoğunlaştırarak yüzey ağı (mesh) oluşturur ve çok daha ayrıntılı geometri elde edilmesini mümkün kılar. 2020 yılında tanıtılan Neural Radiance Fields (NeRF), sınırlı sayıda görüntüden fotogerçekçi 3B sahneleri hacimsel olarak öğrenen devrimci bir yaklaşım sundu. NeRF, aydınlatma ve görünümü de modelleyerek yeni kamera açılarından gerçekçi sentez yapabilmektedir. 2023 yılında geliştirilen 3D Gaussian Splatting (3DGS) ise NeRF'e kıyasla çok daha hızlı gerçek zamanlı render elde ederek mobil ve gömülü sistemlerde kullanımı mümkün kıldı. Tek bir görüntüden derinlik bilgisi çıkaran monoküler derinlik tahmini, akıllı telefonlar ve tek kameralı robotlar gibi sistemlerde 3B anlayışı mümkün kılmaktadır. MiDaS ve Depth Anything gibi büyük ölçekli veriyle ön-eğitilmiş modeller bu alanda yüksek genellenebilirlik ortaya koymuştur. 3D yeniden yapılandırma; artırılmış ve sanal gerçeklik içerikleri oluşturmak, otonom araçlarda çevre modelleme, tıbbi görüntülemede organ geometrisi elde etme, kültürel mirasın dijitalleştirilmesi, robotik tutma planlaması ve dijital ikiz sistemleri için yaygın biçimde kullanılmaktadır. Apple Vision Pro ve Meta Quest gibi cihazlardaki gelişmiş derinlik sensörleri, bu teknolojiyi tüketici ürünlerine taşımaktadır.
Action Recognition (Eylem Tanıma)
Eylem tanıma (action recognition), video klipler ve ardışık görüntü karelerinden insan hareketlerini ve aktivitelerini otomatik olarak sınıflandıran bir bilgisayarlı görü görevidir. Bir sistemin belirli bir zaman penceresindeki görsel veriyi analiz ederek "koşma", "el sıkışma" veya "bıçakla kesme" gibi anlamlı eylemleri doğru biçimde etiketlemesi hedeflenir. Sistemin başarısı için uzamsal (spatial) ve zamansal (temporal) özelliklerin birlikte ele alınması zorunludur. İlk önemli yaklaşım olan çift akışlı ağlar (two-stream networks), biri RGB karelerini diğeri optik akışı (optical flow) işleyen iki paralel evrişimli sinir ağından oluşur. 3D evrişimli ağlar (3D CNN) ise evrişim işlemini zaman boyutuna taşıyarak uzamsal-zamansal örüntüleri doğrudan öğrenir. C3D ilk pratik modeli sunarken I3D, önceden eğitilmiş 2D ağırlıkları üç boyuta şişirerek güçlü bir transfer öğrenme temeli oluşturur. Facebook AI'ın geliştirdiği SlowFast mimarisi, düşük kare hızıyla uzamsal semantiği, yüksek kare hızıyla ince hareketi eş zamanlı yakalamak için iki paralel yol kullanır. Görsel dönüştürücüler (Vision Transformers) bu alanda da belirleyici hale gelmiştir: TimeSformer bölünmüş uzay-zaman dikkat mekanizmasıyla video karelerini işlerken VideoMAE V2, maskeli video otokodlama ön eğitimiyle büyük ölçekli veri kümelerini verimli biçimde kullanır. İskelet tabanlı yöntemler ise vücut eklem noktalarını Graf Evrişimli Ağlarla (GCN) modelleyerek arka plan gürültüsüne karşı dayanıklılık kazandırır. Temel veri kümeleri arasında YouTube kliplerine dayanan Kinetics-400/700, UCF-101, HMDB-51 ve zamansal akıl yürütmeye odaklanan Something-Something v2 yer alır. Uygulama alanları güvenlik kameralarında anomali tespiti, spor analizinde otomatik özet çıkarma, hastane ve bakım evlerinde düşme tespiti, robotik hareket taklidi ve otonom araçlarda yaya niyet tahminini kapsar. Ana zorluklar kısmi örtüşme, bakış açısı değişkenliği, arka plan gürültüsüne aşırı uyum, farklı eylem süreleri ve uç cihazlardaki yüksek hesaplama maliyetidir.
Image Inpainting (Görüntü Tamamlama (Image Inpainting))
Görüntü tamamlama (image inpainting), bir görüntüdeki hasar görmüş, eksik veya kaldırılmak istenen piksellerin, sahnenin geri kalanıyla semantik ve görsel açıdan uyumlu içerikle yeniden üretilmesi işlemidir. Dijital restorasyon alanından köken alan bu teknik günümüzde bilgisayarlı görü araştırmalarının en aktif kollarından biri haline gelmiştir. Klasik yöntemler iki ana gruba ayrılır: difüzyon tabanlı kısmi diferansiyel denklem (PDE) yaklaşımları, sınır bilgisini eksik bölgenin içine yayarak renk ve doku sürekliliği kurar; PatchMatch gibi yama tabanlı yöntemler ise görüntünün başka bölgelerindeki benzer parçaları eksik alana kopyalayarak tamamlama gerçekleştirir. Bu yöntemler dokusal tekrarlara sahip sahnelerde etkili olsa da büyük ve anlam taşıyan boşluklarda yetersiz kalır. Derin öğrenme bu sınırı aşmak için önce CNN tabanlı modellerle devreye girdi. DeepFill (2018, CVPR) bağlamsal dikkat mekanizmasını tanıtarak modelin uzak piksellere başvurmasına olanak tanıdı. LaMa (2021/WACV 2022), Hızlı Fourier Konvolüsiyonları (FFC) ile görüntü genelinde alım alanı kazanarak büyük maskeler ve yüksek çözünürlüklerde (2K+) gürbüz performans sergiledi. MAT (Mask-Aware Transformer, CVPR 2022) ise dinamik maske bilgisini transformatör dikkat bloklarına entegre ederek 512×512 çözünürlükte yüksek kaliteli ve çeşitli çıktılar üretti. Difüzyon modelleri 2022'den itibaren alanı yeniden şekillendirdi. Blended Latent Diffusion (BLD, SIGGRAPH 2023), metin rehberliğiyle gizil uzayda ön plan ve arka planı harmanlayarak metin güdümlü tamamlamayı mümkün kıldı. Stable Diffusion Inpainting, SD 2.0 ile ince ayarlı bir pipeline sunarken DALL-E 3 ve Adobe Firefly (Photoshop Generative Fill) bu yeteneği tüketici araçlarına taşıdı. FLUX.1 (Ağustos 2024) ise akış tabanlı mimarisiyle tipografi ve istem bağlılığında yeni bir çıta belirledi. Görüntü tamamlamanın başlıca uygulama alanları arasında fotoğraf restorasyonu, nesne kaldırma, içerik duyarlı dolgu, sanal kıyafet deneme ve tıbbi görüntü onarımı yer alır.
Multimodal Learning (Çok Modlu Öğrenme)
Multimodal learning (çok modlu öğrenme), bir yapay zeka modelinin metin, görsel, ses ve video gibi birden fazla veri türünü (modalite) aynı anda işleyerek anlam çıkarmasına olanak tanıyan makine öğrenmesi yaklaşımıdır. İnsan algısına benzer şekilde birden fazla duyudan gelen bilgileri birleştirme yeteneği kazandırır. Geleneksel yapay zeka sistemleri tek bir modaliteye odaklanırken (yalnızca metin veya yalnızca görsel), çok modlu öğrenme bu sınırı aşar. Farklı modalitelerin verileri ortak bir gömülü uzayda (shared embedding space) hizalanır; böylece model "bu resimde ne yazıyor?" veya "bu sesle hangi görsel eşleşir?" gibi çapraz-modal soruları yanıtlayabilir. Temel teknikler arasında çelişkili öğrenme (contrastive learning), çapraz-modal dikkat (cross-modal attention) ve çift kodlayıcı (dual encoder) mimarileri öne çıkar. OpenAI'nin 2021'de tanıttığı CLIP modeli, metin-görsel çiftlerini milyonlarca örnekle eğiterek sıfır-atış görüntü sınıflandırmasını mümkün kıldı ve alanın temel taşlarından biri oldu. 2023'te GPT-4V tek kule (single-tower) mimarisiyle görüntü ve metni birleştirirken Google Gemini çok sayıda modaliteyi destekleyen kapsamlı bir model sundu. 2024'te GPT-4o metin, ses ve görseli gerçek zamanlı işleyebilir hale getirdi. Uygulama alanları oldukça geniştir: görsel soru cevaplama (VQA), görüntü altyazısı oluşturma, metin-görsel üretim (DALL-E, Stable Diffusion), tıbbi görüntü analizi ve otonom sürüş sistemleri. Zorluklar arasında modal hizalama güçlüğü, eksik modalite yönetimi ve yüksek hesaplama maliyeti yer alır. Çok modlu sistemlerin eğitiminde veri uyumu kritik bir zorluktur: farklı modalitelerden gelen verilerin zaman ve anlam boyutunda doğru eşleştirilmesi gerekir. Bu nedenle büyük ölçekli internet verisiyle ön-eğitim yapılır, ardından görev-spesifik ince ayar uygulanır. Araştırmacılar ayrıca tek bir modelin tüm modaliteleri birlikte öğrenmesiyle ortaya çıkan çapraz-modal transfer öğrenimini (cross-modal transfer) de aktif biçimde incelemektedir. Bu yaklaşım, kısıtlı etiketli veriye sahip modalitelerde başarımı belirgin ölçüde artırmaktadır.
Object Tracking (Nesne Takibi)
Object Tracking (Nesne Takibi), video akışlarında belirli nesnelerin hareketini kareden kareye sürekli izleyen bir bilgisayarlı görü disiplinidir. Kişiler, araçlar, hayvanlar veya endüstriyel bileşenler gibi her türlü cisim bu teknikle takip edilebilir. Nesne tespitinden (object detection) temel farkı şudur: tespit her kareye bağımsız bakarken, takip nesnelerin zaman içindeki sürekli kimliğini (ID) koruyarak hareketlerini izler. Algoritma tasarımında iki temel mimari yaklaşım öne çıkar. Algıla-ve-Takip Et (Detection-Based Tracking) yaklaşımında her karede YOLO veya Faster R-CNN gibi bağımsız bir dedektör çalışır; ardından Kalman filtresi ve Macar algoritması mevcut iz listesiyle eşleştirme yapar. 2016 yılından bu yana endüstri standardı hâline gelen SORT ve DeepSORT bu yaklaşımın öncüleridir. İkinci yaklaşım olan uçtan uca transformer tabanlı modeller ise TrackFormer ve MOTR gibi ağlarla temsil edilir; tespit ve takibi tek mimari içinde birleştirir ve el yapımı birleştirme kuralı gerektirmez. Temel performans metrikleri arasında MOTA (Multi-Object Tracking Accuracy), IDF1 (kimlik süreklilik skoru) ve HOTA yer alır. Uluslararası MOT Challenge yarışması bu metrikleri standartlaştırmış olup ByteTrack ve BoT-SORT en güncel karşılaştırma listelerinde lider konumdadır. Başlıca zorluklar şunlardır: Örtüşme (occlusion), nesne başka bir cismin arkasında geçici olarak kaybolduğunda kimlik kaybına yol açar. Hız değişimleri ve ani yön dönüşleri Kalman filtresi tahminlerini güçleştirir. Benzer görünümlü nesneler ID anahtarı (ID switch) hatasını artırır. Küçük veya uzak nesneler ise dedektörün güven eşiğinin altında kalabilir. Gerçek zamanlı sistemlerde YOLO ile ByteTrack kombinasyonu yaygın tercih olurken, piksel düzeyinde hassasiyet gerektiren uygulamalarda Meta'nın 2024 tarihli SAM 2 modeli öne çıkmaktadır. Nesne takibi; otonom araçlar, spor analizi, akıllı güvenlik kameraları ve tıbbi görüntüleme alanlarında endüstri standardı hâline gelmiştir.
OCR (OCR — Optik Karakter Tanıma)
OCR (Optical Character Recognition — Optik Karakter Tanıma), görüntü, taranmış belge veya fotoğraf içindeki basılı ya da el yazısı karakterleri analiz ederek düzenlenebilir ve aranabilir dijital metne dönüştüren teknolojidir. 1950'lerin sonunda ortaya çıkan OCR, başlangıçta basit şablon eşleştirme ve piksel karşılaştırma algoritmalarına dayanırken; günümüzde derin öğrenme mimarileri sayesinde çok daha güçlü bir yapıya kavuşmuştur. Modern bir OCR sistemi dört temel aşamadan oluşur: (1) Görüntü ön işleme — gürültü giderme, eğim düzeltme (deskew), kontrast normalizasyonu ve renk segmentasyonu. (2) Metin bölgesi tespiti — satır ve kelime kutularının belirlenmesi, paragraf sıralamasının çıkarılması. (3) Karakter veya kelime düzeyinde segmentasyon ve özellik çıkarımı. (4) Model tabanlı tanıma ve dil modeli destekli hata düzeltme. Geleneksel sistemler CNN (Evrişimsel Sinir Ağı) ve LSTM kombinasyonunu kullanırken; son nesil Transformer tabanlı modeller — TrOCR, Donut, Nougat, DeepSeek-OCR — görsel kodlayıcı ile dil çözücüsünü birleştirerek belge düzeni anlayışını yeni bir düzeye taşımaktadır. Bu modeller artık sadece karakterleri değil; tabloları, formları, matematiksel ifadeleri ve karmaşık çok sütunlu sayfa yapılarını da yapılandırılmış çıktıya dönüştürebilmektedir. OCR'nin kullanım alanları son derece geniştir: finans sektöründe fatura ve çek işleme, sağlıkta hasta kayıtlarının dijitalleştirilmesi, hukuk alanında sözleşme tarama, e-ticarette ürün katalog otomasyonu, pasaport ve kimlik doğrulama sistemleri, kütüphane arşivlerinde tarihi belgelerin dijital ortama aktarılması bunların başında gelir. Türkçe gibi özel karakterler içeren diller için ğ, ü, ş, ı, ö, ç gibi harflerin doğru tanınması ayrı bir önem taşır; bu nedenle Türkçe dil paketi veya özel eğitilmiş model kullanımı gerekebilir. 2025-2026 itibarıyla çok modelli büyük dil modelleri (GPT-4o, Claude, Gemini) doğrudan görüntüden metin ve anlam çıkartabilmekte; bu durum OCR'yi 'belge zekası' adı verilen daha geniş bir alanda yeniden konumlandırmaktadır. İyi koşullar altında modern OCR sistemleri %99'un üzerinde doğruluk oranına ulaşabilirken, düşük kaliteli görüntü ve el yazısında bu oran %85-95 aralığına düşmektedir.
Depth Estimation (Derinlik Tahmini)
Depth estimation (derinlik tahmini), bir yapay zeka modelinin tek veya çift kameralı iki boyutlu görüntülerden sahnedeki her noktanın kameraya olan uzaklığını otomatik olarak tahmin etmesidir. Çıktı olarak her pikselin mesafeye karşılık geldiği bir derinlik haritası (depth map) üretilir: yakın nesneler açık tonlarla, uzak nesneler koyu tonlarla temsil edilir. İnsan görme sistemi iki göz arasındaki parallax farkından derinlik algılar; ancak tek kameralı dijital görüntüler bu bilgiyi doğrudan içermez. Modeller gölge, perspektif, boyut ve odak bulanıklığı gibi görsel ipuçlarını öğrenerek ve büyük ölçekli derinlik veri setleri üzerinde eğitilerek bu eksikliği kapatır. Derinlik tahmini üç ana yaklaşımla gerçekleştirilir. Monoküler yöntemler tek bir RGB görüntüsünden derinlik çıkarır; denetimli eğitim için LiDAR etiketi, öz denetimli eğitim için video çerçeve çiftleri kullanılır ve en esnek yaklaşımdır. Stereo yöntemler iki paralel kameradan alınan görüntü çiftleri arasındaki piksel kaymasını (disparity) üçgenleme ile derinliğe dönüştürür; fabrika otomasyonu ve endüstriyel robotik için tercih edilir. LiDAR füzyon ise kamera görüntüsünü aktif sensör verisiyle birleştirerek en yüksek kesinliği sunar; ancak sensör maliyeti yüksektir. MiDaS ve Depth Anything v2 gibi transformer tabanlı modeller büyük ölçekli ve çok kaynaklı verilerle eğitilerek geniş ortam koşullarına genellenebilir hale gelmiştir. Apple Depth Pro tek görüntüden mutlak metrik derinlik değerleri üretebilmektedir. Otonom araçlar, artırılmış gerçeklik, robotik navigasyon ve üç boyutlu sahne yeniden yapılandırma başlıca uygulama alanlarıdır. Doğruluk için AbsRel, RMSE ve delta eşik doğruluğu (δ < 1.25) kullanılır. Gerçek zamanlı uygulamalarda NVIDIA Jetson ve Apple Neural Engine gibi özel donanım hızlandırıcılar tercih edilir. Derinlik haritaları ayrıca 3B nokta bulutu oluşturmak ve sanal nesneleri gerçek ortama yerleştirmek için de kullanılmaktadır.
Facial Recognition (Yüz Tanıma Teknolojisi)
Yüz tanıma (Facial Recognition), dijital fotoğraf veya video karelerindeki insan yüzlerini otomatik olarak algılayan, analiz eden ve kimliklerini doğrulayan bir biyometrik yapay zeka teknolojisidir. 2012 sonrasında derin öğrenmenin yaygınlaşmasıyla birlikte bu teknoloji, önceki yöntemlere kıyasla çok daha yüksek doğruluk oranlarına ulaşmış ve gündelik hayatın birçok alanına girmiştir. Teknik süreç genellikle beş adımdan oluşur: (1) Yüz Algılama — görüntüde insan yüzü içeren bölge tespit edilir; (2) Hizalama — gözler, burun ve ağız gibi referans noktaları kullanılarak yüz standart bir konuma getirilir; (3) Özellik Çıkarma — derin evrişimli sinir ağları (CNN) veya Vision Transformer mimarileri yüzü 128–512 boyutlu yoğun bir vektöre, yani "yüz izine" (faceprint) dönüştürür; (4) Eşleştirme — bu vektör veritabanındaki kayıtlarla öklid veya kosinüs mesafesi kullanılarak karşılaştırılır; (5) Karar — belirlenen bir eşik değeri aşılırsa kimlik onaylanır. ArcFace, FaceNet ve DeepFace gibi mimariler bu alanda referans kabul edilmektedir. Kullanım senaryoları iki kategoriye ayrılır: 1:1 doğrulama (ör. akıllı telefon kilidi açma, pasaport kontrolü) ve 1:N tanıma (ör. kalabalık içinde kayıp kişi arama, konser bilet doğrulama). Bankacılık KYC süreçleri, mağaza güvenlik sistemleri ve sınır kapıları bu teknolojinin en yaygın ticari uygulama alanlarıdır. Ancak yüz tanıma ciddi etik ve hukuki sorunları da beraberinde getirmektedir. NIST'in FRVT raporları, birçok sistemin Siyah ve Kadın bireylerde hata oranının beyaz erkeklere göre 10–100 kat daha yüksek olduğunu göstermektedir. AB Yapay Zeka Yasası (2024), kamuya açık alanlarda gerçek zamanlı biyometrik tanımayı yüksek riskli yapay zeka sistemleri kapsamına almış ve çok sıkı istisnalar dışında yasaklamıştır. GDPR ise yüz verisini "özel kategori kişisel veri" olarak tanımlamaktadır. Deepfake ve GAN tabanlı sahte yüzlere karşı anti-spoofing katmanları sistemlerin vazgeçilmez bir bileşeni hâline gelmiştir.
Gaussian Splatting Nedir? Gerçek Zamanlı 3D Sahne Sentezi (Gaussian Splatting)
3D Gaussian Splatting (3DGS), SIGGRAPH 2023'te Inria araştırmacılarının (Kerbl vd.) sunduğu, üç boyutlu sahneleri milyonlarca elipsoidal Gauss primitifi aracılığıyla gerçek zamanlı olarak işleyen ve bilgisayarlı görü tarihinde NeRF dönemini kapatan çığır açıcı bir teknolojidir. Nöral ağ tabanlı implicit temsil yerine açık (explicit) ve düzenlenebilir bir geometrik temsil kullanır. Her Gauss birimi beş temel özellikle tanımlanır: 3D konumu (μ), şekil ve yönelimi belirleyen kovaryans matrisi (Σ), opaklık değeri (α) ve görüş açısına bağlı rengi kodlayan Küresel Harmonik (Spherical Harmonics, SH) katsayıları. Tipik bir sahnede 3 ila 6 milyon Gaussian kullanılır. Bu parametreler SSIM ile L1 kayıp fonksiyonlarının birleşimi kullanılarak gradient inişiyle optimize edilir. Eğitim süreci, COLMAP (Structure-from-Motion) ile elde edilen seyrek nokta bulutundan başlar. Adaptive Density Control mekanizması eğitim boyunca Gaussianları yoğun bölgelerde ikiye böler veya klonlar, seyrek bölgelerde ise budanmış olanları kaldırır; bu sayede temsil kalitesi aşamalı olarak artar. 30 ila 45 dakikada tamamlanan eğitim süresi, NeRF'e kıyasla onlarca kat daha hızlıdır. Render aşamasında GPU üzerinde döşeme tabanlı (tile-based) rasterizer devreye girer: tüm Gaussianlar derinlik sırasına göre sıralanır ve alfa-karışım (alpha-blending) ile ekrana yansıtılır. Sonuç: 1080p çözünürlükte saniyede 100+ kare işleme hızı ve 25-33 dB PSNR görsel kalitesi. NeRF'in yalnızca 5-10 FPS sunabildiği düşünüldüğünde bu 20 kata varan hızlanma gerçek zamanlı uygulamalar için devrimsel bir atılımdır. Bununla birlikte 3DGS'in bazı kısıtlamaları da mevcuttur: sahne başına depolama boyutu 100-700 MB arasında değişebilir; dinamik nesneler ve hareketli sahneler orijinal formatta sınırlı kalmaktadır; ayrıca kamera kapsamı dışına çıkıldığında görsel eserler (artifact) belirginleşebilir. Uygulama alanları arasında oyun motorlarına sahne entegrasyonu, AR/VR içerik üretimi, film VFX, dijital ikiz oluşturma ve robotik algı sistemleri yer alır. Dinamik 3DGS video sahnelerini, GaussianAvatars insan vücudu modellemesini, LangSplat ise dil özelliklerinin 3D sahnelere entegrasyonunu destekler. 2024 itibarıyla 3DGS ve türevleri, sahne temsil araştırmalarının fiili başlangıç noktası haline gelmiştir.
Görüntü Segmentasyonu (Görüntü Segmentasyonu)
Görüntü segmentasyonu, bir dijital görseli anlamlı bölgelere veya nesnelere ayıran, yapay zeka ve bilgisayarlı görü alanının temel işlemlerinden biridir. Ham piksel verisi üzerinde çalışan bu işlem, her pikseli belirli bir sınıfa ya da nesne örneğine atar; böylece bir görüntü içindeki farklı nesne ve yüzeylerin sınırları hassas biçimde belirlenir. Segmentasyon, yalnızca nesne tespitinin (object detection) ötesine geçer: sınırlayıcı kutu (bounding box) yerine nesnenin tam piksel maskesini üretir. Üç ana segmentasyon türü mevcuttur. Semantik segmentasyon, her pikseli bir sınıf etiketiyle işaretler; aynı sınıftaki tüm nesneler tek bir bölge olarak ele alınır. Örneğin bir sokak sahnesinde tüm arabalar tek renk, tüm yayalar başka bir renk ile gösterilir. Instance segmentasyon ise bu yaklaşımı bir adım ileri taşır: aynı sınıftan her nesneyi ayrı bir örnek olarak ayırt eder. İki araba yan yana dursa bile her biri kendi maskesine sahip olur. Panoptik segmentasyon ise semantik ve instance segmentasyonu birleştirerek hem sayılabilen nesnelere (araba, insan) hem de arka plan bölgelerine (yol, gökyüzü) piksel düzeyinde etiket atar. Modern segmentasyon mimarileri derin öğrenmeye dayanır. FCN (Fully Convolutional Network) ile başlayan süreç, U-Net ve SegNet gibi encoder-decoder mimarileriyle olgunlaşmıştır. Transformer tabanlı SegFormer ve Mask2Former, dikkat mekanizmalarını kullanarak küresel bağlamı daha iyi modelleyerek önceki CNN yaklaşımlarını geride bırakmıştır. Meta tarafından geliştirilen SAM (Segment Anything Model) ise herhangi bir nesneyi sıfır görüntüyle (zero-shot) segmente edebilen evrensel bir model olarak alanda çığır açmıştır. Görüntü segmentasyonu; tıbbi görüntülemede tümör ve organ sınırlarının tespiti, otonom araçlarda yol ve engel ayrımı, uydu görüntülerinde arazi örtüsü sınıflandırması, artırılmış gerçeklikte arka plan kaldırma ve endüstriyel kalite kontrolünde kusur tespiti gibi kritik uygulamalarda kullanılmaktadır. Performans ölçütü olarak mIoU (mean Intersection over Union) ve Dice katsayısı yaygın şekilde benimsenmektedir.
Human Pose Estimation (İnsan Poz Tahmini)
Human Pose Estimation (İnsan Poz Tahmini), görüntüler veya video karelerindeki insan vücudunu oluşturan eklem noktalarını (omuzlar, dirsekler, bilekler, kalça, dizler, ayak bilekleri ve baş) tespit ederek bütüncül bir iskelet temsili ortaya koyan bilgisayarlı görü görevidir. Her iskelet, anatomik bağlantılarla birleştirilmiş anahtar nokta koordinatlarından (x, y ve güven skoru) oluşur. Temel mimariler iki kategoride incelenir. Yukarıdan aşağıya (top-down) yaklaşımda önce görüntüdeki her birey bir nesne dedektörüyle belirlenir, ardından her kişi için bağımsız poz tahmini çalıştırılır; bu yöntem yüksek doğruluk sağlar ancak hesaplama maliyeti kişi sayısıyla orantılı biçimde artar. Aşağıdan yukarıya (bottom-up) yaklaşımda ise tüm anahtar noktalar tek geçişte tespit edilip ardından bireylere eşleştirilir; OpenPose (CMU, 2017) bu kategorinin öncüsüdür ve Parça Yakınlık Alanları (Part Affinity Fields) adlı yenilikçi teknikle eklem noktalarını doğru kişilere bağlar. Teknik açıdan modeller, her keypoint için olasılık ısı haritaları (heatmap) üretir; haritadaki yüksek değerler eklemin o konumda bulunma olasılığını gösterir. DeepPose (Google, 2014) bu göreve derin öğrenmeyi taşıyan ilk çalışmaydı. 2022'de yayımlanan ViTPose, CNN omurgaları yerine Vision Transformer (ViT) mimarisini kullanarak MS COCO karşılaştırma setinde AP 80,9 ile yeni bir başarı çıtası oluşturdu ve alanın CNN baskınlığından Transformer çağına geçişini simgeledi. Uygulama alanları oldukça geniştir: spor analitiğinde futbol, basketbol ve yüzme dallarında oyuncu hareket analizi; fitness ve sağlıkta yoga/gym antrenmanlarında doğru form denetimi ve fizyoterapi takibi; artırılmış/sanal gerçeklikte gerçek zamanlı avatar kontrolü ve mocap alternatifi; işaret dili tanıma ve jest tabanlı insan-bilgisayar etkileşimi; güvenlik sistemlerinde davranış izleme ve anomali tespiti. Temel zorluklar arasında vücut parçalarının örtülmesi (occlusion), kalabalık sahnelerde çok kişili tahmin ve mobil/uç cihazlarda gerçek zamanlı işlem gereksinimleri sayılabilir.
Image Recognition (Görüntü Tanıma)
Image recognition (görüntü tanıma), bilgisayar sistemlerinin dijital görüntüler veya video karelerindeki nesneleri, yüzleri, sahneleri ve kalıpları otomatik olarak tanımlayıp sınıflandırma yeteneğidir. İnsan görsel korteksinin işlevini taklit etmeyi hedefleyen bu teknoloji, yapay zeka ve bilgisayarlı görünün (computer vision) en temel uygulamalarından biridir. Görüntü tanımanın kökleri 1960'lara uzanmakla birlikte, teknoloji 2012 yılında gerçek anlamda devrim yaşadı. Geoffrey Hinton liderliğindeki Toronto Üniversitesi ekibi, AlexNet adlı derin öğrenme modeliyle ImageNet görüntü sınıflandırma yarışmasını (ILSVRC) kazanarak hata oranını yüzde 26'dan yüzde 15'e düşürdü. Bu başarı, geleneksel el yapımı özelliklerin (SIFT, HOG) yerini derin sinir ağlarına bırakma sürecini başlattı. Modern görüntü tanıma sistemleri, Evrişimli Sinir Ağları (CNN) üzerine kuruludur. CNN mimarisi, görüntüdeki kenar ve köşeler gibi düşük seviyeli özelliklerden başlayarak giderek daha soyut gösterimlere —kulaklar, gözler, yüzler gibi— doğru ilerler. ResNet (derin kalıntı ağları), EfficientNet ve DenseNet farklı hız-doğruluk dengelerinde kullanılır. 2020'den itibaren Vision Transformer (ViT) mimarileri de rekabetçi sonuçlar vererek CNN'lerle yarışmaktadır. CLIP (Contrastive Language-Image Pre-training) ise metin-görüntü öğrenimini birleştirerek sıfır-atış tanıma kabiliyeti kazandırmaktadır. Görüntü tanıma genel bir çatı kavramdır; altında birkaç farklı görev bulunur: Görüntü sınıflandırma tüm görüntüye tek bir etiket atarken, nesne tespiti (object detection) birden fazla nesnenin sınıfını ve konumunu (bounding box) aynı anda belirler. Anlamsal bölütleme (semantic segmentation) her pikseli bir sınıfla etiketler, örnek bölütleme (instance segmentation) ise her nesne kopyasını ayrı ayrı maskeler. Uygulama alanları son derece geniştir: tıbbi görüntülemede kanser tespiti, otonom araçlarda trafik işareti ve yaya tanıma, e-ticarette görsel ürün arama, üretim hatlarında kalite kontrolü ve güvenlik sistemlerinde yüz doğrulama bunların başında gelir. Değerlendirme metrikleri arasında ImageNet'teki Top-1 ve Top-5 doğruluk oranları en yaygın kullanılanlarıdır; nesne tespiti görevlerinde ise ortalama hassasiyet (mAP) ve Birleşim Üzerinden Kesişim (IoU) tercih edilir.
Instance Segmentation (Örnek Bölütleme)
Instance Segmentation (Örnek Bölütleme), bilgisayarlı görünün en gelişmiş görevlerinden biridir. Bir görüntüdeki her nesne örneğini piksel düzeyinde tespit edip birbirinden bağımsız olarak maskeleyen bu yöntem, nesne tespitinin (object detection) konumsal doğruluğunu ile semantik bölütlemenin (semantic segmentation) piksel hassasiyetini tek çatı altında birleştirir. Semantik Bölütlemeden Farkı: Semantik bölütleme "bu piksel araba sınıfına ait" der; ancak görüntüdeki iki arabayı tek bir kütle olarak ele alır. Örnek bölütleme ise her nesneye ayrı bir piksel maskesi atar: "bu Araba #1, şu Araba #2." Bu ayrım gerçek dünya uygulamalarında kritik önem taşır; otonom araçların birden fazla yayayı bağımsız takip etmesi, cerrahi robotların doku katmanlarını ayırt etmesi veya depo otomasyonunun üst üste yığılmış kutuları tek tek kavraması bu farkı gerektirir. Temel Mimariler: Mask R-CNN (He et al., 2017) bu alanın dönüm noktasıdır. Faster R-CNN'in bölgesel öneri mekanizmasına piksel maskesi çıkaran bir maske başlığı (mask head) ekleyerek her nesne için ayrı ikili maske üretir. YOLOv8-seg ve YOLOv9-seg gibi tek aşamalı (one-stage) modeller gerçek zamanlı uygulamalar için Mask R-CNN'e kıyasla çok daha hızlı bir alternatif sunar. Meta AI'ın 2023'te tanıttığı Segment Anything Model (SAM), nokta, kutu veya metin ipuçlarıyla sıfır atış (zero-shot) bölütleme yapabilen evrensel bir temel modeldir; fine-tuning gerektirmeksizin hemen her nesneyi maskeler. Mask2Former (2022) ise sorgu tabanlı (query-based) Transformer mimarisini benimseyerek panoptik, semantik ve örnek bölütlemeyi tek bir çerçevede birleştirir. Panoptik Bölütleme: Örnek bölütlemenin uzantısı olan panoptik bölütleme (panoptic segmentation), sayılabilir nesneleri (things: araba, kişi) ve sayılamaz bölgeleri (stuff: gökyüzü, zemin) eş zamanlı olarak maskeler. Değerlendirme Metrikleri: COCO veri kümesinde AP (Average Precision) farklı IoU eşiklerinde ölçülür: AP50, AP75 ve AP50:95 en yaygın kriterlerdir. Panoptik görevlerde Panoptic Quality (PQ) metriği hem tanıma hem bölütleme başarısını birlikte değerlendirir. Yüksek doğruluk için güçlü GPU gereklidir; ancak YOLOv8-seg ve SAM'ın mobil versiyonları edge cihazlarda çalışabilmektedir.
Jaccard Index (Jaccard İndeksi / Benzerliği)
Jaccard Index (Jaccard Benzerlik Katsayısı), iki küme arasındaki benzerliği sayısal olarak ifade eden istatistiksel bir metriktir. 1901 yılında İsviçreli botanikçi Paul Jaccard tarafından farklı dağ habitatlarındaki bitki örtüsü benzerliğini ölçmek amacıyla önerilmiş; on yıllar sonra bilgisayar bilimi, bilgi getirme ve yapay zeka alanlarına taşınmıştır. Temel formül şudur: J(A, B) = |A ∩ B| / |A ∪ B| — yani iki kümenin kesişiminin boyutu, birleşiminin boyutuna bölünür. Sonuç 0 ile 1 arasında değişir: 0 iki kümenin hiçbir ortak elemanı olmadığını, 1 ise kümelerin birebir aynı olduğunu gösterir. Tamamlayıcısı olan Jaccard Uzaklığı (1 − J) farklılık ölçümü için kullanılır. Yapay zekada en yaygın biçimi nesne tespiti modellerini değerlendirirken kullanılan Intersection over Union (IoU)'dur. Modelin tahmin ettiği sınırlayıcı kutu ile etiketlenmiş gerçek kutu birer küme olarak ele alınır; IoU kesişim alanının birleşim alanına oranıdır. COCO ve PASCAL VOC kıyaslama protokolleri, bir tahmini "doğru" saymak için IoU ≥ 0,5 eşiğini kullanır. Semantik segmentasyonda her sınıf için hesaplanan Jaccard değerlerinin ortalaması olan mIoU (Mean Intersection over Union), yöntemleri karşılaştırmada standart metrik hâline gelmiştir. Metin ve veri uygulamalarında belgeler kelime kümelerine dönüştürüldüğünde Jaccard basit biçimde benzerlik ölçer; çoğaltım tespiti ve soru-yanıt eşleştirmede kullanılır. Öneri sistemlerinde kullanıcıların ortak etkileşimde bulunduğu öğeler küme olarak temsil edilir. Büyük ölçekli uygulamalarda MinHash algoritması Jaccard'ı yaklaşık olarak hesaplamak için küçük imzalar üretir; LSH (Locality-Sensitive Hashing) ile birleştirilince milyarlarca belge çiftinde verimli tekilleştirme mümkün hâle gelir. Diğer metriklerle karşılaştırıldığında Sørensen-Dice katsayısı (2|A∩B|/(|A|+|B|)) Jaccard'dan türetilebilir ve küçük segmentlere daha duyarlı olduğu için tıbbi görüntü analizinde tercih edilir. Kosinüs benzerliği vektör yönünü ölçerken frekans bilgisini korur; sürekli ve yüksek boyutlu temsillerde Jaccard'dan üstündür. Ağırlıklı Jaccard ise eleman frekansını hesaba katan çok-küme varyantıdır.
Optical Flow Nedir? Video Analizinde Hareket Tespiti (Optik Akış)
Optical flow (optik akış), art arda gelen video karelerindeki piksel parlaklık örüntüsünün görünür hareketini hesaplayan temel bir bilgisayarlı görü tekniğidir. Her piksel ya da seçili özellik noktası için, bir kareden diğerine geçişte oluşan (u, v) hareket vektörü belirlenir; bu vektörlerin tümü bir "flow map" (akış haritası) oluşturur ve sahnenin dinamik yapısını sayısal olarak temsil eder. Teknik, parlaklık sabitliği (brightness constancy) hipotezine dayanır: I(x, y, t) = I(x+u, y+v, t+1). Yani kısa zaman aralıklarında bir pikselin görüntü üzerindeki parlaklığının değişmediği kabul edilir. Bu tek denklem iki bilinmeyen (u, v) içerdiğinden doğrudan çözülemez; "aperture problemi" olarak bilinen bu belirsizlik, ek uzamsal kısıtlamalar eklenerek giderilir. Klasik algoritmalar iki ana yaklaşımda gruplanır. Lucas-Kanade (1981), küçük bir piksel penceresindeki tüm noktaların aynı harekete sahip olduğunu varsayarak seçili köşe noktalarında seyrek (sparse) akış üretir; hız ve sağlamlığıyla günümüz nesne takip uygulamalarında hâlâ kullanılır. Horn-Schunck (1981) ise pürüzlülük (smoothness) kısıtlaması uygulayarak tüm piksel uzayında yoğun (dense) bir akış alanı bulur; gürültüye daha duyarlıdır ancak teorik temeli güçlüdür. 2010'ların ortasında derin öğrenme bu alanı dönüştürdü. FlowNet (2015) ve FlowNet2 (2017), sentetik verilerle eğitilmiş CNN mimarileriyle klasik yöntemlerin çok ötesinde doğruluk sundu. RAFT (Recurrent All-Pairs Field Transforms, 2020) ise GRU tabanlı yinelemeli mimarisiyle Sintel ve KITTI benchmark'larında rekor kırarak günümüz akademik standardı hâline geldi. Optical flow; otonom araç navigasyonu, video stabilizasyonu, eylem tanıma, gözetim sistemleri ve tıbbi görüntüleme (ekokardiyografi kalp hareketi analizi) gibi geniş bir yelpazeye uygulanır. Stable Video Diffusion ve benzeri jeneratif video modelleri de zamansal tutarlılık için optik akış rehberliğinden yararlanmaktadır. OpenCV, `calcOpticalFlowFarneback` ve `calcOpticalFlowPyrLK` fonksiyonlarıyla hem yoğun hem seyrek akış hesaplamayı pratikte erişilebilir kılar.
Pose Estimation (Poz Tahmini)
Poz Tahmini (Pose Estimation), görüntü veya video karelerinden insan vücudunun anatomik eklem noktalarını (keypoints) otomatik olarak tespit eden ve bu noktalar arasındaki bağlantılarla iskelet yapısı oluşturan bir bilgisayarlı görü tekniğidir. Omuzlar, dirsekler, bilekler, kalçalar, dizler ve ayak bilekleri gibi 17 ila 133 arası değişen sayıda eklem noktası tahmin edilerek kişinin tüm vücut duruşu sayısal olarak modellenir. Teknoloji iki temel boyut üzerinde sınıflandırılır. İki Boyutlu (2B) Poz Tahmini, görüntüdeki piksel koordinatlarında x ve y değerleri olarak eklem noktalarını belirler; hesaplama yükü düşüktür ve gerçek zamanlı uygulamalarda öne çıkar. Üç Boyutlu (3B) Poz Tahmini ise derinlik (z) bilgisini de hesaba katarak gerçek dünya koordinatlarında iskelet çıkarır; bu yöntem biyomekanik analiz ve spor performansı ölçümü için tercih edilir. Mimari yaklaşımlar açısından iki temel strateji mevcuttur. Yukarıdan Aşağıya (Top-Down) yöntemde önce bir nesne tespiti modeliyle her kişi çerçevelenir, ardından her birey için poz ayrıca hesaplanır; bu yaklaşım doğruluk açısından üstündür. Aşağıdan Yukarıya (Bottom-Up) yöntemde ise görüntüdeki tüm eklem noktaları tek seferde tahmin edilip bireylere atanır; kalabalık sahnelerde daha verimli çalışır. Alandaki öncü araçlar şunlardır: Carnegie Mellon Üniversitesi'nin geliştirdiği OpenPose (2017) çok kişili poz tahmininde referans çalışma olmuştur; Google'ın MediaPipe BlazePose mimarisi 30 FPS'in üzerinde gerçek zamanlı mobil çalışma sağlar; transformer tabanlı ViTPose ve ViTPose++ ise COCO ve MPII başarım ölçütlerinde en yüksek sonuçları elinde tutmaktadır. Uygulama alanları son derece geniştir: spor performansı analizi ve koçluk, fizyoterapi ve rehabilitasyon takibi, artırılmış ve sanal gerçeklik etkileşimi, oyun kontrolü, güvenlik kamerasında davranış analizi, endüstriyel ergonomi denetimi ve insansız araç sistemlerinde insan algısı bu alanların başında gelir. Temel teknik zorluklar arasında örtülme (occlusion), kıyafet çeşitliliği nedeniyle görünüm değişkenliği, bakış açısı belirsizliği ve kaynakları sınırlı cihazlarda gerçek zamanlı işleme bulunmaktadır. Derin öğrenme yöntemleri ve büyük ölçekli veri setleri bu zorlukların büyük bölümünü aşmayı başarmıştır.
Video Inpainting Nedir? (Video Tamamlama)
Video inpainting (Türkçe: video tamamlama), bir video sekansındaki hasarlı, eksik veya istenmeyen bölgelerin — nesne kaldırma maskeleri, çizikler, altyazılar, gizlilik amaçlı anonimleştirilecek alanlar — çevre pikseller ve zamansal bağlamdan üretilen içerikle kusursuz doldurulması işlemidir. Görüntü inpainting'den temel farkı, uzamsal tutarlılığın yanı sıra kareler arası zamansal tutarlılığı (temporal coherence) da zorunlu kılmasıdır: arka plan dokusu, nesne hareketi ve aydınlatma birbirini izleyen tüm karelerde tutarlı kalmalıdır. Geleneksel yaklaşımlar yamak tabanlı algoritmalar ve optik akış (optical flow) yöntemlerine dayanıyordu; bu teknikler statik sahnelerde işe yarasa da karmaşık kamera hareketlerinde ve örtüşen nesnelerde bozulmalar üretiyordu. 2020'lerin başından itibaren transformer ve derin evrişimli mimariler alanı köklü biçimde değiştirdi. STTN (Spatial-Temporal Transformer Network), sekanslar arasında dikkat mekanizması kurarak uzun menzilli bağımlılıkları yakalar. E2FGVI (End-to-End Flow-Guided Video Inpainting), optik akış tahminini, içerik üretimini ve yayma adımlarını tek bir hesaplama grafiğine entegre eder. ProPainter (ICCV 2023), yayılmış optik akış mimarisiyle hem hesaplama verimliliğini hem de zamansal tutarlılığı iyileştirerek alanda önemli bir kıyaslama noktası haline gelmiştir. 2024-2025'te ise VideoPainter ve DiTPainter gibi diffusion transformer tabanlı modeller metin güdümlü, daha yüksek kaliteli doldurma kapasitesi sunmaktadır. Başlıca kullanım alanları şunlardır: istenmeyen nesne ya da marka logosunu video kliplerden otomatik kaldırma, yüz ve plaka anonimleştirme, eski film restorasyon, sinema efektleri (tel giderme, sahne temizleme) ve kullanıcı yönlendirmeli içerik düzenleme. Yüksek çözünürlüklü videolarda hesaplama maliyeti hâlâ önemli bir engel oluşturmaktadır; ancak GPU işlem gücündeki artış, donanım hızlandırma teknikleri ve diffusion modellerinin bu alana girmesiyle gerçek zamanlı uygulamalar giderek yaklaşmaktadır. Açık kaynak araçlar (ProPainter, E2FGVI) ve ticari API'ler bu teknolojiyi geniş bir geliştirici kitlesine erişilebilir kılmaktadır.
Video Synthesis (Video Sentezi)
Video sentezi, derin öğrenme modellerinin metin açıklamalarından, statik görüntülerden veya mevcut video kliplerinden gerçekçi ve tutarlı video içeriği oluşturduğu yapay zeka disiplinidir. Görüntü üretiminin video boyutuna taşınması ek bir zorluk katmanı getirir: modelin hem her kare içindeki görsel kaliteyi hem de kareler arasındaki hareket tutarlılığını, fizik yasalarına uyumu ve nesne sürekliliğini öğrenmesi gerekir. Video sentezinin teknik temeli genellikle difüzyon modelleri veya otoregresif transformer'lara dayanır. Difüzyon tabanlı yaklaşımlar, gürültülü bir video latent uzayından adım adım geriye doğru gürültü gidererek (denoising) nihai videoyu üretir; bu süreçte hem uzamsal (spatial) hem de zamansal (temporal) dikkat mekanizmaları kullanılır. OpenAI'nin Sora modeli (2024), geniş bağlam penceresi ve video token'larını "spacetime patch" olarak modellemesiyle 60 saniyeye kadar tutarlı video üretebilmektedir. Google DeepMind'ın Veo 2 modeli ise fiziksel hareket, kamera açısı ve ışık yansımalarını gerçekçi biçimde simüle ederek filmlerde çekim üretiminde kullanılan karmaşık sahneleri modelleyebilmektedir. Ticari arenada Runway Gen-3 Alpha, Kling (Kuaishou), Pika ve Hailuo gibi platformlar metin-video ve görüntü-video görevlerde güçlü performans sergilemektedir. Bu modeller tipik olarak 5-10 saniyelik klipleri saniyeler içinde üretebilmekte; 2025 itibarıyla bazıları 4K çözünürlük desteği sunmaktadır. Kullanım alanları arasında reklam filmleri, eğitim videoları, oyun varlıkları, film previzualizasyonu ve sosyal medya içeriği yer almaktadır. Teknoloji, film prodüksiyon maliyetlerini dramatik biçimde düşürme potansiyeli taşıdığından sinema ve reklam sektörlerinde yakından izlenmektedir. Teknolojinin hızlı gelişimi beraberinde önemli etik soruları da getirmiştir. Deepfake içeriklerinin giderek gerçekten ayırt edilemez hale gelmesi, seçim süreçlerinde dezenformasyon ve kişilik hakları ihlalleri açısından ciddi riskler taşımaktadır. Bu bağlamda C2PA (Coalition for Content Provenance and Authenticity) standartları gibi içerik köken izleme mekanizmaları ve yapay zekayla oluşturulan içerikleri damgalamaya (watermarking) yönelik düzenleyici girişimler giderek önem kazanmaktadır. AB Yapay Zeka Yasası ve ABD'deki çeşitli eyalet düzenlemeleri, sentetik video içeriklerinin açıkça etiketlenmesini zorunlu kılmaya yönelik adımlar atmaktadır.
Image Classification (Görüntü Sınıflandırma)
Görüntü sınıflandırma (image classification), bir bilgisayar görü görevidir ve modelin girdi görüntüsünü önceden tanımlanmış kategorilerden birine atamasını gerektirir. Nesne tespiti bölge koordinatları, bölütleme piksel maskeleri çıkarırken sınıflandırma yalnızca "bu görüntüde ne var?" sorusunu yanıtlar. 2012 yılında AlexNet'in ImageNet Large Scale Visual Recognition Challenge (ILSVRC) yarışmasında derin evrişimli sinir ağlarını kullanarak top-5 hata oranını %26'dan %17'ye indirmesi alanın dönüm noktasıdır. Bunu VGGNet, GoogLeNet (Inception) ve 2015'te ResNet izledi; ResNet'in artık bağlantıları (residual connections) gradyan kaybını çözerek 152 katmanlı ağların eğitimini olanaklı kıldı. Bu gelişmeyle insan düzeyi doğruluğun (~%5 top-5 hata) altına inildi. Modern görüntü sınıflandırma ardışık düzeni şu adımları izler: ham pikseller evrişimli katmanlar aracılığıyla özellik haritalarına dönüştürülür; global havuzlama ile sabit boyutlu vektöre indirgenir; son katmanda Softmax fonksiyonu her sınıf için olasılık dağılımı üretir. Top-1 doğruluk (en yüksek olasılıklı sınıf) ve top-5 doğruluk (ilk beş tahmin içinde gerçek sınıfın bulunması) temel değerlendirme metrikleridir. Transfer öğrenme uygulamalarda belirleyici hâle gelmiştir: ImageNet'te ön eğitilmiş bir model alınarak son katmanları hedefe özgü sınıflar için ince ayar yapılır. Bu yöntem veri gereksinimini ve eğitim süresini önemli ölçüde azaltır. EfficientNet, bileşik ölçeklendirme ile doğruluk ve hesaplama verimliliğini birlikte optimize eden bir yaklaşım sunarken Vision Transformer (ViT), 2020'den itibaren saf dikkat mekanizmasıyla CNN tabanlı modellere kıyaslanabilir performans elde etmiştir. ConvNeXt ise Transformer tasarım ilkelerini CNN mimarisine taşıyarak 2022'de kıyaslama tablolarında üst sıralara yerleşmiştir. Tıbbi görüntüleme (radyoloji, patoloji), tarımsal zararlı ve hastalık tespiti, kalite kontrol sistemleri ve uydu görüntüsü analizi başlıca uygulama alanlarını oluşturmaktadır. Öte yandan, eğitim dağılımından farklı verilerle performansın dramatik düşmesi (dağılım kayması) ve önyargılı eğitim kümelerinden kaynaklanan adalet sorunları, uygulamalarda dikkat edilmesi gereken kritik kısıtlamalardır.
Keypoint Detection (Anahtar Nokta Tespiti)
Anahtar nokta tespiti (keypoint detection), bir görüntü veya videodaki anlam taşıyan belirli nokta konumlarını tespit eden bilgisayarlı görü görevidir. Bu noktalar; insan vücudundaki eklem yerleri (dirsek, diz, omuz), yüz anatomisi (göz köşeleri, burun, ağız), ya da nesneler üzerindeki köşe ve kenar noktaları olabilir. Her anahtar nokta, bir koordinat çifti (x, y) ve isteğe bağlı görünürlük skoru ile temsil edilir. Klasik yöntemler arasında Harris köşe detektörü (1988), SIFT (Scale-Invariant Feature Transform, 2004) ve ORB (Oriented FAST and Rotated BRIEF) sayılabilir. Bu yöntemler, el ile tasarlanmış matematiksel özniteliklere dayanır ve ölçek ile döndürme değişmezliği sunar. Ancak derin öğrenme çağında, CNN tabanlı mimariler bu klasik yöntemlerin çok ötesine geçti. Modern derin öğrenme yaklaşımları ısı haritası (heatmap) stratejisi benimser: ağ, her olası anahtar nokta konumu için bir olasılık haritası üretir; haritanın doruk noktası ilgili eklem ya da anatomi konumuna karşılık gelir. HRNet (High-Resolution Network), StackedHourglass ve YOLO'nun poz başlığı bu anlayışla çalışan başlıca modellerdir. ViTPose gibi Transformer tabanlı mimariler ise küresel dikkat mekanizması ile bağlamı daha geniş bir alanda değerlendirir ve COCO kıyaslamalarında üstün başarı çıtaları koyar. Uygulamalar arasında insan poz tahmini, yüz tanıma, el takibi, artırılmış gerçeklik, spor video analitiği, tıbbi görüntüleme, otonom araç algısı ve robotik kavrama planlaması sayılabilir. Standart kıyaslama için COCO Keypoints veri kümesi ve OKS (Object Keypoint Similarity) metriği yaygın olarak kullanılır. Birden fazla kişinin bulunduğu sahnelerde top-down yaklaşım (önce kişi tespiti, ardından her kişi için nokta tahmini) ve bottom-up yaklaşım (tüm iskelet noktalarını bul, sonra kişilere ata) olmak üzere iki temel strateji uygulanır. MediaPipe, OpenPose ve Ultralytics YOLO-pose bu iki yaklaşımın popüler uygulamalarıdır. Video tabanlı uygulamalarda zamansal tutarlılık kritik öneme sahiptir; Kalman filtresi veya hareketli ortalama ile nokta yörüngesi düzeltilerek titreme azaltılır. 3D anahtar nokta tespitinde ise VideoPose3D gibi modeller, 2D tahminleri derinlik boyutuna kaldırarak üç boyutlu iskelet çıkarır. Türkiye'de spor bilimleri ve rehabilitasyon alanında keypoint detection tabanlı hareket analizi uygulamaları giderek yaygınlaşmaktadır.
Süper Çözünürlük Nedir? AI ile Görüntü Netleştirme (Süper Çözünürlük)
Süper çözünürlük (super-resolution), düşük çözünürlüklü (Low-Resolution / LR) bir görüntüden yüksek çözünürlüklü (High-Resolution / HR) bir görüntü elde etme işlemidir. Geleneksel bicubic enterpolasyon yöntemi yalnızca komşu piksel değerlerinin ağırlıklı ortalamasını alarak görüntüyü büyütür; bu süreç var olan bilginin yeniden dağıtılmasından ibarettir ve kenarları yumuşatıp bulanık bir sonuç üretir. Derin öğrenme tabanlı süper çözünürlük modelleri ise farklı bir strateji izler: milyonlarca LR–HR görüntü çiftinden öğrendikleri istatistiksel örüntüleri kullanarak görüntüde var olmayan piksel bilgisini halüsinasyon yoluyla üretirler. Bu 'halüsinasyon', kontrollü ve istatistiksel açıdan tutarlı olduğunda gerçek bir görsel zenginleşme yaratır; ancak yanlış öğrenilmiş bir modelde asıl görüntüde bulunmayan yapılar da eklenebilir. SRCNN (2014) alanın ilk derin öğrenme modelidir; üç konvolüsyon katmanıyla bile bicubic yöntemini PSNR metriğinde net biçimde geride bırakmıştır. SRGAN (2017) ise GAN çerçevesini devreye sokarak perceptual kaliteyi matematiksel metriklerden ayırdı: model daha düşük PSNR üretmesine rağmen insan gözüne çok daha doğal göründü. ESRGAN ve Real-ESRGAN gerçek dünya bozulmalarına (JPEG artefaktı, film tanesi, odak bulanıklığı) dayanıklı hale gelirken, SwinIR (2021) Swin Transformer mimarisiyle uzun menzilli bağımlılıkları yakalayarak referans model konumuna yükseldi. 2023'ten itibaren StableSR ve DiffBIR gibi difüzyon tabanlı modeller, gürültüyü kademeli olarak gidererek son derece gerçekçi dokular ve yüz detayları üretmeyi başardı. Uygulama alanları son derece geniştir: tıbbi görüntülemede MRI ve BT kesitlerinin netliği artırılırken, uydu görüntülerinde bina veya arazi örtüsü tespiti iyileştirilir. Dijital arşivlerde bozulmuş fotoğraflar restore edilir, video akışında düşük bant genişliği için sıkıştırılmış içerik yüksek çözünürlükte yeniden yapılandırılır. PSNR ve SSIM uzun süre temel metrikler olarak kullanılmış; ancak LPIPS ve DISTS gibi perceptual metrikler, insan algısıyla çok daha iyi örtüşen ölçümler sunmaktadır. Video süper çözünürlükte kareler arası tutarlılık ek bir zorluk oluşturur: optik akış hizalaması veya temporal attention mekanizmaları bu titreme (flickering) sorununu gidermek için kullanılır.
YOLO (You Only Look Once) (YOLO Nesne Algılama)
YOLO (You Only Look Once), gerçek zamanlı nesne algılama görevleri için tasarlanmış, son derece hızlı ve doğru bir derin öğrenme mimarisidir. 2016 yılında Joseph Redmon ve arkadaşları tarafından tanıtılan YOLO, nesne tespitini tek bir ileri geçiş (single forward pass) işlemine indirgeyerek dönemin en hızlı nesne algılama sistemi haline gelmiştir. Geleneksel nesne algılama yaklaşımları (R-CNN ve türevleri) görüntüyü önce bölgelere ayırır, ardından her bölge için sınıflandırma yapar; bu iki aşamalı süreç yavaş çalışır. YOLO ise görüntüyü S×S ızgara hücrelerine böler; her hücre sabit sayıda bounding box tahmini ve sınıf olasılıkları üretir. Tüm bu tahminler tek bir CNN ile aynı anda hesaplanır. Bu yaklaşım, YOLO'nun saniyede 45 kare (FPS) ile işlem yapmasına ve gerçek zamanlı uygulamalar için ideal olmasına olanak tanır. Mimari açıdan YOLO, özellik çıkarmayı (feature extraction) ve nesne tespitini birleşik bir sinir ağında gerçekleştirir. Her bounding box için beş değer tahmin edilir: merkez koordinatları (x, y), genişlik (w), yükseklik (h) ve güven skoru (confidence score). Güven skoru hem nesne varlığı olasılığını hem de bounding box doğruluğunu (IoU, Intersection over Union) ifade eder. YOLOv1'den günümüze mimarinin önemi giderek artmıştır: YOLOv3 darknet53 omurgasıyla birden fazla ölçekte algılama yaparken, YOLOv5 PyTorch ekosistemiyle entegre olmuş ve endüstri standardı haline gelmiştir. Ultralytics tarafından geliştirilen YOLOv8, instance segmentation ve pose estimation desteğiyle kapsam genişletmiştir. En güncel YOLOv11 ise transformer tabanlı dikkat mekanizmaları ve gelişmiş arka plan modelleriyle %20'ye varan doğruluk artışı sunmaktadır. YOLO, otonom araçlardaki anlık engel algılamasında, güvenlik kameralarındaki kalabalık analizinde, sağlık görüntülemede anomali tespitinde, sanayi hatlarındaki kalite kontrolünde ve spor videolarındaki oyuncu takibinde yaygın biçimde kullanılmaktadır.