category Görüntü ve Video
Görüntü ve Video kategorisi, yapay zeka ve makine öğrenimi alanındaki 47 temel terim ve kavramı kapsar: 3D Yeniden Yapılandırma, Action Recognition, CLIP, ControlNet, DDPM, Denoising. Her terim için tanım, örnek ve ilgili kavramları bu sayfadan keşfedebilirsiniz.
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.
CLIP (Karşıtlıklı Dil-Görüntü Ön Eğitimi)
CLIP (Contrastive Language-Image Pre-Training), OpenAI tarafından 2021 yılında geliştirilen ve doğal dil metinleri ile görüntüleri aynı anlambilimsel uzayda temsil etmeyi öğrenen çok modlu bir yapay zeka modelidir. Alec Radford ve arkadaşları tarafından "Learning Transferable Visual Models From Natural Language Supervision" başlıklı ICML 2021 makalesiyle tanıtılmıştır. Modelin eğitimi iki paralel kodlayıcı üzerine kuruludur: bir görüntü kodlayıcısı (ViT veya ResNet) ve bir metin kodlayıcısı (GPT-2 tabanlı Transformer). Her eğitim adımında N görüntü-metin çifti içeren bir mini-batch oluşturulur; N×N kosinüs benzerlik matrisi hesaplanır. Amaç, diyagonal elemanları (eşleşen çiftler) yakınlaştırırken diyagonal dışı elemanları (eşleşmeyen çiftler) uzaklaştırmaktır. Bu optimizasyon InfoNCE kayıp fonksiyonuyla yürütülür. 400 milyon görüntü-metin çifti içeren WebImageText (WIT) veri kümesi ve 32.768'lik büyük batch boyutu, modeli günümüz çok modlu yapay zekasının temel taşına dönüştürmüştür. CLIP'in en kritik yetkinliği sıfır-atış (zero-shot) transfer öğrenmesidir: modele hiç gösterilmemiş bir kategoriye ait görüntüler, yalnızca o kategorinin metin açıklaması aracılığıyla doğru biçimde sınıflandırılabilir. ImageNet'te herhangi ek eğitim yapılmadan %76,2 doğruluk elde edilmesi bu gücün somut kanıtıdır. Sınıflandırma sırasında potansiyel kategorilerin metin gömmeleri oluşturulur, görüntü gömüsüyle kosinüs benzerliği karşılaştırılır ve en yüksek skorlu kategori tahmin edilir. Uygulama alanları son derece geniştir. Stable Diffusion ve DALL-E gibi metin-görüntü üretim modellerinde CLIP metin kodlayıcısı görevini üstlenir; kullanıcının yazılı ifadesinin görsel üretimi nasıl yönlendireceğini belirler. Unsplash, Google Lens ve pek çok görsel arama motoru CLIP tabanlı anlamsal arama yürütür. Sosyal medya platformları zararlı içerik tespitinde CLIP'ten yararlanmaktadır. Ekosistem açısından OpenCLIP (LAION-2B ile eğitilmiş açık kaynak), SigLIP (sigmoid kayıp, küçük batch ile verimli eğitim), EVA-CLIP ve MetaCLIP öne çıkan türevlerdir. Bununla birlikte CLIP; nesne sayma, mekânsal ilişki anlama ve Türkçe gibi düşük kaynaklı dillerde görece sınırlı kalır. WinoGround ve ARO kıyaslamaları bu bileşimsel akıl yürütme açıklarını belgelemektedir.
ControlNet (ControlNet)
ControlNet, Lvmin Zhang ve Maneesh Agrawala tarafından 2023 yılında yayımlanan "Adding Conditional Control to Text-to-Image Diffusion Models" makalesiyle tanıtılan bir sinir ağı mimarisidir. Stable Diffusion gibi önceden eğitilmiş diffüzyon modellerine, metin koşullamasına ek olarak yapısal görsel koşullar eklemeyi mümkün kılar; böylece üretilen görüntü üzerinde yalnızca metinle ifade edilemeyen kenar, şekil, poz ve derinlik bilgilerini doğrudan kullanıcı kontrolüne sunar. Mimari olarak ControlNet, mevcut UNet tabanlı diffüzyon modelinin kodlayıcı katmanlarını "kilitleyerek" kopyalar. Orijinal ağırlıklar donuk tutulur ve eğitim yalnızca kopyalanan yan daldaki ek katmanlarda gerçekleşir. Bu yaklaşım iki önemli avantaj sağlar: (1) Mevcut model bilgisi korunur — büyük ölçekli yeniden eğitim gerekmez; (2) Koşullama mekanizması ayrı tutulduğundan yeni kontrol türleri (farklı kenar dedektörleri, iskelet formatları vb.) modüler biçimde eklenebilir. ControlNet'in desteklediği başlıca koşullama türleri şunlardır: Canny kenar tespiti (nesne sınırlarını tel kafes olarak aktarma), HED ve MLSD çizgi dedektörleri, OpenPose insan iskelet pozu (vücut anahtar noktaları), Midas derinlik haritası (ön plan/arka plan mesafesi), normal harita (yüzey yönelimi), segmentasyon haritası (SemanticSegmentation) ve scribble (serbest çizim). Kullanıcı bu koşullardan bir veya birkaçını birleştirebilir. Teknik uygulama açısından ControlNet, diffüzyon modelinin her adımında gürültü tahminini iki farklı girdiyle besler: metin gömmeleri ve koşul görüntüsü. Yan ağın çıktıları "sıfır evrişim" (zero convolution) katmanları aracılığıyla ana ağa eklenir; eğitim başında bu katmanlar sıfır ağırlıkla başlar, böylece model eğitim öncesinde orijinal çıktıyı bozmaz. Pratik kullanımda ControlNet, AUTOMATIC1111 ve ComfyUI gibi Stable Diffusion arayüzleriyle entegre çalışır. Karakter tutarlılığı, mimari görselleştirme, animasyon kare-kare çalışma ve kolaj-fotoğraf dönüşümü gibi profesyonel üretim senaryolarında yaygın kullanım bulur. Diffusers kütüphanesi üzerinden Python ile de kolayca erişilebilir.
DDPM (Gürültü Giderme Difüzyon Olasılık Modeli)
DDPM (Denoising Diffusion Probabilistic Models), Jonathan Ho ve arkadaşları tarafından 2020 yılında yayımlanan ve NeurIPS 2020'de sunulan, modern difüzyon modellerinin temelini atan çığır açıcı bir üretici yapay zeka modelidir. GAN ile kıyaslanabilir görüntü kalitesi sunarken çok daha kararlı bir eğitim sürecine sahip olduğunu kanıtlamış; böylece üretici modelleme araştırmalarının rotasını kalıcı olarak değiştirmiştir. DDPM'nin çalışma prensibi iki karşıt süreç üzerine kuruludur. İleri süreçte (forward process, q) temiz veri x₀'a T adım boyunca kademeli Gaussian gürültü eklenir; β_t parametresiyle kontrol edilen bu süreç sonunda veri, N(0,I) dağılımına — yani saf gürültüye — dönüşür. T değeri genellikle 1.000 olarak seçilir; lineer ya da kosinüs gürültü çizelgesi kullanılır. Kosinüs çizelgesi, son adımlarda aşırı gürültüden kaynaklanan kalite kayıplarını azaltması nedeniyle tercih edilir. Ters süreçte (reverse process, p_θ) ise eğitilmiş bir sinir ağı, gürültülü örnekten başlayarak gerçek veri dağılımını adım adım kurtarır. Bu aşamada U-Net mimarisi her adımda eklenen gürültüyü (ε) tahmin eder; kayıp fonksiyonu sadeleştirilerek basit bir ortalama kare hata formuna, L = E[||ε - ε_θ(x_t, t)||²] biçimine indirgenir. U-Net, zaman adımını sinüs pozisyonel gömme olarak aldığından aynı ağırlıklar T farklı gürültü seviyesinde çalışabilir. Böylece eğitim süreci kararlı hale gelir ve GAN'larda sık görülen adversarial dengesizlik sorunu tamamen ortadan kalkar. DDPM'in akademik etkisi son derece geniştir. DDIM (Song ve ark., 2020) belirleyici örnekleme ile adım sayısını 50'ye indirdi; LDM ve Stable Diffusion gizli uzay üzerinde çalışarak hesaplama maliyetini yaklaşık 48 kat azalttı. DALL-E 2, Imagen ve günümüzdeki Flux modelleri metin-görüntü eşleştirmeyi mükemmelleştirdi. Video, ses ve protein tasarımı alanlarına uyarlanan mimariler de DDPM'in temel ε-prediction formülasyonunu devralmıştır. Görüntü oluşturmanın ötesinde, DDPM'den türeyen modeller ilaç keşfi, iklim modelleme ve ses sentezinde de giderek yaygınlaşmaktadır.
Denoising (Gürültü Giderme (Denoising))
Gürültü giderme (denoising), sinyal işleme ve makine öğreniminde bir veriden istenmeyen bozulmaları veya rastgele gürültüyü kaldırma işlemidir. Görüntü işlemede piksellerdeki rastgele varyasyonları temizlemek, seste arka plan gürültüsünü bastırmak ve zaman serisi verilerinde ani sapmalarını düzeltmek için kullanılır. Derin öğrenmede gürültü giderme özellikle iki bağlamda kritik öneme sahiptir. Birincisi, veri ön işleme: Eğitim verisi gerçek dünya kaynaklı olduğundan gürültü doğaldır; temiz veriyle eğitilen modeller genellikle daha iyi genelleme yapar. İkincisi ve daha çarpıcı olanı, difüzyon modellerinin (Diffusion Models) temel mekanizmasıdır: bu modeller bir görüntüye kademeli olarak Gaussian gürültü ekler (forward process), ardından bu gürültüyü adım adım temizlemeyi öğrenir (reverse process). DALL-E 2, Stable Diffusion ve Flux gibi modeller bu gürültü ekleme-giderme döngüsüne dayanır. Klasik gürültü giderme yöntemleri arasında Gaussian filtresi (blur), Median filtresi, Wiener filtresi ve Non-local Means bulunur. Derin öğrenme tabanlı yaklaşımlar bu yöntemlerin çok ötesine geçti: DnCNN (Denoising Convolutional Neural Network), gürültü seviyesini tahmin eden blind denoising; U-Net mimarisi temelli encoder-decoder yapılar ise piksel düzeyi hassasiyetle gürültü haritası üretir. Difüzyon modellerinde kullanılan score matching ve DDPM (Denoising Diffusion Probabilistic Model) çerçevesi, gürültü gidermeyi olasılıksal bir süreç olarak modelleyen ve T adım boyunca gürültüyü kademeli olarak azaltan yaklaşımdır. Her adımda model, ε-prediction veya x0-prediction hedefiyle eğitilir: gürültü tahmini yaparak temiz sinyale ulaşır. Bu yapı, yalnızca görüntü değil; ses sentezi (WaveNet), video üretimi ve 3D nokta bulutu oluşturma alanlarında da temel teknik olarak benimsenmiştir. DDIM örnekleyici ise az adımla deterministik gürültü giderme yaparak çıkarım hızını önemli ölçüde artırır. Latent Diffusion modelleri bu süreci VAE ile sıkıştırılmış latent uzayda yürütür; böylece piksel uzayına kıyasla hesaplama maliyeti dramatik biçimde düşer ve 512×512 görüntü üretimi tüketici GPU'larında mümkün hâle gelir. Flow Matching (Flux'un kullandığı yöntem) ise forward süreci daha kısa ve düz bir eğriyle tanımlayarak DDPM'e kıyasla hem daha hızlı hem daha kaliteli gürültü giderme yapabilmektedir.
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.
Diffusion Model (Yayılım Modeli (Diffusion Modeli))
Diffusion modeli, veriye kademeli olarak gürültü ekleyen (ileri süreç) ve ardından bu gürültüden orijinal veriyi adım adım yeniden oluşturmayı öğrenen (ters süreç) bir üretici yapay zeka mimarisidir. Stable Diffusion, DALL-E 3, Midjourney ve Imagen gibi günümüzün en güçlü görüntü üretim sistemleri difüzyon modeline dayanmaktadır. İleri süreçte (forward process) modele verilen temiz görüntüye T adım boyunca Gaussian gürültü eklenir; sonunda görüntü tamamen gürültüye dönüşür. Bu süreç deterministik ve önceden tanımlanmıştır — öğrenme gerektirmez. Ters süreçte (reverse process) model, tamamen gürültülü bir görüntüden başlayarak her adımda biraz daha temizleyerek orijinale yakın bir görüntü üretir. Model bu ters süreci veriden öğrenir. Eğitim sırasında model, belirli bir gürültü seviyesindeki görüntüden hangi gürültünün çıkarılması gerektiğini tahmin etmeyi öğrenir. Kayıp fonksiyonu, tahmin edilen gürültü ile gerçek gürültü arasındaki ortalama kare hatası (MSE) üzerine kuruludur. Çıkarım sırasında tamamen rastgele gürültüden başlanır ve model bu tahmin sürecini T adım boyunca tekrarlayarak yeni, gerçekçi bir görüntü üretir. Metin koşullandırması (text conditioning) ise CLIP gibi bir metin kodlayıcısından gelen vektörün dikkat mekanizmasına (cross-attention) enjekte edilmesiyle gerçekleştirilir. 2020'de Ho ve arkadaşlarının DDPM (Denoising Diffusion Probabilistic Models) çalışması difüzyon modellerini öne çıkardı. Song ve arkadaşlarının DDIM'i (Denoising Diffusion Implicit Models) çıkarım adımlarını yüzlerden onlara indirerek hızlı sentezi mümkün kıldı. Rombach ve arkadaşlarının 2022'de yayımladığı Latent Diffusion Model (LDM) ise pikseller yerine VAE kodlayıcısından üretilen gizli temsil uzayında (latent space) difüzyon işlemini yürüttü; bellek ve hesaplama maliyetini önemli ölçüde düşürdü. Stable Diffusion bu yaklaşımı temel almaktadır. Difüzyon modelleri yalnızca görüntüyle sınırlı değildir: ses (AudioLDM, MusicGen), video (Sora, Gen-2), 3B molekül yapıları ve protein tasarımı (AlphaFold 3) gibi alanlarda da kullanılmaktadır. GAN'lara kıyasla eğitim kararlılığı daha yüksektir ve mod çökmesine daha az eğilimlidir; ancak çıkarım adımlarının tekrarlı uygulanması GAN'lara göre daha yavaş kalır.
DreamBooth (DreamBooth)
DreamBooth, Google Research tarafından 2022 yılında geliştirilen ve yalnızca 3-5 referans görüntüyle metin-görüntü difüzyon modellerini belirli bir özneye özgü olarak kişiselleştiren ince ayar (fine-tuning) tekniğidir. Nataniel Ruiz ve arkadaşları tarafından yayımlanan orijinal makalede tekniğin temel amacı, özne güdümlü üretim (subject-driven generation) olarak tanımlanmıştır. DreamBooth'un çalışma prensibi, modelin sözlüğüne yeni bir kavram yerleştirmeye dayanır. Bu amaçla girdi görüntüleri, dilde nadir kullanılan benzersiz bir metin belirteci (token) içeren bir istemle eşleştirilir. Örneğin "a sks dog" gibi bir istem, "sks" belirtecini yalnızca bu özneyle ilişkilendirir. Eğitim tamamlandığında bu özel belirteç, modelin doğal dil anlayışıyla birleşerek özneyi farklı sahnelerde, stillerde ve ışık koşullarında tutarlı biçimde üretmesine olanak tanır. Tekniğin en kritik bileşeni, sınıf önceli koruma kaybı (class-specific prior preservation loss) mekanizmasıdır. Standart ince ayar sırasında model, yalnızca birkaç referans görüntüye aşırı uyum sağlayarak genel bilgisini yitirebilir; bu fenomen dil kayması (language drift) ya da yıkıcı unutma (catastrophic forgetting) olarak bilinir. Prior preservation kaybı, modeli eş zamanlı olarak aynı sınıftan genel örnekler üretmeye teşvik ederek bu sorunu önler ve modelin üretim çeşitliliğini korur. DreamBooth, tüm U-Net difüzyon modelini ince ayara tabi tuttuğundan LoRA gibi hafif alternatiflere kıyasla daha yüksek kimlik tutarlılığı sağlar; ancak her yeni özne için ayrı bir model ağırlıkları seti (2-4 GB) gerektirir. Bu depolama yükünü azaltmak amacıyla DreamBooth + LoRA kombinasyonu (DreamBooth-LoRA) giderek yaygınlaşmaktadır: tüm model yerine yalnızca düşük boyutlu adaptör matrisleri güncellenerek dosya boyutu yaklaşık 150 MB düzeyine indirilebilmektedir. Uygulama tarafında Hugging Face diffusers kütüphanesi, Kohya-ss arayüzü ve Automatic1111 eklentisi gibi topluluk araçları DreamBooth eğitimini erişilebilir kılar. Stable Diffusion 1.5 ve SDXL'in yanı sıra 2024-2025 döneminde yaygınlaşan Flux.1 modeli de DreamBooth ile ince ayarlanabilmektedir. Yapay zeka topluluğunda karakter tutarlılığı, ürün fotoğrafçılığı, sanatsal portre üretimi ve kişisel avatar oluşturma gibi alanlarda geniş çaplı kullanıma sahiptir.
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.
Flux (Flux (Görüntü Üretim Modeli))
Flux, Black Forest Labs tarafından 2024 yılında geliştirilen ve metin tabanlı görüntü üretiminde endüstri standardını yeniden belirleyen açık ağırlıklı bir yapay zeka modelidir. Stable Diffusion'ın kurucu ekibi tarafından kurulan Black Forest Labs, Flux ile özellikle prompt uyumu, fotorealistik portre kalitesi ve metin render doğruluğu alanlarında önceki nesil modellerin önüne geçti. Flux ailesi birden fazla sürümden oluşur: Flux.1 Schnell (MIT lisansı, hızlı üretim, ticari kullanıma açık), Flux.1 Dev (açık ağırlıklar, ticari olmayan araştırma), Flux.1 Pro (kapalı API, en yüksek kalite). 2025 sonunda tanıtılan FLUX 2 Pro, 32 milyar parametreyle 4 megapiksel çözünürlüğe kadar görüntü üretebilmekte; karakter tutarlılığı ve renk eşleştirme özellikleriyle öne çıkmaktadır. Flux'un temel teknik farkı Flow Matching mimarisinden kaynaklanır. Diffusion modellerinin Gaussian gürültü ekleme/giderme döngüsü yerine, Flow Matching gürültü alanını görüntü alanına daha verimli bir eğri üzerinden eşler; bu yaklaşım daha az çıkarım adımında yüksek kaliteli görüntü üretilmesine olanak tanır. Flux.1 Schnell yalnızca 4 inference adımıyla ticari düzeyde görseller üretebilir; bu hız Stable Diffusion XL'in 50 adımına kıyasla dramatik bir verimlilik farkıdır. Rekabetçi kıyaslamalarda Flux 1.1 Pro, Midjourney 6.1, Ideogram v2 ve DALL-E 3'ün önünde yer almaktadır. İnsan anatomisi tutarlılığı, el detayları ve tipografi render konusundaki zayıflıklar yıllar içinde büyük ölçüde giderildi. Flux.1 Schnell; Replicate, Hugging Face Spaces, Fal.ai ve ComfyUI aracılığıyla yerel ve bulut ortamlarında erişilebilir durumdadır. Ekosistem açısından Flux, ControlNet, IP-Adapter ve LoRA ince ayar (fine-tuning) gibi araçlarla entegre çalışabilmektedir. Bu entegrasyon; stil transferi, karakter tutarlılığı ve referans görsel tabanlı üretimi mümkün kılar. Yerel çalıştırma için 12 GB VRAM yeterlidir; Schnell sürümü 4-bit niceleme ile daha kısıtlı donanımda da kullanılabilir. İçerik güvenlik filtreleri Pro ve Dev sürümlerinde aktifken Schnell'de kullanıcının tercihine bırakılmıştır.
Gaussian Splatting (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.
Görsel Dil Modeli
Görsel Dil Modeli (Vision Language Model — VLM), görüntü ve metin gibi farklı modaliteleri tek bir sinir ağı içinde birleştirerek hem görsel hem dilsel bilgiyi anlayıp üretebilen çok modlu (multimodal) yapay zeka modelidir. Geleneksel dil modelleri yalnızca metni işlerken VLM'ler bir fotoğraftaki nesneyi tanımlayabilir, grafik ve tabloları yorumlayabilir, belge görsellerinden bilgi çıkarabilir ya da görsel içeriklere dayalı sorulara yanıt verebilir. VLM mimarisinin temel bileşenleri üç katmandan oluşur. Görsel kodlayıcı (visual encoder): ViT (Vision Transformer) gibi bir model, ham piksel verisini yüksek boyutlu gömme vektörlerine dönüştürür. Bağlantı katmanı (connector/projector): CLIP, LLaVA tarzı MLP veya Q-Former gibi yapılar görsel gömmeleri dil modelinin token uzayına projeksiyonlar. Dil modeli omurgası: Görsel ve metin token'larını birlikte işleyen büyük bir Transformer, bağlamsal anlam oluşturur ve metin çıktısı üretir. Bu üç adımlı yapı, modelin bir resme bakarak ayrıntılı yanıtlar üretmesini mümkün kılar. Öne çıkan VLM'ler arasında GPT-4 Vision (OpenAI), Claude 3 ve 4 serileri (Anthropic), Gemini Pro Vision (Google) ve açık kaynak alternatifleri LLaVA, Idefics, MiniGPT-4 ve Qwen-VL sayılabilir. Bu modeller görüntü açıklama (image captioning), görsel soru yanıtlama (VQA), belge anlama (document understanding), grafik yorumlama ve tıbbi görüntü analizi gibi görevlerde kullanılmaktadır. Değerlendirme kıyaslamaları arasında VQAv2, MMBench (çok modlu dil anlama), MMMU (üniversite düzeyi görsel anlama) ve TextVQA yer almaktadır. VLM'lerin bilinen sınırları arasında halüsinasyon (modelin görüntüde olmayan şeyleri 'görmesi'), mekansal ilişkileri yorumlamadaki güçlükler ve yüksek çözünürlüklü görüntülerde artan hesaplama maliyeti sayılabilir. 2025–2026 döneminde VLM araştırmaları video anlama, gerçek zamanlı akış işleme ve çok adımlı görsel akıl yürütme üzerine yoğunlaşmaktadır. Türk sağlık, eğitim ve e-ticaret sektörleri için Türkçe metin içeren belgeleri işleyebilen VLM uygulamaları giderek önem kazanmaktadır. Gizlilik gerektiren kullanım senaryolarında bulut tabanlı API'ler yerine yerel dağıtım yapılabilecek açık kaynak VLM'ler tercih edilmektedir.
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 Captioning (Görüntü Altyazılama)
Image Captioning (Görüntü Altyazılama), bir görüntünün içeriğini otomatik olarak doğal dilde açıklayan çok modlu (multimodal) yapay zeka tekniğidir. Erişilebilirlik alt metni üretmekten e-ticaret ürün açıklamasına, güvenlik kamerası analizinden tıbbi görüntü raporlamasına uzanan geniş bir kullanım yelpazesine sahiptir. Teknik açıdan modern sistemler encoder-decoder çerçevesine dayanır. Görüntü encoder'ı (ViT, CNN veya bunların birleşimi), piksel matrisini yoğun bir özellik vektörüne sıkıştırır. Metin decoder'ı (genellikle transformer tabanlı bir dil modeli), bu vektörü koşul olarak alarak sözcük sözcük açıklamayı üretir. Eğitim için görüntü-metin çifti veri setleri kullanılır: MS-COCO (her görüntü için 5 farklı insan referansı), Flickr30K ve Conceptual Captions başlıca kaynaklardır. 2022'de Salesforce'un yayımladığı BLIP (Bootstrapping Language-Image Pre-Training), web'den derlenen gürültülü görüntü-altyazı çiftlerini kendi kendine filtreleyerek eğitim kalitesini artırdı. Microsoft'un GIT (Generative Image-to-Text) modeli, her decoder katmanına görsel özellik enjekte ederek metinsel bağlamı korur. Google DeepMind'ın Flamingo modeli büyük dil modelini görsel girdi ile koşullandırarak few-shot image captioning'de yeni referanslar belirledi. BLIP-2, LLaVA ve Qwen-VL gibi daha yeni sistemler ise görüntü altyazılamanın ötesine geçerek görsel soru yanıtlama (VQA) ve yönerge takibini tek mimaride birleştirmektedir. Değerlendirmede BLEU, METEOR ve ROUGE gibi metin benzerliği metrikleri yanı sıra, image captioning'e özgü CIDEr (Consensus-based Image Description Evaluation) ve SPICE metrikleri kullanılır. CIDEr, insan referans açıklamalarıyla konsensüse dayalı n-gram benzerliğini ölçer; SPICE ise sahne grafiği (scene graph) ayrıştırması yaparak anlamsal doğruluğu değerlendirir. Türkiye'de erişilebilirlik mevzuatı (Ekim 2023'ten itibaren kamu web sitelerinde WCAG 2.1 AA zorunluluğu) görüntü altyazılama teknolojisine kurumsal talebi artırmaktadır. E-ticaret platformları görsel ürün kataloğunu metin olarak indeksleyerek arama motorlarında görünürlük elde etmekte; medya ve yayın arşivleri tarihî fotoğrafları otomatik etiketlemek için bu teknikten yararlanmaktadır.
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.
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.
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.
Image-to-Image (Görüntüden Görüntüye Dönüşüm)
Image-to-image (img2img), var olan bir görüntüyü başlangıç noktası olarak kullanıp metin istemi rehberliğinde yeni bir görüntü üreten yapay zeka tekniğidir. Sıfırdan görüntü oluşturan text-to-image yöntemlerinin aksine, img2img giriş görüntüsündeki kompozisyon, renk dengesi ve genel yapıyı büyük ölçüde koruyarak belirlenen dönüşümleri uygular; böylece çıktı üzerinde daha fazla kontrol sağlanır. Diffüzyon tabanlı img2img sürecinde önce giriş görüntüsüne hesaplanan miktarda gürültü (noise) eklenir; ardından bu gürültülü görüntü, metin isteği tarafından yönlendirilen ters diffüzyon (denoising) süreciyle yeniden oluşturulur. İşlemin temel parametresi olan denoising strength (gürültü giderme gücü), orijinal görüntüden ne kadar uzaklaşılacağını belirler: düşük değerlerde (0.1–0.3) girdi büyük ölçüde korunurken, yüksek değerlerde (0.7–1.0) radikal dönüşümler gerçekleşir. Img2img'in başlıca kullanım alanları şunlardır: kaba eskizlerin gerçekçi görüntülere çevrilmesi, fotoğrafların anime veya yağlı boya gibi stillere aktarılması, düşük kaliteli görsellerin iyileştirilmesi ve kahraman konsept tasarımlarının hızlı iterasyonu. Pix2Pix, CycleGAN ve InstructPix2Pix gibi özel modeller de img2img paradigmasının farklı varyantlarıdır. ControlNet entegrasyonu ile kenar haritaları, derinlik haritaları veya iskelet verisi eklenerek yapısal kısıtlamalar getirilir; bu da çıktının tutarlılığını önemli ölçüde artırır. Stable Diffusion, DALL-E ve Midjourney gibi araçlar img2img'i sırasıyla img2img modu, variation ve vary özellikleriyle sunar. Flux modeli de yüksek kaliteli img2img sonuçlarıyla dikkat çekmektedir.
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.
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.
Latent Diffusion Model (Gizil Uzay Difüzyon Modeli (Latent Diffusion))
Latent Diffusion Model (LDM), difüzyon işlemini piksel uzayı yerine sıkıştırılmış bir gizil (latent) uzayda gerçekleştiren verimli bir üretici yapay zeka mimarisidir. Robin Rombach ve arkadaşları tarafından 2022 yılında CVPR'da yayımlanan High-Resolution Image Synthesis with Latent Diffusion Models çalışmasıyla kamuoyuna tanıtılan bu yaklaşım, Stable Diffusion'ın temelini oluşturur ve modern yapay zeka görüntü üretiminin standart mimarisine dönüşmüştür. Geleneksel piksel uzayı difüzyon modellerinde (DDPM gibi) tüm hesaplama görüntünün tam boyutunda (örn. 512×512×3 = 786.432 boyut) yapılır; bu son derece hesaplama yoğundur. LDM'de ise süreç üç aşamaya ayrılır: önce bir Varyasyonel Otoenkoder (VAE) görüntüyü çok daha küçük bir gizil temsile sıkıştırır (örn. 64×64×4 = 16.384 boyut); ardından difüzyon süreci bu küçük uzayda çalışır; son olarak VAE dekoderi gizil çıktıyı tam boyutlu görüntüye dönüştürür. Bu sıkıştırma, hesaplama maliyetini piksel tabanlı difüzyona kıyasla yaklaşık 48 kat azaltır. Metin koşullandırması CLIP veya OpenCLIP metin kodlayıcısından gelen vektörlerin U-Net'in cross-attention katmanlarına enjekte edilmesiyle gerçekleşir. Kullanıcının doğal dil açıklaması, görsel uzayda karşılık bulan vektörlere dönüştürülerek görüntü oluşturma sürecini yönlendirir. Sıkıştırma ve kalite arasındaki denge, VAE'nin yeniden yapılandırma başarısına bağlıdır. LDM mimarisinin pratik etkisi devasa olmuştur: tüketici GPU'larında (4–8 GB VRAM) yüksek kaliteli görüntü üretimini mümkün kılmış, SDXL, SD3 ve FLUX.1 gibi türev modellerin gelişimini hızlandırmış, ControlNet ve LoRA gibi kişiselleştirme araçlarına zemin hazırlamıştır. Metin-görüntü üretiminin ötesinde aynı mimari ses (AudioLDM), video (VideoLDM) ve 3D içerik üretiminde de kullanılmaktadır. Türkiye'de grafik tasarım, reklam ve oyun sektörlerinde LDM tabanlı araçların kullanımı 2024-2025 yıllarında belirgin biçimde artmıştır. Gelecekte latent uzay tekniklerinin 3D sahnelere, moleküler yapılara ve ilaç tasarımına genişletilmesi araştırmacılar tarafından aktif olarak incelenmektedir.
Mode Collapse (Mod Çöküşü)
Mod çöküşü (mode collapse), Üretici Çekişmeli Ağlar (GAN) eğitiminde sıkça karşılaşılan kritik bir sorundur. Üretecin (generator), gerçek veri dağılımının tamamını öğrenmek yerine yalnızca belirli bir alt kümesini — tek bir "mod"u — taklit etmeye başlaması durumunda ortaya çıkar. Adından da anlaşılacağı üzere model, olası çıktıların çeşitli dağılımı yerine tek bir noktaya ya da küçük bir kümeye "çöker". GAN mimarisinde üreteci (G) ve ayırt edici (D) ağ birbirine karşı eğitilir: G gerçekçi veriler üretmeye, D ise gerçek ile üretilmiş verileri ayırt etmeye çalışır. Mod çöküşü, bu rekabetçi dengenin bozulmasıyla tetiklenir. Üreteci, ayırt ediciyi kandırabilen birkaç örnek keşfettiğinde aynı kalıpları tekrar üretmeyi öğrenir; farklı girdi gürültüsü vektörleri giderek benzer çıktılara eşlenir. Bunun temel nedeni, standart GAN kayıp fonksiyonunun (Jensen-Shannon ıraksama tabanlı) gradyan sinyallerinin zayıfladığı veya kaybolduğu bölgelere — "vanishing gradient" durumuna — yatkın olmasıdır. Mod çöküşü iki biçimde gözlemlenir. Tam mod çöküşü (complete mode collapse) durumunda üreteci, girdi gürültüsünden bağımsız olarak hep aynı tek bir çıktıyı üretir. Kısmi mod çöküşü (partial mode collapse) durumunda ise üreteci gerçek dağılımdaki modların yalnızca bir kısmını öğrenir; örneğin MNIST rakamları veri kümesinde yalnızca 3, 5 ve 8 rakamlarını üretebilir. Her iki durumda da çıktı çeşitliliği (diversity) ciddi biçimde düşer ve modelin nicel kalite ölçütleri yanıltıcı biçimde yüksek görünebilir. Bu sorunla başa çıkmak için araştırmacılar farklı yaklaşımlar geliştirmiştir. Wasserstein GAN (WGAN), kayıp fonksiyonunu Wasserstein mesafesine dayandırarak daha kararlı gradyanlar üretir ve mod çöküşü riskini belirgin biçimde düşürür. Mini-batch discrimination, ayırt edicinin birden fazla örneği aynı anda değerlendirmesini sağlayarak üretecin çeşitsizliğini cezalandırır. Spektral normalizasyon ise ağırlık matrislerinin Lipschitz koşulunu koruyacak biçimde normalize edilmesini zorunlu kılar. Diffusion modelleri, akış eşleştirme (flow matching) ve VAE gibi alternatif üretici mimari paradigmaları ise mod çöküşüne yapısal olarak daha az eğilimlidir; bu nedenle görsel içerik üretiminde GAN'ların yerini büyük ölçüde almıştır.
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.
NeRF (Sinirsel Radyans Alanları)
NeRF (Neural Radiance Fields — Sinirsel Radyans Alanları), çok sayıda 2D fotoğraftan bir 3D sahneyi örtük (implicit) bir temsille modelleyen derin öğrenme yöntemidir. Ben Mildenhall ve ekibi tarafından ECCV 2020'de sunulan bu yaklaşım, En İyi Makale Onur Ödülü alarak bilgisayarlı görü alanında çığır açtı. Teknik olarak NeRF, bir sahneyi açık geometri (mesh, point cloud) yerine sürekli bir fonksiyon olarak temsil eder. Çok katmanlı algılayıcı (MLP) tabanlı sinir ağı, beş boyutlu bir giriş alır: sahne içindeki 3D konum (x, y, z) ve kameranın bakış yönü (θ, φ). Bu girişlere karşılık ağ, ilgili noktanın RGB rengini ve optik yoğunluğunu (σ) tahmin eder. Hacimsel render (volumetric rendering) denklemi, bir ışın üzerindeki yüzlerce örnek noktanın bu tahminlerini birleştirerek nihai piksel rengini hesaplar. Eğitim sırasında model, tahmin edilen ve gerçek piksel renkleri arasındaki farkı minimize ederek sahneyi kodlayan ağırlıkları öğrenir. Klasik NeRF'in başlıca sınırlılığı yüksek hesaplama maliyetidir; tek bir sahneyi öğrenmek saatler, render ise saniyeler sürebilir. NVIDIA'nın Instant NeRF'i (2022), karma hash tablosu temsiliyle eğitim süresini saniyelere indirdi. Mip-NeRF kamera yakınlaştırma kaynaklı görüntü titremesini çözdü; Zip-NeRF ve Nerfacto birden fazla iyileştirmeyi bir araya getiren modern hibrit yaklaşımlardır. 2023'te ortaya çıkan 3D Gaussian Splatting (3DGS), her noktayı Gauss dağılımıyla temsil ederek NeRF'in örtük modelini açık bir alternatifle değiştirdi. 3DGS gerçek zamanlı render imkânı sunduğundan AR/VR uygulamaları için daha pratik olsa da NeRF araştırma kanalı DreamFusion, Block-NeRF ve EmerNeRF gibi uzantılarla canlılığını sürdürmektedir. Kullanım alanları arasında AR/VR içerik üretimi, film prodüksiyonunda VFX, robot navigasyonu, kentsel haritalama, ürün görselleştirme ve tıbbi görüntüleme öne çıkar. Google, Meta ve Apple gibi şirketler NeRF ve 3DGS tabanlı araçları tüketici ürünlerine entegre etmektedir.
Object Detection (Nesne Tespiti / Nesne Tanıma)
Nesne tespiti (object detection), bir görüntüde veya videodaki nesnelerin hem varlığını hem de konumunu otomatik olarak belirleyen bilgisayarlı görü tekniğidir. Yalnızca görüntünün genelinde ne olduğunu söyleyen görüntü sınıflandırmasının aksine nesne tespiti her nesnenin çevresine bir sınır kutusu (bounding box) çizer ve nesneyi etiketler. Nesne tespiti sistemleri iki ana kategoride incelenir. İki aşamalı detektörler (two-stage detectors), önce potansiyel nesne bölgeleri önerir (Region Proposal Network), ardından bu bölgeleri sınıflandırır. Faster R-CNN bu kategorinin öncü modelidir. Tek aşamalı detektörler (one-stage detectors), tahmin ve sınıflandırmayı tek bir geçişte gerçekleştirir; YOLO serisi ve SSD bu kategorinin en bilinen modelleridir. YOLO'nun evrimi nesne tespitinin tarihini özetler: YOLOv1 (2016), YOLOv3, YOLOv5, YOLOv8 ve YOLOv11'e uzanan her sürümde hız/doğruluk dengesi iyileştirilmiştir. Ultralytics'in YOLOv8'i, kolay kullanım ve güçlü performanıyla topluluk standardı haline gelmiştir. Transformer tabanlı DETR (Detection Transformer), bounding box tahmini ile dikkat mekanizmasını birleştirerek alanı yenilemiş; anchor-free tasarımıyla geleneksel bileşenlere olan bağımlılığı azaltmıştır. Değerlendirme metriği olarak mAP (mean Average Precision) kullanılır; bu metrik, farklı IoU (Intersection over Union) eşiklerindeki precision-recall eğrisinin altındaki alan ortalamasını ölçür. COCO veri kümesi, nesne tespiti modellerinin karşılaştırılması için endüstri standardı haline gelmiştir. Gerçek zamanlı uygulamalarda (otonom araçlar, güvenlik kameraları, drone görüntü analizi) düşük gecikme kritik olduğundan tek aşamalı detektörler ön plana çıkar. Örnek olarak YOLOv8n (nano), CPU üzerinde 60+ FPS hızında çalışabilirken YOLOv8x (extra large) COCO'da daha yüksek mAP değerleri elde eder. Model seçimi, donanım kısıtları ve doğruluk gereksinimine göre yapılmalıdır; TensorRT ve ONNX optimizasyonu üretim dağıtımında gecikmeyi önemli ölçüde düşürür; bu sayede edge cihazlarda bile gerçek zamanlı çıkarım mümkün olur. Instance segmentation (YOLOv8-seg, Mask R-CNN) ve keypoint detection gibi türev görevler, nesne tespiti altyapısını piksel düzeyi veya iskelet bazlı analizle genişletir.
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.
Optical Flow (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.
Panoptik Bölütleme (Panoptik Bölütleme)
Panoptik bölütleme (panoptic segmentation), semantik bölütleme ile örnek bölütlemenin birleşiminden oluşan kapsamlı bir bilgisayarlı görü görevidir. Alexander Kirillov ve ekibinin 2018'de tanımladığı bu yaklaşım, bir görüntüdeki her pikseli aynı anda hem bir anlamsal sınıfa (gök, zemin, bina gibi sayılamaz "stuff" kategorileri) hem de bireysel nesne kimliğine (1. araç, 2. araç gibi sayılabilir "things" kategorileri) atar. Geleneksel bölütleme yöntemlerinin kısıtlarını anlamak panoptik yaklaşımın değerini ortaya koyar. Semantik bölütleme, her piksele sınıf etiketi verir fakat aynı sınıftaki ayrı nesneleri birbirinden ayırt etmez — tüm arabalar tek bir bölge olarak işlenir. Örnek bölütleme ise her nesne örneğini maskesiyle saptar ancak arka plan piksellerini görmezden gelir. Panoptik bölütleme bu iki yaklaşımı tek çıktıda birleştirerek hem nesne sayımını hem de sahne anlayışını mümkün kılar. Performans ölçütü olarak Panoptik Kalite (PQ) metriği kullanılır. PQ = Segmentasyon Kalitesi (SQ) × Tanıma Kalitesi (RQ) formülüyle hesaplanır; SQ tahmin ile gerçek maske örtüşmesini, RQ ise doğru saptanan nesnelerin oranını ölçer. Mimariler açısından Mask R-CNN, Panoptic FPN ve sonraki nesil transformer tabanlı yaklaşımlar (Panoptic SegFormer, Mask2Former) bu alanda öne çıkar. Mask2Former, maskelenmiş dikkat mekanizmasıyla hem semantik hem örnek bölütleme görevlerini aynı ağırlıklarla çözebilir ve COCO, ADE20K gibi kıyaslamalarda birden fazla sette üstün sonuçlar üretmektedir. Uygulama alanları özerk araçlardan (her nesne ve yüzey türünün çevre haritasına eklenmesi) tıbbi görüntülemeye (organ tespiti ve doku sınıflandırması), endüstriyel kalite kontrole (hatalı parça sayımı ve sınıflandırması) kadar uzanır. Özellikle robotik algı sistemlerinde sahnenin eksiksiz anlaşılması için panoptik bölütleme kritik işlev üstlenir.
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.
SAM (SAM (Her Şeyi Segmentleyen Model))
SAM (Segment Anything Model — Her Şeyi Segmentleyen Model), Meta AI Research tarafından 2023'te yayımlanan ve görüntü segmentasyonunda sıfır-atış (zero-shot) genelleştirme yeteneği sunan temel bir bilgisayarlı görü modelidir. Geleneksel segmentasyon modelleri belirli nesne kategorileri için özel olarak eğitilirken SAM, yalnızca bir nokta, sınır kutusu veya metin istemi ile görüntüdeki herhangi bir nesneyi anında segmentleyebilir. Model, 11 milyondan fazla görüntü ve 1,1 milyardan fazla maske içeren SA-1B veri kümesiyle eğitilmiştir — segmentasyon alanındaki en büyük veri setlerinden biridir. SAM üç ana bileşenden oluşur: MAE ile önceden eğitilmiş ViT tabanlı bir görüntü kodlayıcısı, nokta, kutu veya metin girdileri için bir istem kodlayıcısı ve çakışan potansiyel maskeler üreten hafif bir maske dekoderi. Bu mimari, modelin bir görüntüdeki her nesneyi hiçbir kategori bilgisine gerek duymadan ayrıştırmasına imkân tanır. Meta, 2024'te SAM 2'yi yayımladı. SAM 2, SAM'ın video segmentasyonuna genişletilmiş versiyonudur; gerçek zamanlı nesne izleme ve kareler arası tutarlı maske üretimi sunar. Streaming memory mimarisi, daha önce görülmüş karelerin bilgisini saklar ve modelin nesneyi yeniden bulmasına olanak tanır. SAM ile klasik segmentasyon modelleri arasındaki temel ayrım zero-shot kapasitesidir: Mask R-CNN gibi modeller yalnızca eğitildikleri kategorileri tanırken SAM, hiç görmediği nesneleri bile isteme göre ayrıştırır. Bu özellik araştırmacılara ve geliştiricilere büyük esneklik kazandırır; özel veri etiketleme maliyeti olmadan yeni alanlara hızla uyum sağlanabilir. Kullanım alanları oldukça geniştir: tıbbi görüntülemede organ ve lezyon tespiti (MedSAM), otonom araçlarda sahne analizi, AR/VR içerik üretimi, uydu görüntülerinde arazi örtüsü haritalamas ve e-ticaret ürün görsellerinde arka plan kaldırma. Apache 2.0 lisansıyla açık kaynak olarak yayımlanan SAM, MobileSAM ve EfficientSAM gibi hafifletilmiş versiyonlarıyla kenar cihazlara da taşınabilir durumdadır.
Semantic Segmentation (Semantik Bölütleme)
Semantik bölütleme (semantic segmentation), bir görüntüdeki her pikseli belirli bir anlam kategorisiyle etiketleyen bilgisayarla görme görevidir. Nesne tespitinin sınırlayıcı kutular ürettiği ve örnek bölütlemenin aynı sınıftaki nesneleri birbirinden ayırt ettiği aksine; semantik bölütleme pikselleri sınıf düzeyinde sınıflandırır. Çıktı, her piksel için atanmış bir sınıf etiketinden oluşan yoğun bir haritadır. Bu görev, 2014 yılında UC Berkeley'den Long ve arkadaşları tarafından önerilen Tamamen Evrişimli Ağlar (FCN) ile derin öğrenme ekosisteminde köklü bir dönüşüm yaşadı. FCN, kesin piksel tahminlerini üretebilen ilk uçtan uca eğitilebilir mimari olarak kabul edilir; tam bağlantılı katmanları evrişimli katmanlarla değiştirerek değişken boyutlu girdi alabilir hâle geldi. 2015 yılında tıbbi görüntüleme için geliştirilen U-Net, simetrik kodlayıcı-kod çözücü yapısına atlama bağlantıları ekleyerek konumsal bilginin korunmasını sağladı; az örnekli veri kümelerinde bile yüksek başarım gösterdi. Google Brain'in DeepLab serisi, atrous (genişletilmiş) evrişim ile alıcı alanı büyüterek çok ölçekli bağlamı yakaladı. DeepLabV3+ (2018), ayrıntılı bir kod çözücü ekleyerek sınır piksellerindeki doğruluğu belirgin biçimde iyileştirdi. Günümüzde SegFormer ve Mask2Former gibi transformer tabanlı mimariler, küresel dikkat mekanizmasıyla uzun mesafeli bağımlılıkları yakalıyor ve semantik, örnek ile panoramik bölütlemeyi tek yapıda birleştiriyor. Başarım ölçütü olarak mIoU (Mean Intersection over Union) kullanılır. Cityscapes (19 kentsel sınıf), ADE20K (150+ sınıf) ve PASCAL VOC (21 sınıf) temel kıyaslama veri kümeleridir. Özerk araçlar, tıbbi görüntüleme, uydu fotoğrafı analizi ve endüstriyel kalite denetimi en yaygın uygulama alanlarıdır. Gerçek zamanlı çalışması gereken otonom araç sistemlerinde model boyutu ile çıkarım hızı arasındaki denge kritik bir tasarım kararı olmayı sürdürmektedir. Veri etiketleme maliyeti yüksek olduğundan zayıf ve yarı denetimli öğrenme yöntemleri araştırmacılar arasında giderek daha fazla ilgi görmektedir.
Sinirsel Stil Transferi (Sinirsel Stil Transferi)
Sinirsel stil transferi (Neural Style Transfer, NST), bir kaynak görüntünün fotografik içeriğini — nesneler, yapı, kompozisyon — korurken başka bir referans görüntünün sanatsal stilini — fırça darbeleri, renk paleti, doku — bu görüntüye aktaran derin öğrenme tekniğidir. 2015 yılında Leon Gatys, Alexander Ecker ve Matthias Bethge tarafından yayımlanan 'A Neural Algorithm of Artistic Style' başlıklı çalışmayla kamuoyuna tanıtılan bu yöntem, evrişimli sinir ağlarının (CNN) özellik çıkarma kapasitesini sanatsal bir amaca yöneltmiştir. Teknik; bir fotoğrafı Van Gogh'un Yıldızlı Gece tablosunun stiliyle yeniden işlemek ya da bir çizimi Monet empresyonizmi içinde canlandırmak gibi uygulamaları mümkün kılmıştır. NST, derin öğrenme ile yaratıcı görsel üretimin kesişim noktasındaki en erken ve en etkili örneklerden biri olmuştur. Teorik temeli, önceden eğitilmiş bir CNN ağının — genellikle ImageNet üzerinde eğitilmiş VGG-16 ya da VGG-19 — hem içerik hem de stil bilgisini katmansal özellikler aracılığıyla ayrıştırabilmesine dayanmaktadır. İçerik bilgisi, ağın derin katmanlarındaki yüksek seviyeli aktivasyonlarda kodlanırken; stil bilgisi farklı katmanlardaki özellik haritaları arasındaki istatistiksel korelasyonları temsil eden Gram matrisleriyle yakalanmaktadır. Optimizasyon süreci, rastgele gürültüden başlayan bir görüntüyü yüzlerce gradyan adımıyla hem içerik kaybını hem de stil kaybını eş zamanlı azaltacak biçimde şekillendirir. Bu kayıpların ağırlıklı toplamını minimize etmek, iki kaynaktan gelen bilgiyi dengeli biçimde harmanlayan son çıktıyı üretir. Johnson ve arkadaşlarının 2016'da geliştirdiği hızlı stil transferi, önceden eğitilmiş bir dönüştürücü ağ kullanarak işlemi gerçek zamanlı hıza taşımıştır. AdaIN (Adaptive Instance Normalization) yaklaşımı ise herhangi bir stil görüntüsünü tek bir modelle anlık uygulamanın yolunu açmış; bu fikir StyleGAN başta olmak üzere pek çok modern üretken mimarinin içine taşınmıştır. NST günümüzde akıllı telefon uygulamaları, sosyal medya filtreleri, oyun tasarımı ve film konsept sanatı gibi geniş bir alanda kullanılmakta; difüzyon modellerinin yükselişiyle birlikte ise daha semantik ve kontrol edilebilir stil aktarımının temeline ilham kaynağı olmayı sürdürmektedir.
Sora (OpenAI Video Üreticisi)
Sora, OpenAI tarafından Şubat 2024'te duyurulan ve Aralık 2024'te genel kullanıma açılan metin-video (text-to-video) yapay zeka modelidir. Kullanıcıların doğal dil açıklamalarından dakikalara uzanan gerçekçi ve tutarlı video içerikleri üretmesine olanak tanır. Sora'nın teknik mimarisi, görsel verileri uzay-zamansal yamalar (spacetime patches) olarak kodlayan bir transformatör mimarisi üzerine inşa edilmiştir. Görüntü difüzyon modellerinin (DALL-E serisinden bilinen tekniğin) video boyutuna genişletilmesi olan bu yaklaşım, gürültüden başlayarak tutarlı bir video dizisi üretmektedir. OpenAI'nin yayımladığı teknik rapor, modelin "world simulator" olarak tasarlandığını ve fiziksel dünya dinamiklerini içsel olarak modellemeye çalıştığını vurgular. Modelin en dikkat çekici özellikleri arasında tek bir prompttan 60 saniyelik yüksek çözünürlüklü video üretme, farklı görüntü boyutlarını ve en-boy oranlarını destekleme, mevcut görüntüleri öne veya geriye doğru uzatma ve birden fazla video klibini sorunsuz birleştirme yer almaktadır. Rekabetçi bağlamda Sora, Google DeepMind'ın Veo modeli, Meta'nın Movie Gen çalışması ve Runway Gen-3 ile doğrudan rekabet etmektedir. Güvenlik açısından OpenAI, gerçekçi yanlış bilgi ve derin sahte (deepfake) üretimine ilişkin riskleri yönetmek için C2PA metadata standartlarını benimsemiştir; içerikler dijital olarak imzalanarak kaynakları izlenebilir hale getirilmektedir. Ayrıca model belirli politika kurallarını çiğneyen içerikleri (gerçek kişilerin manipülasyonu, grafik şiddet, telif ihlalleri) üretmekten kaçınacak şekilde yapılandırılmıştır. Sora ve benzeri modellerin geniş kitlelere erişmesiyle birlikte video yapım süreçleri köklü biçimde değişmektedir. Kavramsal testler için kullanılan storyboard aşamaları artık dakikalar içinde prototiplenebilmekte; reklam ajansları ve bağımsız yapımcılar prodüksiyon maliyetlerini azaltabilmektedir. Türkiye'de yaratıcı ajanslar, reklam prodüksiyon şirketleri ve bağımsız içerik üreticileri tarafından Sora'nın kullanımı hız kazanmaktadır. Telif hakları ve hakikat standartları bağlamında Türkiye'deki düzenleyici tartışmalar da bu gelişmelere eşlik etmektedir. Video üretim yapay zekası, yaratıcı endüstrinin yeniden şekillenmesinde en kritik teknolojik eşiklerden biri olarak değerlendirilmektedir.
Stable Video Diffusion (Stable Video Diffusion)
Stable Video Diffusion (SVD), Stability AI'ın Kasım 2023'te açık ağırlıklarla yayımladığı, tek bir kaynak görüntüden kısa video klipleri üreten üretken video modelidir. Model, Stable Diffusion 2.1'in latent difüzyon mimarisini temel alır ve U-Net'teki her uzamsal katmanın ardına zamansal evrişim ile zamansal dikkat (temporal attention) katmanları ekleyerek tek tek kareler yerine kare dizilerini gizil uzayda üretir. Kaynak görüntü iki kanaldan koşullandırma olarak verilir: CLIP görüntü kodlayıcısından çıkan gömme çapraz dikkat yoluyla ağa beslenir, görüntünün VAE ile sıkıştırılmış latent temsili ise gürültülü kare latentlerine kanal ekseninde eklenir. Böylece üretilen klip hem kaynak görüntünün kimliğini korur hem de öğrenilmiş hareket dinamiklerini taşır. Modelin iki çeşidi vardır: SVD 14 kare, genişletilmiş SVD-XT ise 25 kare üretir; her ikisi de 1024×576 (16:9) çözünürlükte çalışır. Şubat 2024'te yayımlanan SVD-XT 1.1, aynı çözünürlükte daha tutarlı çıktı için ince ayarlanmış sürümdür. Üretim üç mikro koşullandırma parametresiyle yönlendirilir: fps_id kare hızını, motion_bucket_id (0-255) hareket yoğunluğunu, cond_aug ya da augmentation_strength ise kaynak görüntüye eklenen gürültü miktarını belirler. SVD makalesinin asıl katkısı eğitim reçetesidir. Ekip; görüntü ön eğitimi, büyük ölçekli video ön eğitimi ve yüksek kaliteli video ince ayarı olmak üzere üç aşamalı bir süreç tanımlar. Kesme tespiti, optik akış ile durağan klip eleme ve otomatik altyazılama içeren titiz veri küratörlüğünün nihai kaliteyi en az mimari kadar etkilediğini deneysel olarak gösterir. Aynı taban model daha sonra çoklu görünüm sentezine (SV3D) ve dinamik 3B üretime (SV4D) uyarlanmıştır. Sora, Veo, Kling ve Runway gibi kapalı modeller ile Wan, HunyuanVideo ve LTX-Video gibi yeni açık modeller süre ve kalite açısından SVD'yi geride bıraktı. Yine de SVD; ComfyUI ve Diffusers entegrasyonu, 12-24 GB VRAM ile çalışabilmesi ve kolay ince ayar olanağıyla görüntüden video araştırmalarında ve yerel prototiplemede referans model olmayı sürdürüyor.
Süper Çözünürlük (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.
Text-to-Video (Metinden Videoya)
Text-to-Video, kullanıcının yazdığı bir metin talimatından (prompt) sıfırdan hareketli video klipleri üreten üretken yapay zeka teknolojisidir. Bir fotoğraf üretmek için yeterli olan statik piksel tahmininin ötesinde, video üretimi yapay zekanın zamansal tutarlılık (temporal coherence) sorununu çözmesini gerektirir: her karedeki nesnelerin, ışıkların ve hareketlerin saniyeden saniyeye mantıklı ve fizik yasalarına uygun biçimde akması şarttır. Bu nedenle text-to-video modelleri, text-to-image sistemlerine kıyasla çok daha büyük hesaplama gücü ve karmaşık eğitim süreçleri gerektirir. Modern text-to-video sistemlerinin büyük çoğunluğu Diffusion Transformer (DiT) mimarisine dayanır. Bu yaklaşımda model, metin açıklamasını CLIP veya T5 gibi büyük dil modeliyle gömülü bir vektöre dönüştürür; ardından tamamen gürültüden oluşan bir başlangıç noktasından adım adım piksel bilgisini "geriye çekerek" tutarlı video karelerini oluşturur. OpenAI'ın Sora modeli, "spacetime patch" adını verdiği yenilikçi bir yöntemle uzamsal (piksel) ve zamansal (hareket) boyutları tek bir transformer dikkat mekanizmasına entegre etmiş, bu sayede 60 saniyeye kadar sinematik kalitede video üretebilmiştir. 2024-2025 yıllarında text-to-video ekosistemi hızla olgunlaştı: Sora (OpenAI), uzun süreli fizik gerçekliğine yakın videolar üretirken Runway Gen-3, inpainting ve Image-to-Video özellikleriyle ticari kullanıcılara hitap eder. Pika Labs, 3D animasyon ve anime stillerinde güçlü bir performans gösterirken Kling (Kuaishou) 1080p 120 saniyelik klip üretimi sunmaktadır. Google DeepMind'ın Veo 2 modeli ise gerçekçi insan hareketi ve kamera açıları konusunda endüstri standardını belirlemektedir. Pazarlama, film prodüksiyonu, eğitim ve oyun geliştirme gibi alanlarda içerik üretimi maliyetlerini dramatik biçimde düşüren bu teknoloji, aynı zamanda deepfake üretimini kolaylaştırması nedeniyle ciddi etik ve yasal sorulara yol açmaktadır. Coalition for Content Provenance and Authenticity (C2PA) standardı, yapay zeka kaynaklı videoları tespit etmek için endüstri genelinde benimsenen watermarking ve meta veri protokolünü tanımlamakta; yapay zeka şirketleri ve medya kuruluşları bu standardı aktif biçimde uygulamaya koymaktadır.
Video Diffüzyon (Video Diffüzyon)
Video diffüzyon modelleri, görüntü difüzyon tekniklerini zaman boyutuna genişleterek ardışık ve tutarlı video kareleri üreten derin öğrenme yöntemidir. Temel prensip, eğitim aşamasında gerçek video verilerine kademeli olarak Gaussian gürültüsü eklemek, ardından bu gürültüyü adım adım gidererek anlamlı video dizileri yeniden oluşturmak üzerine kuruludur. Görüntü difüzyonundan temel farkı, modelin hem uzamsal hem de zamansal tutarlılığı aynı anda öğrenmek zorunda olmasıdır. Her kare diğer karelerle tutarlı olmalı; nesneler, ışık koşulları ve hareket vektörleri kesintisiz bir görsel akış oluşturmalıdır. Bu zorunluluk nedeniyle video diffüzyon mimarileri 3D dikkat mekanizmaları veya zamansal konvolüsyon katmanları içerir. Önemli modeller arasında OpenAI'ın Sora'sı öne çıkmaktadır. Sora, Diffusion Transformer mimarisini kullanarak yüksek çözünürlüklü, bir dakikaya kadar uzanan gerçekçi videolar üretebilmektedir. Meta'nın Make-A-Video modeli metin yönlendirmeli video üretimini daha erişilebilir kılarken Stability AI'ın Stable Video Diffusion modeli açık kaynak topluluğuna kapı aralamıştır. Google'ın Lumiere modeli uzay-zaman U-Net mimarisini benimseyerek hareket tutarlılığında çıta yükseltmiştir. Koşullandırma yöntemleri video diffüzyonun pratik kullanımını şekillendirir. Metin-video koşullandırması en yaygın biçimdir. Görüntü-video koşullandırması mevcut bir kareyi başlangıç noktası alarak animasyon üretirken video-video koşullandırması stil transferi ve düzenleme uygulamalarında tercih edilir. Uygulama alanları sinema ve reklam üretiminden tıbbi görselleştirmeye, eğitim içeriklerine ve oyun varlığı üretimine kadar uzanmaktadır. İçerik üreticileri ve reklam ajansları bu modelleri stok görüntü alternatifi olarak benimsemektedir. Zorluklar hâlâ büyüktür: uzun videoların zaman tutarlılığını korumak, fizik yasalarına uygunluğu garantilemek ve hesaplama maliyetini makul düzeyde tutmak başlıca araştırma gündemleridir. Bellek ve işlem gücü gereksinimleri görüntü modellerine kıyasla katbekat yüksektir. Etik açıdan deepfake üretiminin kolaylaşması ve telif hakkı sorunları toplumsal bir tartışma zemini oluşturmaktadır. Latent sıkıştırma ve verimli örnekleme yöntemleri bu engellerin aşılmasına katkı sunmaya devam etmektedir.
Video Inpainting (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 Süper Çözünürlük (VSR) (Video Süper Çözünürlük)
Video Süper Çözünürlük (Video Super-Resolution, VSR), düşük çözünürlüklü video karelerini derin öğrenme modelleri aracılığıyla yüksek çözünürlüklü videolara dönüştüren bir yapay zeka teknolojisidir. Geleneksel yükseltme yöntemleri enterpolasyon (bilineer, çift kübik) kullanırken VSR modelleri, hem tek bir karedeki uzamsal bilgiyi hem de ardışık kareler arasındaki zamansal ilişkiyi öğrenerek gerçekçi doku ve kenar detayları sentezler. VSR sistemleri temel olarak iki kategoriye ayrılır: tekrarlayan ağlar (recurrent networks) ve kayar pencere (sliding window) yaklaşımları. Tekrarlayan ağlar, önceki ve sonraki karelerin bilgisini gizli durum vektörlerinde biriktirir; EDVR ve BasicVSR bu kategorinin öncü örnekleridir. EDVR (Enhanced Deformable convolutional Networks for Video Restoration), deformable convolution v2 ile hassas çok-ölçekli hizalama yaparak CVPR NTIRE 2019 Yarışması'nda birinci olmuştur. BasicVSR ve devamı BasicVSR++ (Wang ve ark., 2021-2022), çift yönlü yayılım ve optik akış tabanlı hizalamayı basit ama güçlü bir çerçevede birleştirerek açık kaynak referans mimari konumuna gelmiştir. Model mimarileri açısından konuşursak: uzamsal özellik çıkarımı için derin CNN veya Swin Transformer katmanları kullanılırken zamansal bilgi gizli durum veya kayar pencere mekanizmalarıyla aktarılır. Son aşamada pixel shuffle (alt piksel konvolüsyon) katmanı, özellik haritasını yüksek çözünürlüklü piksel ızgarasına çevirir. Optik akış tahmini veya deformable convolution ile karelar arası piksel ötelenmeleri hizalanır; bu hizalama adımı birden fazla kareden gelen doku bilgisinin birleştirilmesini mümkün kılar. Son yıllarda difüzyon tabanlı ve GAN tabanlı yaklaşımlar hız kazanmaktadır. DiffVSR, difüzyon modellerini temporal tutarlılık kısıtlamalarıyla birleştirerek gerçek dünya bozulmalarına karşı güçlü sonuçlar üretir. VideoGigaGAN (Adobe Research, 2024) ise büyük ölçekli GAN mimarisini video domainine taşıyarak 8× büyütmede çarpıcı doku zenginliği sunar. VSR, OTT arşivi upscaling, dijital yayıncılık, güvenlik kameraları, tıbbi görüntüleme ve tarihi film restorasyonu gibi geniş bir yelpazede uygulanmaktadır. Kalite değerlendirmesinde PSNR ve SSIM yanı sıra LPIPS ve NIQE gibi algısal metrikler de kullanılmaktadır.
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.
Video Üretimi (AI Video Generation) (Video Üretimi)
Video üretimi (AI Video Generation — Yapay Zeka Video Üretimi), derin öğrenme modellerinin metin açıklamaları, görüntüler veya kısa video girdilerinden gerçekçi, hareketli ve tutarlı video klipleri sentezlediği üretken yapay zeka alt alanıdır. Tıpkı metin-görüntü modellerinin metinden statik görsel üretmesi gibi, video üretim modelleri zaman boyutunu da işleyerek her karenin bir öncekiyle tutarlı olmasını sağlar. Günümüzde baskın mimari Diffusion Transformer (DiT) modelidir. Süreç üç aşamada gerçekleşir: (1) Video kareler, Variational Autoencoder (VAE) ile düşük boyutlu latent uzaya sıkıştırılır. (2) Bu latent temsil üzerinde, bir transformer ağı gürültüyü adım adım kaldırarak anlamlı içerik üretir. (3) Elde edilen latent vektör VAE dekoder ile tekrar piksel uzayına dönüştürülür. Metin koşullaması için CLIP veya T5 gibi metin enkoderleri kullanılır; classifier-free guidance (CFG) ise metin-video uyumunu dengeler. OpenAI'nın Şubat 2024'te tanıttığı Sora, 60 saniyelik tutarlı klipler üretebilen ve kamera hareketi, nesne fiziği ile ışık yansımalarını modelleme kapasitesine sahip ilk büyük ölçekli DiT tabanlı modeldir. Google Veo 2 (2024), diyalog ve ses efektleri dahil tek geçişte video üretebilmesiyle öne çıkar. Kling (Kuaishou), Runway Gen-3, Pika Labs ve Luma AI ise üretken video ekosisteminde rekabet eden başlıca açık ve kapalı kaynak araçlardır. Stability AI'nın Stable Video Diffusion'ı 2023'te yaygın açık ağırlıklı modeli temsil eder. Alanın en büyük teknik zorluğu zamansal tutarlılıktır: nesnelerin kareler arasında kimliğini, şeklini ve davranışını koruması gerekir. Uzun videoların bellekle yönetilmesi, karmaşık fizik simülasyonu ve yüksek çözünürlüklü render hesaplama maliyeti de çözüm bekleyen sorunlar arasındadır. Kullanım alanları arasında reklam ve pazarlama içeriği, film previzüalizasyonu, oyun sinematikleri, eğitim videoları ve sosyal medya içeriği öne çıkar. Türkiye'de kreatif ajanslar, bağımsız yapımcılar ve e-ticaret markaları AI video üretimini hızla benimsiyor.
Vision Transformer (ViT) (Görüntü Transformer)
Vision Transformer (ViT), 2020 yılında Google Brain ekibi tarafından yayımlanan "An Image is Worth 16x16 Words" makalesiyle tanıtılan ve görüntü işleme alanında Transformer mimarisini merkeze alan çığır açıcı bir derin öğrenme modelidir. CNN'lerin (Evrişimli Sinir Ağları) onlarca yıl boyunca hâkim olduğu bilgisayarlı görü alanında ViT, bu paradigmayı kökten değiştirmiştir. ViT'in temel çalışma ilkesi görüntüyü sabit boyutlu yamalar (patch) dizisine bölmektir. Örneğin 224×224 piksellik bir görüntü, 16×16 boyutunda 196 yamaya ayrılır; her yama düzleştirilerek (flatten) doğrusal bir projeksiyon katmanından geçirilir ve D-boyutlu bir gömme vektörüne dönüştürülür. Sınıflandırma için öğrenilebilir bir [CLS] tokeni eklenir; tüm yamalara pozisyonel kodlama uygulanarak sıralamanın kaybolması önlenir. Bu vektör dizisi standart Transformer encoder bloklarına — çok başlı öz-dikkat ve ileri beslemeli ağ katmanlarına — beslenir. Çıkışta [CLS] tokeninin gömme vektörü bir MLP kafasına verilerek görüntü sınıfı tahmin edilir. CNN'lerden temel farkı, uzamsal tümevarımsal önyargı (inductive bias) taşımamasıdır. CNN yerel evrişimler ve paylaşımlı ağırlıklarla bu önyargıyı yapıya kodlarken ViT tüm bu örüntüleri veriden öğrenir; bu yüzden JFT-300M gibi çok büyük veri kümelerinde ön eğitim gerektirir. DeiT mimarisi öğretmen-öğrenci damıtma ile bu gereksinimi ImageNet ölçeğine indirmiştir. Başlıca varyantlar arasında Swin Transformer (kayan pencereli dikkat ile hiyerarşik özellik haritaları), BEiT ve MAE (maskeli ön eğitim), DINOv2 (öz-süpervizyon) ve SAM/SAM2 (evrensel segmentasyon) sayılabilir. Nesne tespitinde DETR, semantik segmentasyonda SegFormer, görsel-dilsel temel modellerde CLIP ve Flamingo ViT'i omurga olarak kullanmaktadır. ViT'in dikkat ısı haritaları yorumlanabilirliği artırır: hangi yamaların sınıflandırma kararını etkilediği görselleştirilebilir. Tıbbi görüntülemede, uydu görüntüsü analizinde, otonom araç algı sistemlerinde ve çok-kipli (multimodal) büyük modellerde ViT vazgeçilmez bir bileşen haline gelmiştir. 36.000'i aşkın atıf sayısıyla bu makale, bilgisayarlı görünün en etkili çalışmaları arasına girmiştir.
Visual Question Answering (Görsel Soru Yanıtlama)
Visual Question Answering (VQA), bir yapay zeka sisteminin bir görüntü ve doğal dilde yazılmış bir soru alarak metin tabanlı yanıt ürettiği çok modaliteli (multimodal) yapay zeka görevidir. Bilgisayarlı görü (Computer Vision) ile doğal dil işlemenin (NLP) kesişiminde yer alan VQA, makinelerin görsel dünyayı anlamasını ve bu anlayışı dil aracılığıyla ifade etmesini gerektirir. Bir VQA sistemi üç temel bileşenden oluşur: görsel özellik çıkarıcı (vision encoder), dil modeli (text encoder) ve füzyon mekanizması. Görsel encoder — başlangıçta konvolüsyonel sinir ağları (CNN), günümüzde ise Vision Transformer (ViT) mimarileri — giriş görüntüsünü yüksek boyutlu özellik vektörlerine dönüştürür. Metin encoder ise soruyu token dizisine çevirir. Füzyon katmanı, çapraz dikkat (cross-attention) mekanizmasıyla iki modalite arasında bağlantı kurar; böylece model soruyla ilgili görüntü bölgelerine odaklanarak yanıt üretir. VQA'nın pratik uygulamaları geniş bir yelpazeye yayılır. Tıbbi görüntülemede radyoloji raporlarının otomasyonunda kullanılır; 'Bu BT görüntüsünde tümör var mı?' gibi sorulara yanıt üretebilir. Görsel engelli kullanıcılar için erişilebilirlik araçlarında, müze ve kültürel miras sitelerinde interaktif rehberlik sistemlerinde, otonom araçların çevre anlama modüllerinde ve endüstriyel görsel denetimde (kalite kontrol) da yaygın biçimde yer almaktadır. Öne çıkan VQA modelleri şunlardır: Salesforce'un BLIP ve BLIP-2 modelleri (129 milyon görüntü-metin çiftiyle önceden eğitildi), Meta'nın açık ağırlıklı LLaVA serisi, OpenAI'nin GPT-4o/GPT-4V modelleri ve Google'ın Gemini Vision ailesi. 2023-2026 yılları arasında bu modeller VQA2.0, GQA ve OK-VQA kıyaslama veri setlerinde insana yakın doğruluk oranlarına ulaşmış; bilgi tabanlı VQA (knowledge-based VQA), matematiksel akıl yürütme (MathVQA) ve tıbbi VQA gibi özelleşmiş alt alanlarda yeni değerlendirme serileri geliştirilmiştir. VQA'nın en kritik zorluğu dil önkestirimidir (language priors): modeller görüntüyü gerçekten analiz etmek yerine dil istatistiklerinden yanıt üretebilir; 'Gökyüzü hangi renk?' sorusuna görüntüye bakmaksızın 'mavi' yanıtı verebilir. Modern çözümler arasında Chain-of-Thought akıl yürütme, veri artırma teknikleri ve çoklu adım dikkat (multi-hop attention) mekanizmaları öne çıkar. Türkiye'deki kullanım senaryolarında VQA, sağlık, turizm ve e-ticaret sektörlerinde görüntü tabanlı arama ve erişilebilirlik çözümlerine entegre edilmektedir.
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.