<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Melih on Medium]]></title>
        <description><![CDATA[Stories by Melih on Medium]]></description>
        <link>https://medium.com/@mlihgenel?source=rss-135ba847abc9------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*fy045GJrNPVelrRAIwPSDw.jpeg</url>
            <title>Stories by Melih on Medium</title>
            <link>https://medium.com/@mlihgenel?source=rss-135ba847abc9------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Thu, 19 Nov 2026 19:45:20 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@mlihgenel/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Optik Akış ile Hareketi Görmek: Lucas-Kanade ve Farneback]]></title>
            <link>https://medium.com/@mlihgenel/optik-ak%C4%B1%C5%9F-ile-hareketi-g%C3%B6rmek-lucas-kanade-ve-farneback-0cfdaa2a0d80?source=rss-135ba847abc9------2</link>
            <guid isPermaLink="false">https://medium.com/p/0cfdaa2a0d80</guid>
            <category><![CDATA[motion-detection]]></category>
            <category><![CDATA[computer-vision]]></category>
            <category><![CDATA[opencv]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[optical-flow]]></category>
            <dc:creator><![CDATA[Melih]]></dc:creator>
            <pubDate>Wed, 18 Nov 2026 06:01:01 GMT</pubDate>
            <atom:updated>2026-11-18T06:01:01.757Z</atom:updated>
            <content:encoded><![CDATA[<p>Ardışık iki karede pikseller nereye gitti? Seyrek ve yoğun optik akışın mantığı, OpenCV kodu ve basit bir hareket tespiti uygulaması.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*AVo0u1zzpAWhFu3S30J51g.png" /><figcaption>ki kare arasındaki hareket: Lucas-Kanade noktaları takip ediyor, Farneback her pikselin hareketini renkle gösteriyor</figcaption></figure><p>Nesne tespiti bize <em>ne</em> olduğunu söylüyor, nesne takibi <em>hangisi</em> olduğunu. <strong>Optik akış</strong> ise daha temel bir soruya cevap veriyor: <strong>Bu kareden bir sonrakine pikseller nereye hareket etti?</strong></p><p>Optik akış, ardışık kareler arasındaki parlaklık desenlerinin görünür hareketini hesaplıyor. Sonuç, her nokta için bir <strong>hareket vektörü</strong> (yön ve hız). Video stabilizasyonu, hareket tespiti, nesne takibi, otonom araçlarda ego-hareket tahmini, hatta bir önceki yazılarda bahsettiğim BoT-SORT’un kamera hareketi telafisi bu fikre dayanıyor.</p><p>Bu yazıda iki klasik yönteme bakacağız: <strong>seyrek (sparse)</strong> optik akış için <strong>Lucas-Kanade</strong> ve <strong>yoğun (dense)</strong> optik akış için <strong>Farneback</strong>.</p><h3>Temel varsayım: parlaklık sabitliği</h3><p>Bütün klasik optik akış yöntemleri aynı varsayımla başlıyor: <strong>Bir nokta hareket ettiğinde parlaklığı değişmez.</strong> t anında (x, y) konumundaki piksel, t+1 anında (x+dx, y+dy) konumuna gitmiş olsa da aynı parlaklıktadır:</p><pre>I(x, y, t) = I(x + dx, y + dy, t + dt)</pre><p>Bunu Taylor serisiyle açıp sadeleştirince <strong>optik akış denklemi</strong> çıkıyor:</p><pre>Ix · u + Iy · v + It = 0</pre><p>Burada <strong>Ix, Iy</strong> görüntünün uzamsal gradyanları, <strong>It</strong> zamansal değişim, <strong>(u, v)</strong> ise aradığımız hız vektörü. Sorun şu: Tek bir denklemde iki bilinmeyen var. Buna <strong>açıklık problemi (aperture problem)</strong> deniyor. Tek bir pikselden bakınca hareketi belirlemek imkânsız. Ek bir varsayıma ihtiyaç var, iki yöntem de burada ayrışıyor.</p><h3>Lucas-Kanade: seyrek optik akış</h3><p><strong>Ek varsayım:</strong> Bir noktanın <strong>küçük bir komşuluğundaki</strong> bütün pikseller aynı şekilde hareket ediyor.</p><p>Örneğin 3×3&#39;lük bir pencere alınca, aynı iki bilinmeyen (u, v) için <strong>9 denklem</strong> elde ediyoruz. Bu fazla belirlenmiş sistem <strong>en küçük kareler yöntemiyle</strong> çözülüyor. Pratikte genelde 15×15 ya da 21×21 gibi daha büyük pencereler kullanılıyor.</p><p>Bu çözüm sadece pencere içinde her iki yönde de gradyan olduğunda kararlı. Yani tam olarak <strong>köşelerde</strong>. Bu yüzden Lucas-Kanade her pikselde değil, önceden seçilmiş <strong>iyi takip edilebilir noktalarda</strong> çalıştırılıyor. Bu noktaları seçmek için genelde Shi-Tomasi köşe algılayıcısı kullanılıyor. Özellik Algılama yazısında anlattığım Harris’in yakın akrabası.</p><h3>Büyük hareketler: piramitler</h3><p>“Küçük hareket” varsayımı, nesne bir kareden diğerine 20 piksel zıpladığında çöküyor. Çözüm <strong>görüntü piramidi</strong>:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*CYiXMiJ6wnmTzsmH5DPxFw.png" /><figcaption>Görüntü piramidi: üst seviyelerde büyük hareketler küçük hareketlere dönüşüyor</figcaption></figure><p>Görüntü ardışık olarak yarı boyuta küçültülüyor. En küçük seviyede 20 piksellik hareket birkaç piksele iniyor ve küçük hareket varsayımı tekrar geçerli oluyor. Akış önce kaba seviyede hesaplanıyor, sonra her seviyede bir öncekinin tahmini başlangıç noktası olarak kullanılıp inceltiliyor.</p><h3>OpenCV ile</h3><pre>import cv2<br>prev_gray = cv2.cvtColor(frame1, cv2.COLOR_BGR2GRAY)<br>next_gray = cv2.cvtColor(frame2, cv2.COLOR_BGR2GRAY)<br># 1) Takip edilecek iyi noktaları seç (Shi-Tomasi)<br>p0 = cv2.goodFeaturesToTrack(prev_gray, maxCorners=150, qualityLevel=0.01,<br>                             minDistance=10, blockSize=7)<br># 2) Bu noktaların bir sonraki karedeki yerini bul<br>p1, status, err = cv2.calcOpticalFlowPyrLK(<br>    prev_gray, next_gray, p0, None,<br>    winSize=(15, 15), maxLevel=2,              # pencere boyutu, piramit seviyesi<br>    criteria=(cv2.TERM_CRITERIA_EPS | cv2.TERM_CRITERIA_COUNT, 10, 0.03))<br>good_new = p1[status == 1]<br>good_old = p0[status == 1]</pre><p>status dizisi her noktanın başarıyla takip edilip edilmediğini söylüyor. Videoda bu işlemi döngü içinde yapıp p0 = good_new ile devam edersen noktaların izlerini çizebilirsin.</p><p>Yazının başındaki görselde ikinci kare, birincinin <strong>4° döndürülüp birkaç piksel kaydırılmış</strong> hali. Lucas-Kanade’nin oklarına bak: Görüntünün merkezinden uzaklaştıkça okların uzadığını ve dairesel bir desen oluşturduğunu görüyorsun. Tam olarak bir dönme hareketinden beklenen şey.</p><h3>Farneback: yoğun optik akış</h3><p><strong>Yoğun (dense)</strong> optik akış, sadece seçilmiş noktalarda değil, <strong>görüntüdeki her piksel için</strong> bir hareket vektörü hesaplıyor.</p><p><strong>Gunnar Farnebäck</strong>’in 2003&#39;te önerdiği yöntem, her pikselin komşuluğunu <strong>ikinci dereceden bir polinomla</strong> yaklaşık olarak modelliyor. İki kare arasında bu polinomların nasıl kaydığına bakarak yer değiştirmeyi hesaplıyor. Lucas-Kanade gibi o da çok ölçekli bir piramit kullanıyor.</p><pre>flow = cv2.calcOpticalFlowFarneback(<br>    prev_gray, next_gray, None,<br>    pyr_scale=0.5, levels=3, winsize=15,<br>    iterations=3, poly_n=5, poly_sigma=1.2, flags=0)<br># flow[y, x] = (dx, dy). Görselleştirmek için HSV&#39;ye çeviriyoruz:<br>mag, ang = cv2.cartToPolar(flow[..., 0], flow[..., 1])<br>hsv = np.zeros_like(frame1)<br>hsv[..., 0] = ang * 180 / np.pi / 2                                 # ton = yön<br>hsv[..., 1] = 255<br>hsv[..., 2] = cv2.normalize(mag, None, 0, 255, cv2.NORM_MINMAX)     # parlaklık = hız<br>flow_vis = cv2.cvtColor(hsv, cv2.COLOR_HSV2BGR)</pre><p>Yaygın görselleştirme yöntemi bu: <strong>Renk tonu hareketin yönünü, parlaklık hızını</strong> gösteriyor. Baştaki görselde dönme hareketi yüzünden renklerin görüntü boyunca yavaşça değiştiğini görüyorsun. Her bölge farklı bir yöne hareket ediyor.</p><h3>Uygulama: optik akışla hareket tespiti</h3><p>Yoğun akışın pratik bir kullanımı: <strong>sabit bir kamerada hareket eden nesneleri bulmak.</strong> Arka plan hareket etmediği için akış büyüklüğü sıfıra yakın. Hareket eden nesnelerde ise büyük. Bu büyüklüğü eşikleyip kontur bulmak, hareketli nesneyi kutu içine almaya yetiyor:</p><pre>mag, _ = cv2.cartToPolar(flow[..., 0], flow[..., 1])<br>mask = (mag &gt; 2).astype(np.uint8) * 255                        # 2 pikselden fazla hareket<br>mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, np.ones((5, 5), np.uint8))<br>contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)<br>for c in contours:<br>    if cv2.contourArea(c) &gt; 300:<br>        x, y, w, h = cv2.boundingRect(c)<br>        cv2.rectangle(frame2, (x, y), (x + w, y + h), (0, 0, 255), 3)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*qqlbknn2kH42lI02lazAYw.png" /><figcaption>Sabit arka plan üzerinde sağa kayan bir nesne: hareket büyüklüğü ve eşik + kontur ile tespit</figcaption></figure><p>Bu örnek, serinin önceki yazılarındaki araçların nasıl birleştiğini de güzel gösteriyor: Optik akış hareketi buluyor, <strong>eşikleme</strong> ve <strong>morfolojik açma</strong> maskeyi temizliyor, <strong>kontur</strong> analizi de nesneyi kutuya alıyor.</p><h3>Lucas-Kanade mı, Farneback mi?</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*u75bFMO5feL94K03VQeuTQ.png" /><figcaption>Lucas-Kanade ve Farneback karşılaştırması</figcaption></figure><ul><li><strong>Belirli noktaları hızlıca takip etmek</strong> istiyorsan (stabilizasyon, kamera hareketi telafisi, gömülü sistemler): <strong>Lucas-Kanade</strong>.</li><li><strong>Sahnedeki hareketin tamamını</strong> görmek istiyorsan (hareketli bölgeleri ayırmak, hareket haritası çıkarmak): <strong>Farneback</strong>.</li></ul><h3>Sınırlamalar</h3><p>Klasik optik akış yöntemlerinin varsayımları gerçek dünyada sık sık bozuluyor:</p><ul><li><strong>Parlaklık değişimi:</strong> Gölgeler, yansımalar ya da kameranın otomatik pozlaması parlaklık sabitliği varsayımını bozuyor.</li><li><strong>Dokusuz bölgeler:</strong> Düz bir duvarda hareketi ölçmek imkânsız. Açıklık problemi tam olarak bu.</li><li><strong>Örtülme:</strong> Bir nesnenin arkasından çıkan pikseller önceki karede yoktu. Eşleştirecek bir şey yok.</li><li><strong>Çok hızlı hareketler:</strong> Piramitlerle bile sınırlı.</li></ul><p>Bu sorunlar için bugün <strong>RAFT</strong> gibi derin öğrenme tabanlı yöntemler çok daha doğru sonuçlar veriyor. Ama hız, basitlik ve eğitim gerektirmemesi sayesinde Lucas-Kanade ve Farneback hâlâ birçok gerçek zamanlı sistemin parçası.</p><p><em>Örnek kareler scikit-image </em><em>data modülündeki görsellerden üretilmiştir.</em></p><h3>Kaynakça</h3><ul><li>Lucas, B. D., Kanade, T. (1981). <em>An Iterative Image Registration Technique with an Application to Stereo Vision.</em></li><li>Farnebäck, G. (2003). <em>Two-Frame Motion Estimation Based on Polynomial Expansion.</em></li><li><a href="https://docs.opencv.org/4.x/d4/dee/tutorial_optical_flow.html">https://docs.opencv.org/4.x/d4/dee/tutorial_optical_flow.html</a></li><li><a href="https://docs.opencv.org/3.4/dc/d6b/group__video__track.html">https://docs.opencv.org/3.4/dc/d6b/group__video__track.html</a></li><li><a href="https://en.wikipedia.org/wiki/Optical_flow">https://en.wikipedia.org/wiki/Optical_flow</a></li><li><a href="https://medium.com/@itberrios6/introduction-to-motion-detection-part-2-6ec3d6b385d4">https://medium.com/@itberrios6/introduction-to-motion-detection-part-2-6ec3d6b385d4</a></li><li><a href="https://burakzdd.medium.com/optik-ak%C4%B1%C5%9F-optical-flow-ile-nesne-takibi-22a5b44269a5">https://burakzdd.medium.com/optik-ak%C4%B1%C5%9F-optical-flow-ile-nesne-takibi-22a5b44269a5</a></li><li><a href="https://ayyucekizrak.medium.com/makale-i%CC%87nceleme-hareket-tan%C4%B1ma-i%C3%A7in-g%C3%B6sterim-ak%C4%B1%C5%9F-84e2d20f2079">https://ayyucekizrak.medium.com/makale-i%CC%87nceleme-hareket-tan%C4%B1ma-i%C3%A7in-g%C3%B6sterim-ak%C4%B1%C5%9F-84e2d20f2079</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=0cfdaa2a0d80" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Derin Öğrenmenin Yapı Taşları: Nöronlar, Aktivasyonlar ve CNN Katmanları]]></title>
            <link>https://medium.com/@mlihgenel/derin-%C3%B6%C4%9Frenmenin-yap%C4%B1-ta%C5%9Flar%C4%B1-n%C3%B6ronlar-aktivasyonlar-ve-cnn-katmanlar%C4%B1-8ba88f8584c7?source=rss-135ba847abc9------2</link>
            <guid isPermaLink="false">https://medium.com/p/8ba88f8584c7</guid>
            <category><![CDATA[cnn]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[neural-networks]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <dc:creator><![CDATA[Melih]]></dc:creator>
            <pubDate>Mon, 16 Nov 2026 06:01:01 GMT</pubDate>
            <atom:updated>2026-11-16T06:01:01.858Z</atom:updated>
            <content:encoded><![CDATA[<p>Bir sinir ağı nasıl hesap yapar, nasıl öğrenir ve görüntüleri nasıl işler? Nörondan evrişime, adım adım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*bCY7hgELJmNjPMMnjNiNuA.png" /><figcaption>Bir CNN katmanında neler oluyor: evrişim, ReLU ve max pooling</figcaption></figure><p>YOLO, ResNet ya da bir dil modeli. Ne kadar karmaşık görünürlerse görünsünler, hepsi aynı birkaç yapı taşından oluşuyor: <strong>nöronlar</strong>, <strong>aktivasyon fonksiyonları</strong>, <strong>ileri ve geri yayılım</strong> ile <strong>tam bağlı, evrişim ve havuzlama katmanları</strong>.</p><p>Bu yazıda bu parçaları en temelden başlayarak tek tek ele alıyoruz. Yazının sonunda bir CNN’in içinde neler olduğunu kafanda canlandırabileceksin.</p><h3>Kısa bir tarihçe</h3><p>Yapay sinir ağları insan beynindeki nöronlardan esinleniyor, ama bu esin oldukça gevşek. İlk yapay nöron modeli 1943&#39;te <strong>McCulloch ve Pitts</strong> tarafından önerildi. 1958&#39;de <strong>Frank Rosenblatt</strong>’ın geliştirdiği <strong>perceptron</strong> ise bugünkü derin ağların atası kabul ediliyor. Ağları eğitmeyi mümkün kılan <strong>geri yayılım</strong> algoritması 1980&#39;lerde yaygınlaştı. Derin öğrenme patlaması ise 2010&#39;larda büyük veri ve GPU’ların bir araya gelmesiyle yaşandı.</p><h3>Yapay nöron: ağırlık ve bias</h3><p>Bir yapay nöron şunları yapıyor:</p><ol><li>Birden fazla <strong>girdi</strong> alıyor (x₁, x₂, …).</li><li>Her girdiyi öğrenilebilir bir <strong>ağırlıkla</strong> (w) çarpıyor.</li><li>Hepsini toplayıp bir <strong>bias</strong> (b) ekliyor.</li><li>Sonucu bir <strong>aktivasyon fonksiyonundan</strong> geçiriyor.</li></ol><pre>z = w₁·x₁ + w₂·x₂ + … + wₙ·xₙ + b<br>y = f(z)</pre><ul><li><strong>Ağırlıklar</strong>, her girdinin çıktı üzerindeki etkisinin şiddetini belirliyor.</li><li><strong>Bias</strong>, nöronun aktivasyon eşiğini kaydırıyor. Tüm girdiler sıfır olsa bile nöronun bir çıktı üretebilmesini sağlıyor. Doğrusal bir denklemdeki kesişim noktası gibi düşünebilirsin.</li></ul><p>Ağırlıklar ve bias’lar ağın <strong>öğrenilebilir parametreleri</strong>. Eğitimin başında rastgele başlatılıyor, eğitim boyunca da veriye göre ayarlanıyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/900/1*Ue-6aH6JvE648GGkTruceg.png" /><figcaption>Girdi katmanı, gizli katman ve çıktı katmanından oluşan basit bir yapay sinir ağı</figcaption></figure><p>Nöronlar katmanlar halinde dizilir:</p><ul><li><strong>Girdi katmanı</strong> ham veriyi alır.</li><li><strong>Gizli katmanlar</strong> veriyi işler. “Derin” kelimesi bu katmanların sayısından geliyor.</li><li><strong>Çıktı katmanı</strong> nihai tahmini üretir.</li></ul><h3>Aktivasyon fonksiyonları: neden gerekli?</h3><p>Aktivasyon fonksiyonu olmasaydı her nöron sadece doğrusal bir işlem yapardı. Doğrusal işlemleri üst üste koymak yine doğrusal bir işlem verir. Yani 100 katmanlı bir ağ, tek katmanlı bir ağdan daha fazlasını ifade edemezdi. <strong>Doğrusal olmayan</strong> aktivasyon fonksiyonları, ağın karmaşık ilişkileri öğrenmesini sağlayan şey.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*lxZ0OqkxvHNvUAXP3P--VQ.png" /><figcaption>Yaygın aktivasyon fonksiyonları (düz çizgi) ve türevleri (kesikli çizgi)</figcaption></figure><ul><li><strong>Sigmoid:</strong> Çıktıyı 0–1 arasına sıkıştırıyor ve olasılık gibi yorumlanabiliyor. Bu yüzden ikili sınıflandırmanın <strong>çıktı katmanında</strong> kullanılıyor. Ama türevinin en fazla 0,25 olduğuna ve uçlarda sıfıra indiğine dikkat et. Derin ağlarda bu küçük türevler katman katman çarpılınca gradyan neredeyse yok oluyor. Buna <strong>kaybolan gradyan (vanishing gradient)</strong> problemi deniyor. Ayrıca çıktısı hep pozitif olduğu için sıfır merkezli değil.</li><li><strong>Tanh:</strong> Sigmoid’e benziyor, ama çıktıyı −1 ile +1 arasına ölçekliyor. <strong>Sıfır merkezli</strong> olduğu için gizli katmanlarda sigmoid’den daha iyi çalışıyor. Ancak uçlarda o da doyuma ulaşıyor.</li><li><strong>ReLU:</strong> f(x) = max(0, x). Pozitif değerleri olduğu gibi geçiriyor, negatifleri sıfırlıyor. Hesaplaması çok ucuz ve pozitif bölgede türevi hep 1. Bu yüzden kaybolan gradyan problemini büyük ölçüde çözüyor. Bugün gizli katmanlar için <strong>varsayılan</strong> seçim. Zayıf yanı ise <strong>ölü ReLU</strong> problemi: Sürekli negatif girdi alan bir nöronun türevi hep sıfır olduğu için bir daha hiç öğrenemeyebiliyor.</li><li><strong>Leaky ReLU:</strong> Negatif bölgeye küçük bir eğim (ör. 0,01) vererek ölü ReLU problemini çözüyor.</li><li><strong>Softmax:</strong> Çok sınıflı sınıflandırmanın çıktı katmanında kullanılıyor. Ham skorları (logit) <strong>toplamı 1 olan olasılıklara</strong> çeviriyor: yᵢ = e^zᵢ / Σ e^zⱼ. Genelde çapraz entropi kayıp fonksiyonuyla birlikte kullanılıyor.</li></ul><p><strong>Pratik kural:</strong> Gizli katmanlarda ReLU (ya da bir türevi). Çıktıda ikili sınıflandırma için sigmoid, çok sınıflı sınıflandırma için softmax, regresyon için aktivasyonsuz (doğrusal) çıktı.</p><h3>Ağ nasıl öğreniyor?</h3><h3>İleri yayılım (forward propagation)</h3><p>Veri girdi katmanından başlayıp katman katman ilerliyor. Her katmanda ağırlıklarla çarpılıp toplanıyor ve aktivasyondan geçiyor. Sonunda çıktı katmanı bir tahmin üretiyor. Bu tahmin bir <strong>kayıp fonksiyonuyla</strong> gerçek değerle karşılaştırılıyor ve bir hata değeri hesaplanıyor. Sınıflandırmada bu genelde çapraz entropi, regresyonda ortalama kare hata (MSE).</p><h3>Geri yayılım (backpropagation)</h3><p>Asıl öğrenme burada gerçekleşiyor. Amaç, <strong>her bir ağırlığın hataya ne kadar katkı yaptığını</strong> bulmak. Bunun için kaybın her parametreye göre türevi (gradyanı), çıktıdan girdiye doğru <strong>zincir kuralı</strong> ile hesaplanıyor.</p><p>Gradyanlar bulunduktan sonra her ağırlık hatayı azaltacak yönde küçük bir adım güncelleniyor:</p><pre>w ← w − η · ∂L/∂w</pre><p>Burada <strong>η öğrenme oranı</strong> (learning rate), yani adımın büyüklüğü. Bu güncelleme yöntemine <strong>gradyan inişi</strong> deniyor. Farklı türlerini ve Adam gibi gelişmiş optimizer’ları serinin Optimizasyon yazısında detaylı işliyorum.</p><p>Bu ileri-geri döngüsü eğitim verisindeki her örnek (ya da mini-batch) için tekrarlanıyor. Verinin tamamı üzerinden bir kez geçmeye <strong>epoch</strong> deniyor. Birçok epoch sonunda ağırlıklar hatayı en aza indiren değerlere yakınsıyor.</p><blockquote><strong>Overfitting uyarısı:</strong> Milyonlarca parametresi olan bir ağ, eğitim verisini ezberleme kapasitesine sahip. Eğitim hatası düşerken test hatası artmaya başlıyorsa model ezberliyor demektir. Daha fazla veri, veri artırımı, dropout ve ağırlık zayıflatma (weight decay) gibi yöntemler bu riski azaltıyor.</blockquote><h3>Tam bağlı (dense) katmanlar</h3><p>Bir katmandaki <strong>her nöronun, önceki katmandaki her nörona bağlı</strong> olduğu katman tipi. Klasik çok katmanlı algılayıcılar (MLP) tamamen bu katmanlardan oluşur.</p><p>Avantajı, her nöronun önceki katmandaki bütün bilgiyi kullanabilmesi. Dezavantajı ise <strong>parametre sayısının çok hızlı artması</strong>. n girdili ve m nöronlu bir katmanda <strong>n × m ağırlık + m bias</strong> var.</p><p>Hesaplayalım: 32×32 boyutunda renkli küçük bir görüntü 32 × 32 × 3 = <strong>3072</strong> değer demek. Bunu 100 nöronlu tek bir tam bağlı katmana verirsen, sadece ilk katmanda <strong>307.300</strong> parametre olur. 224×224&#39;lük bir görüntüde bu sayı 15 milyonu geçer. Hem bellek hem de overfitting açısından sürdürülemez.</p><p>Bu yüzden görüntülerde tam bağlı katmanlar genelde ağın <strong>en sonunda</strong>, özellikler çıkarıldıktan sonra sınıflandırma yapmak için kullanılıyor.</p><h3>Evrişim (convolution) katmanları</h3><p>CNN’lerin kalbi. Tam bağlı katmanın aksine her nöron görüntünün tamamına değil, <strong>küçük bir yerel bölgesine</strong> bakıyor.</p><h3>Nasıl çalışıyor?</h3><p>Küçük bir <strong>filtre</strong> (çekirdek, ör. 3×3) görüntünün üzerinde kaydırılıyor. Her konumda filtrenin ağırlıkları ile altındaki pikseller eleman eleman çarpılıp toplanıyor ve çıktıya tek bir sayı yazılıyor. Filtre tüm görüntüyü taradığında ortaya bir <strong>özellik haritası (feature map)</strong> çıkıyor. Bu harita, filtrenin aradığı desenin görüntünün neresinde ne kadar güçlü olduğunu gösteriyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*9w0wbhSURaZelI-sPdgD7g.png" /><figcaption>4×4&#39;lük bir girdi üzerinde 2×2&#39;lik bir filtreyle evrişim: turuncu pencere ile filtrenin çarpımlarının toplamı, çıktıdaki turuncu hücreyi veriyor</figcaption></figure><p>Yazının başındaki görsele tekrar bak: Dikey kenar filtresi uygulanan özellik haritasında tripodun bacakları ve adamın paltosunun kenarları kırmızı ve mavi (pozitif ve negatif) olarak öne çıkıyor. İlk evrişim katmanlarındaki filtreler tam olarak böyle <strong>kenar, köşe ve renk geçişi</strong> gibi basit desenleri öğreniyor. Derin katmanlar bu basit desenleri birleştirip <strong>göz, tekerlek, yaprak</strong> gibi daha karmaşık yapıları tanımaya başlıyor.</p><h3>Neden bu kadar verimli?</h3><p><strong>Parametre paylaşımı.</strong> 3×3&#39;lük bir filtrenin sadece 9 ağırlığı (+1 bias) var ve bu ağırlıklar görüntünün her yerinde aynı deseni aramak için kullanılıyor. Bir kenar görüntünün sol üstünde de sağ altında da aynı şekilde kenar. Bu fikir, tam bağlı katmana göre parametre sayısını dramatik şekilde azaltıyor.</p><h3>Hiperparametreler</h3><ul><li><strong>Filtre sayısı:</strong> Her filtre farklı bir özellik öğreniyor ve çıktının derinliğini belirliyor. 32 filtre kullanırsan 32 özellik haritası elde edersin. Genelde ilk katmanlarda az, derin katmanlarda daha fazla filtre kullanılıyor.</li><li><strong>Filtre boyutu:</strong> Genelde 3×3 ya da 5×5. Küçük filtreleri üst üste koymak, tek bir büyük filtreden daha az parametreyle daha geniş bir alanı görmeyi sağlıyor.</li><li><strong>Adım (stride):</strong> Filtrenin kaç piksel atlayarak ilerlediği. Stride 2, çıktının genişliğini ve yüksekliğini yaklaşık yarıya indiriyor.</li><li><strong>Dolgu (padding):</strong> Girdinin kenarına sıfırlar eklemek.</li><li><strong>Valid padding:</strong> Dolgu yok, çıktı biraz küçülüyor.</li><li><strong>Same padding:</strong> Çıktının boyutu girdiyle aynı kalacak kadar dolgu ekleniyor. Stride 1 için gereken dolgu p = (f − 1) / 2.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*hVcwfi4y4Ex9ERWftF25-Q.png" /><figcaption>Same padding: 5×5 girdinin etrafına 1 piksel sıfır eklenince 3×3 filtre sonrası çıktı da 5×5 kalıyor</figcaption></figure><p>Çıktı boyutunu hesaplamak için genel formül:</p><pre>çıktı = (n + 2p − f) / s + 1</pre><p>n girdi boyutu, f filtre boyutu, p dolgu ve s stride. Örneğin 32×32&#39;lik bir girdiye 3×3 filtre, p = 1 ve s = 1 ile uygulanırsa çıktı yine 32×32 olur.</p><p>Renkli görüntülerde filtreler de 3 boyutludur (ör. 3×3×3). Evrişim üç kanalın hepsi üzerinde birlikte yapılır ve sonuç tek bir özellik haritasına toplanır.</p><p>Evrişimden sonra neredeyse her zaman bir <strong>ReLU</strong> uygulanıyor. Görseldeki üçüncü panel, negatif değerlerin sıfırlanıp sadece güçlü aktivasyonların kaldığını gösteriyor.</p><h3>Havuzlama (pooling) katmanları</h3><p>Evrişim katmanlarının arasına genelde bir havuzlama katmanı ekleniyor. Görevi, özellik haritalarını <strong>küçültmek</strong>.</p><p>Havuzlama da bir pencereyi kaydırarak çalışıyor, ama önemli bir farkla: <strong>Öğrenilecek ağırlığı yok.</strong> Sadece penceredeki değerleri sabit bir kuralla özetliyor:</p><ul><li><strong>Max pooling:</strong> Penceredeki en büyük değeri alıyor. En güçlü aktivasyonu koruyor ve en yaygın kullanılan tür.</li><li><strong>Average pooling:</strong> Penceredeki değerlerin ortalamasını alıyor. Modern mimarilerde özellikle ağın sonunda, her özellik haritasını tek bir sayıya indiren <strong>Global Average Pooling</strong> şeklinde çok kullanılıyor.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/900/1*zpTncZIcvmt-wZe_96tS1w.png" /><figcaption>2×2&#39;lik max pooling: her renkli bloktan en büyük değer alınıyor</figcaption></figure><p>Tipik ayar 2×2 pencere ve stride 2. Bu ayar haritanın genişliğini ve yüksekliğini yarıya, eleman sayısını ise <strong>dörtte bire</strong> indiriyor. Faydaları:</p><ul><li><strong>Hesaplama yükü azalıyor.</strong> Sonraki katmanlar daha küçük haritalarla çalışıyor.</li><li><strong>Küçük kaymalara karşı dayanıklılık.</strong> Bir özelliğin tam olarak hangi pikselde olduğu belirsizleşiyor, ama var olup olmadığı bilgisi korunuyor.</li><li><strong>Overfitting riski azalıyor.</strong> Model gereksiz detayları ezberleyemiyor.</li></ul><h3>Hepsini bir araya getirelim</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*LOozyZfcKbU0E72nOjy-SQ.png" /><figcaption>Tipik bir CNN: evrişim + ReLU + havuzlama blokları, düzleştirme, tam bağlı katmanlar ve softmax</figcaption></figure><p>Tipik bir CNN’in akışı şöyle:</p><ol><li><strong>[Evrişim → ReLU → Havuzlama]</strong> blokları birkaç kez tekrarlanıyor. Görüntünün uzamsal boyutu küçülürken özellik sayısı (derinlik) artıyor.</li><li><strong>Flatten</strong> katmanı, son özellik haritalarını tek boyutlu bir vektöre çeviriyor.</li><li>Bir veya birkaç <strong>tam bağlı katman</strong> bu özelliklerden sınıflandırma yapıyor.</li><li><strong>Softmax</strong> her sınıf için bir olasılık veriyor.</li></ol><p>Keras ile küçük bir CNN şöyle görünüyor:</p><pre>from tensorflow import keras<br>from tensorflow.keras import layers<br>model = keras.Sequential([<br>    layers.Input(shape=(32, 32, 3)),<br>    layers.Conv2D(32, 3, padding=&quot;same&quot;, activation=&quot;relu&quot;),<br>    layers.MaxPooling2D(2),<br>    layers.Conv2D(64, 3, padding=&quot;same&quot;, activation=&quot;relu&quot;),<br>    layers.MaxPooling2D(2),<br>    layers.Flatten(),<br>    layers.Dense(128, activation=&quot;relu&quot;),<br>    layers.Dense(10, activation=&quot;softmax&quot;),<br>])<br>model.summary()</pre><h3>Sonuç</h3><p>Modern mimarilerin hepsi burada anlattığımız prensiplerin üzerine kuruluyor. CNN, RNN ya da Transformer fark etmiyor: Ağırlıklı toplamlar, doğrusal olmayan aktivasyonlar ve geri yayılımla öğrenilen parametreler. Farklı olan, bu parçaların nasıl bir araya getirildiği.</p><h3>Kaynakça</h3><ul><li>Goodfellow, I., Bengio, Y., Courville, A. (2016). <em>Deep Learning.</em> MIT Press.</li><li>Stanford CS231n ders notları: <a href="https://cs231n.github.io/convolutional-networks/">https://cs231n.github.io/convolutional-networks/</a></li><li>IBM, What is a Neural Network?: <a href="https://www.ibm.com/think/topics/neural-networks">https://www.ibm.com/think/topics/neural-networks</a></li><li>IBM, What are Convolutional Neural Networks?: <a href="https://www.ibm.com/think/topics/convolutional-neural-networks">https://www.ibm.com/think/topics/convolutional-neural-networks</a></li><li>V7 Labs, Activation Functions: <a href="https://www.v7labs.com/blog/neural-networks-activation-functions">https://www.v7labs.com/blog/neural-networks-activation-functions</a></li><li><a href="https://www.geeksforgeeks.org/machine-learning/activation-functions-neural-networks/">https://www.geeksforgeeks.org/machine-learning/activation-functions-neural-networks/</a></li><li><a href="https://ayyucekizrak.medium.com/deri%CC%87ne-daha-deri%CC%87ne-evri%C5%9Fimli-sinir-a%C4%9Flar%C4%B1-2813a2c8b2a9">https://ayyucekizrak.medium.com/deri%CC%87ne-daha-deri%CC%87ne-evri%C5%9Fimli-sinir-a%C4%9Flar%C4%B1-2813a2c8b2a9</a></li><li><a href="https://medium.com/bili%C5%9Fim-hareketi/uygulamal%C4%B1-evri%C5%9Fimsel-sinir-a%C4%9Flar%C4%B1-convolutional-neural-network-7d643eaeb6a7">https://medium.com/bili%C5%9Fim-hareketi/uygulamal%C4%B1-evri%C5%9Fimsel-sinir-a%C4%9Flar%C4%B1-convolutional-neural-network-7d643eaeb6a7</a></li><li><a href="https://www.ultralytics.com/tr/glossary/convolutional-neural-network-cnn">https://www.ultralytics.com/tr/glossary/convolutional-neural-network-cnn</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8ba88f8584c7" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Kamera Kalibrasyonu: Pikselden Gerçek Dünyaya]]></title>
            <link>https://medium.com/@mlihgenel/kamera-kalibrasyonu-pikselden-ger%C3%A7ek-d%C3%BCnyaya-d0f8858fa553?source=rss-135ba847abc9------2</link>
            <guid isPermaLink="false">https://medium.com/p/d0f8858fa553</guid>
            <category><![CDATA[3d-vision]]></category>
            <category><![CDATA[computer-vision]]></category>
            <category><![CDATA[camera-calibration]]></category>
            <category><![CDATA[stereo-vision]]></category>
            <category><![CDATA[opencv]]></category>
            <dc:creator><![CDATA[Melih]]></dc:creator>
            <pubDate>Fri, 13 Nov 2026 06:01:02 GMT</pubDate>
            <atom:updated>2026-11-13T06:01:02.084Z</atom:updated>
            <content:encoded><![CDATA[<p>İç ve dış parametreler, satranç tahtasıyla kalibrasyon, stereo görüş, derinlik haritası ve homografi. OpenCV ile adım adım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*6Ll_MVitx5444SifaO7mWg.png" /><figcaption>Kalibrasyondan önce bükülen satranç tahtası, kalibrasyondan sonra düz kenarlarına kavuşuyor</figcaption></figure><p>Bir kamera bize bir görüntü verir. Ama o görüntüdeki bir pikselin gerçek dünyada nereye karşılık geldiğini, iki nokta arasındaki gerçek mesafeyi ya da bir nesnenin kameraya ne kadar uzakta olduğunu söylemez. Bunları bilebilmek için önce kameranın <strong>dünyayı nasıl gördüğünü</strong> matematiksel olarak modellememiz gerekiyor.</p><p>Bu sürecin adı <strong>kamera kalibrasyonu</strong>. Ölçüm yapan sistemler, robotlar, artırılmış gerçeklik, stereo derinlik tahmini ve hatta bir nesnenin uzaklığını tahmin etmeye çalışan bir YOLO uygulaması bile doğru bir kalibrasyona dayanıyor.</p><h3>Neden kalibrasyon?</h3><p>Ucuz kameralar her yerde. Ama ucuzluğun bir bedeli var: Lenslerde belirgin <strong>distorsiyon</strong> oluyor, sensör tam ortalanmamış oluyor ve aynı modelin iki kamerası bile birbirinden farklı davranabiliyor. Kamera düşürüldüğünde ya da sarsıldığında lens elemanları kayabildiği için kalibrasyon zamanla bozulabiliyor da.</p><p>Kalibre edilmemiş bir kamerada:</p><ul><li>Düz çizgiler eğri görünür (<strong>varil</strong> ya da <strong>yastık</strong> distorsiyonu).</li><li>Görüntünün kenarındaki nesneler olduğundan farklı boyutta ve şekilde görünür.</li><li>Pikselden gerçek dünya mesafesine geçiş yapılamaz.</li></ul><h3>Kamera modeli: iç ve dış parametreler</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*6qYweOs9ucHWvxa6LLqvWA.png" /><figcaption>parametreler (K) 3B noktayı kamera koordinatlarından piksele, dış parametreler [R|t] dünyadan kameraya taşır</figcaption></figure><p>Kalibrasyonda bulmaya çalıştığımız parametreler iki gruba ayrılıyor.</p><h3>1. İç (intrinsic) parametreler</h3><p>Kameranın <strong>kendi</strong> yapısından gelen, kamera nereye konursa konsun değişmeyen değerler. <strong>K</strong> matrisiyle ifade ediliyor:</p><pre>| fx   s   cx |<br>K = |  0  fy   cy |<br>    |  0   0    1 |</pre><ul><li><strong>fx, fy: Odak uzaklığı (piksel cinsinden).</strong> 3B sahnedeki nesnelerin görüntüde ne kadar büyük görüneceğini belirliyor. Piksellerin tam kare olmadığı durumlarda fx ve fy birbirinden biraz farklı olabiliyor.</li><li><strong>cx, cy: Ana nokta (principal point).</strong> Optik eksenin sensörü kestiği nokta. İdealde görüntünün tam ortası, ama pratikte birkaç piksel kayık olabiliyor.</li><li><strong>s: Eğiklik (skew).</strong> Sensör eksenleri tam dik değilse ortaya çıkıyor. Modern kameralarda neredeyse her zaman 0.</li></ul><p>Bunlara ek olarak <strong>distorsiyon katsayıları</strong> da iç parametrelere dahil:</p><ul><li><strong>k1, k2, k3:</strong> Radyal distorsiyon (varil/yastık)</li><li><strong>p1, p2:</strong> Lens elemanlarının hizasızlığından gelen teğetsel (tangential) distorsiyon</li></ul><h3>2. Dış (extrinsic) parametreler</h3><p>Kameranın dünya koordinat sistemine göre <strong>nerede durduğu ve nereye baktığı</strong>:</p><ul><li><strong>R (3×3 dönme matrisi):</strong> Kameranın yönelimi.</li><li><strong>t (3×1 öteleme vektörü):</strong> Kameranın konumu.</li></ul><p>İç parametreler kamera başına bir kez bulunur. Dış parametreler ise her poz için farklıdır. Stereo ve çok kameralı sistemlerde kameralar arasındaki dış parametreleri doğru bilmek kritik. Aksi halde görüntüler uyuşmaz ve derinlik hesapları hatalı çıkar.</p><h3>3B noktadan piksele: perspektif projeksiyon</h3><p>Gerçek dünyadaki bir <strong>(X, Y, Z)</strong> noktasının görüntüde hangi <strong>(u, v)</strong> pikselinde görüneceği üç adımda hesaplanıyor:</p><ol><li><strong>Dünya → kamera:</strong> Nokta, dış parametrelerle kameranın koordinat sistemine taşınır: P_c = R · P_w + t</li><li><strong>Perspektif bölme:</strong> x = X_c / Z_c, y = Y_c / Z_c. Uzak nesnelerin küçük görünmesinin sebebi bu <strong>1/Z</strong> oranı.</li><li><strong>Kamera → piksel:</strong> İç parametrelerle piksel koordinatlarına geçilir: u = fx · x + cx, v = fy · y + cy</li></ol><p>Kısaca:</p><pre>s · [u, v, 1]ᵀ = K · [R | t] · [X, Y, Z, 1]ᵀ</pre><p>Buna <strong>iğne deliği (pinhole) kamera modeli</strong> deniyor. Bütün ışınların tek bir noktadan (optik merkezden) geçtiğini varsayıyor.</p><p><strong>Perspektif projeksiyonun</strong> bazı özellikleri gözümüze çok tanıdık geliyor. Paralel raylar ufukta birleşiyor gibi görünür, eşit boydaki direkler uzaklaştıkça küçülür. 3B’deki düz çizgiler görüntüde de düz kalır, ama açılar ve uzunluk oranları korunmaz. Mühendislik çizimlerindeki <strong>ortografik</strong> projeksiyonda ise mesafeye bağlı küçülme yoktur. Gerçek kameralar ortografik değil, perspektif çalışır.</p><h3>Kalibrasyon nasıl yapılır?</h3><p>En yaygın yöntem, <strong>Zhang (2000)</strong> yöntemi. Geometrisi bilinen düzlemsel bir desen (genelde <strong>satranç tahtası</strong>) farklı açılardan fotoğraflanıyor:</p><ol><li>Satranç tahtasının köşelerinin <strong>gerçek dünyadaki 3B konumları</strong> biliniyor (kare boyutu ölçülerek, Z = 0 düzleminde).</li><li>Her fotoğrafta bu köşelerin <strong>2B piksel konumları</strong> bulunuyor.</li><li>Bu 3B–2B eşleşmelerinden önce kapalı formda bir başlangıç çözümü hesaplanıyor. Ardından tüm parametreler, <strong>yeniden projeksiyon hatasını</strong> (3B noktaların tahmin edilen parametrelerle görüntüye yansıtıldığı yer ile gerçekte bulunduğu yer arasındaki fark) en aza indirecek şekilde doğrusal olmayan optimizasyonla iyileştiriliyor.</li></ol><h3>OpenCV ile kalibrasyon</h3><pre>import cv2<br>import numpy as np<br>import glob<br>cols, rows = 9, 6            # iç köşe sayısı<br>square = 25.0                # kare boyutu (mm)<br>objp = np.zeros((rows * cols, 3), np.float32)<br>objp[:, :2] = np.mgrid[0:cols, 0:rows].T.reshape(-1, 2) * square<br>obj_points, img_points = [], []<br>for path in glob.glob(&quot;kalibrasyon/*.jpg&quot;):<br>    gray = cv2.imread(path, cv2.IMREAD_GRAYSCALE)<br>    ok, corners = cv2.findChessboardCorners(gray, (cols, rows))<br>    if ok:<br>        corners = cv2.cornerSubPix(gray, corners, (11, 11), (-1, -1),<br>            (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001))<br>        obj_points.append(objp)<br>        img_points.append(corners)<br>rms, K, dist, rvecs, tvecs = cv2.calibrateCamera(<br>    obj_points, img_points, gray.shape[::-1], None, None)<br>print(&quot;RMS yeniden projeksiyon hatası:&quot;, rms)</pre><p>cornerSubPix, köşe konumlarını piksel altı hassasiyetle iyileştiriyor. Kalibrasyon kalitesi için bu adım çok önemli.</p><h3>Bir deneme: sonuçları doğrulamak</h3><p>Gerçek bir kalibrasyonda doğru parametreleri bilemezsin. O yüzden yöntemi test etmek için <strong>parametrelerini bildiğim sanal bir kamera</strong> oluşturdum (fx = fy = 800, cx = 480, cy = 360, k1 = −0,28, k2 = 0,09). Bu kamerayla bir satranç tahtasını 14 farklı açıdan “fotoğrafladım” ve görüntülere biraz gürültü ekledim. Sonra yukarıdaki kodla kalibrasyon yaptım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*yTZgRi36aOkohybCYeOT2w.png" /><figcaption>Sanal kameranın kalibrasyon görüntülerinden bazıları ve bulunan köşeler</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*-MgDRTxOa7pgsaKj3QgAwg.png" /><figcaption>Gerçek ve kalibrasyonla bulunan parametreler</figcaption></figure><p>14 görüntünün hepsinde köşeler bulundu ve iç parametreler gerçek değerlere yarım pikselden daha yakın çıktı. k2 ve k3 tek tek gerçek değerlerden biraz farklı (0,125 ve −0,061), ama birlikte aynı bozulma eğrisini üretiyorlar. Distorsiyon katsayıları arasında bu tür bir “takas” normaldir. Önemli olan, toplam düzeltmenin doğru olması.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/990/1*4qaAZpgY7FRV9oeCTVO1gQ.png" /><figcaption>Her kalibrasyon görüntüsü için yeniden projeksiyon hatası</figcaption></figure><p><strong>Pratik ipuçları:</strong></p><ul><li><strong>RMS hata genelde 1 pikselin altında olmalı.</strong> Gerçek kameralarda 0,1–0,5 arası iyi bir sonuç. Bir görüntünün hatası diğerlerinden çok yüksekse o görüntüyü çıkarıp tekrar kalibre et.</li><li>Deseni görüntünün <strong>her bölgesinde</strong>, özellikle <strong>köşelerde</strong> ve kenarlarda göster. Distorsiyon en çok oralarda.</li><li>Farklı <strong>açılar ve mesafeler</strong> kullan. Hep aynı açıdan çekilen görüntüler kötü sonuç verir.</li><li>15–30 görüntü genelde yeterli.</li><li>Deseni <strong>tamamen düz</strong> bir yüzeye yapıştır. Kâğıttaki en küçük bükülme bile sonuçları bozar.</li><li>Kalibrasyon sırasında <strong>otomatik odak ve zoom kapalı</strong> olmalı. Odak değişirse iç parametreler de değişir.</li></ul><p>Bulunan parametrelerle görüntüyü düzeltmek ise tek satır: cv2.undistort(img, K, dist). Yazının başındaki görsel bunun sonucu. Turuncu dikey çizgilere bak: Soldaki görüntüde satranç tahtasının sağ kenarı bükülmüş, sağdakinde ise düz.</p><h3>Stereo görüş ve derinlik</h3><p>Tek bir kamera derinliği doğrudan ölçemez. 3B’deki bir ışın boyunca uzanan bütün noktalar aynı piksele düşer. İnsanların derinlik algısı ise <strong>iki gözden</strong> geliyor. Basit bir deney yapabilirsin: Yakındaki bir nesneye bakarken sırayla bir gözünü kapat. Yakın nesneler iki göz arasında belirgin şekilde yer değiştirir, uzaktakiler neredeyse sabit kalır.</p><p>Bu konum farkına <strong>ayrıklık (disparity)</strong> deniyor. <strong>Stereo görüş</strong> aynı prensibi iki kamerayla uyguluyor:</p><pre>Z = f · B / d</pre><p><strong>Z</strong> derinlik, <strong>f</strong> odak uzaklığı, <strong>B</strong> iki kamera arasındaki mesafe (baseline), <strong>d</strong> ise ayrıklık (piksel). Ayrıklık büyükse nokta yakın, küçükse uzak.</p><h3>Epipolar geometri ve rektifikasyon</h3><p>Sol görüntüdeki bir noktanın sağ görüntüdeki karşılığını aramak normalde 2B bir arama. Ama <strong>epipolar geometri</strong> bu aramayı tek bir çizgiye (epipolar çizgi) indiriyor. <strong>Stereo rektifikasyon</strong> ise iki görüntüyü, kameralar tam paralelmiş gibi dönüştürüyor. Böylece karşılık gelen noktalar <strong>aynı satıra</strong> düşüyor ve arama tek boyutlu hale geliyor. OpenCV’de bu işlem cv2.stereoCalibrate ve cv2.stereoRectify ile yapılıyor.</p><h3>Derinlik haritası</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/450/1*Z_Rbn2MdVgf_lkYUZtp_Zw.png" /><figcaption>Stereo görüntü çiftinden hesaplanan ayrıklık haritası: parlak bölgeler yakın, koyu bölgeler uzak (Kaynak: OpenCV dokümantasyonu)</figcaption></figure><p>Rektifiye görüntülerde her piksel için ayrıklık hesaplanınca bir <strong>derinlik (ayrıklık) haritası</strong> elde ediliyor. Yakın nesneler parlak, uzak nesneler koyu görünüyor.</p><ul><li><strong>Blok eşleştirme (StereoBM):</strong> Sol görüntüdeki küçük bir pencere, sağ görüntüde aynı satır boyunca kaydırılıyor ve en benzer konum (<strong>SAD</strong> ya da <strong>SSD</strong> ile ölçülerek) eşleşme olarak seçiliyor. Hızlı ama gürültülü.</li><li><strong>Semi-Global Matching (StereoSGBM):</strong> Komşu pikseller arasındaki tutarlılığı da hesaba katarak çok daha düzgün haritalar üretiyor.</li><li><strong>Derin öğrenme tabanlı yöntemler</strong> ise iki görüntüyü bir sinir ağına verip doğrudan derinlik tahmin edebiliyor.</li></ul><pre>stereo = cv2.StereoSGBM_create(minDisparity=0, numDisparities=64, blockSize=5)<br>disparity = stereo.compute(left_gray, right_gray).astype(np.float32) / 16.0</pre><h3>Homografi: iki düzlem arasındaki dönüşüm</h3><p><strong>Homografi</strong>, bir <strong>düzlemin</strong> iki farklı görüntüsü arasındaki perspektif dönüşümü tanımlayan <strong>3×3&#39;lük bir matris</strong>. Kaydırma, dönme, ölçekleme ve perspektif bozulmayı tek bir matriste birleştiriyor.</p><p>Klasik örnek bir kitap kapağı ya da belge: Masadaki bir belgeyi eğik açıdan fotoğrafladığında görüntüsü yamuk bir dörtgene dönüşür. Ama belge aslında düz. İki görüntü arasındaki ilişki bir homografi ile ifade edilebiliyor.</p><pre>src = np.float32([[180, 90], [640, 150], [590, 520], [110, 430]])   # belgenin 4 köşesi<br>dst = np.float32([[0, 0], [599, 0], [599, 419], [0, 419]])          # hedef dikdörtgen<br>H = cv2.getPerspectiveTransform(src, dst)<br>flat = cv2.warpPerspective(img, H, (600, 420))</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*cpxpOYL4DmYKoop2AL7sAw.png" /><figcaption>Eğik çekilmiş bir belgenin 4 köşesinden homografi hesaplanarak düzeltilmesi</figcaption></figure><p>Homografinin 8 serbestlik derecesi olduğu için hesaplamak için <strong>en az 4 nokta çifti</strong> gerekiyor. Daha fazla ve gürültülü eşleşme varsa (ör. SIFT veya ORB’den gelen), cv2.findHomography(..., cv2.RANSAC) ile hem homografi hesaplanıyor hem de yanlış eşleşmeler eleniyor.</p><p><strong>Kullanım alanları:</strong> belge tarama uygulamaları, panorama birleştirme, video stabilizasyonu, eğik yansıtan bir projeksiyonun düzeltilmesi ve spor yayınlarında sahaya grafik çizme.</p><p><strong>Sınırı:</strong> Homografi sadece <strong>tek bir düzlem</strong> için ya da kamera <strong>sadece döndüğünde</strong> (öteleme olmadığında) geçerli. Farklı derinliklerde nesneler içeren genel bir 3B sahnede iki görüntü arasındaki ilişki tek bir homografiyle ifade edilemez. Bu durumda <strong>temel matris (fundamental matrix)</strong> ve epipolar geometri devreye giriyor.</p><p>Zhang yönteminin kendisi de aslında homografiye dayanıyor: Satranç tahtası düzlemi ile görüntü arasındaki homografiler hesaplanıyor ve iç parametreler bu homografilerden çıkarılıyor.</p><h3>Yapay zekâ destekli kalibrasyon</h3><p>Son yıllarda kalibrasyonu desen gerektirmeden yapmaya çalışan derin öğrenme yöntemleri de geliştiriliyor. Bu modeller iç parametreleri ve distorsiyonu <strong>sıradan sahne görüntülerinden</strong> tahmin etmeye çalışıyor ve genelde çeşitli lens ve açılarla üretilmiş <strong>sentetik veri setleriyle</strong> eğitiliyor. Satranç tahtası göstermenin pratik olmadığı otonom araç ve robotik uygulamalarında umut verici. Ama hassas ölçüm gereken işlerde klasik desen tabanlı kalibrasyon hâlâ standart.</p><h3>Özet</h3><ul><li>Kalibrasyon kameranın <strong>iç parametrelerini</strong> (K, distorsiyon) ve <strong>dış parametrelerini</strong> (R, t) bulur.</li><li>Satranç tahtası + findChessboardCorners + calibrateCamera ile birkaç dakikada yapılabilir. <strong>RMS hatasının 1 pikselin altında</strong> olmasına dikkat et.</li><li><strong>Stereo görüş</strong>, iki kalibre kameradan ayrıklık üzerinden derinlik hesaplar: Z = f·B/d.</li><li><strong>Homografi</strong>, bir düzlemin iki görüntüsünü birbirine bağlar ve perspektif düzeltmede çok kullanışlıdır.</li></ul><p><em>Kalibrasyon ve homografi görselleri OpenCV ile üretilmiştir.</em></p><h3>Kaynakça</h3><ul><li>Zhang, Z. (2000). <em>A Flexible New Technique for Camera Calibration.</em> IEEE TPAMI.</li><li>OpenCV kamera kalibrasyonu: <a href="https://docs.opencv.org/4.x/dc/dbb/tutorial_py_calibration.html">https://docs.opencv.org/4.x/dc/dbb/tutorial_py_calibration.html</a></li><li>OpenCV homografi: <a href="https://docs.opencv.org/4.x/d9/dab/tutorial_homography.html">https://docs.opencv.org/4.x/d9/dab/tutorial_homography.html</a></li><li>OpenCV derinlik haritası: <a href="https://docs.opencv.org/4.x/dd/d53/tutorial_py_depthmap.html">https://docs.opencv.org/4.x/dd/d53/tutorial_py_depthmap.html</a></li><li><a href="https://www.ultralytics.com/tr/blog/a-guide-to-camera-calibration-for-computer-vision-in-2025">https://www.ultralytics.com/tr/blog/a-guide-to-camera-calibration-for-computer-vision-in-2025</a></li><li><a href="https://medium.com/i%CC%87yi-programlama/opencv-ile-kamera-kalibrasyonu-6b91079c0b80">https://medium.com/i%CC%87yi-programlama/opencv-ile-kamera-kalibrasyonu-6b91079c0b80</a></li><li><a href="https://medium.com/i%CC%87yi-programlama/derinlik-i-stereo-kalibrasyon-ve-d%C3%BCzeltme-e069c5941469">https://medium.com/i%CC%87yi-programlama/derinlik-i-stereo-kalibrasyon-ve-d%C3%BCzeltme-e069c5941469</a></li><li><a href="https://medium.com/perceptron-perspectives/camera-calibration-explained-enhancing-accuracy-in-computer-vision-applications-8ad1494cc5f2">https://medium.com/perceptron-perspectives/camera-calibration-explained-enhancing-accuracy-in-computer-vision-applications-8ad1494cc5f2</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d0f8858fa553" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Özellik Algılama ve Eşleştirme: Harris, SIFT, ORB ve Eşleştiriciler]]></title>
            <link>https://medium.com/@mlihgenel/%C3%B6zellik-alg%C4%B1lama-ve-e%C5%9Fle%C5%9Ftirme-harris-sift-orb-ve-e%C5%9Fle%C5%9Ftiriciler-3b9048d2e2d0?source=rss-135ba847abc9------2</link>
            <guid isPermaLink="false">https://medium.com/p/3b9048d2e2d0</guid>
            <category><![CDATA[image-processing]]></category>
            <category><![CDATA[opencv]]></category>
            <category><![CDATA[feature-detection]]></category>
            <category><![CDATA[feature-extraction]]></category>
            <category><![CDATA[computer-vision]]></category>
            <dc:creator><![CDATA[Melih]]></dc:creator>
            <pubDate>Wed, 11 Nov 2026 06:01:01 GMT</pubDate>
            <atom:updated>2026-11-11T06:01:01.706Z</atom:updated>
            <content:encoded><![CDATA[<p>İki farklı fotoğrafta aynı noktayı bulmak: panorama, görüntü hizalama ve nesne tanımanın klasik temeli</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*4PBM0bwcVfHD3gBuG0-wew.jpeg" /><figcaption>SIFT ile döndürülmüş, küçültülmüş ve parlaklığı değiştirilmiş bir görüntü arasında eşleştirme</figcaption></figure><p>Telefonunla panorama çektiğinde, uygulama ardışık fotoğrafları nasıl kusursuz şekilde birleştiriyor? Ya da bir robot, kamerasında gördüğü bir nesneyi farklı bir açıdan nasıl tanıyor?</p><p>Cevap, <strong>özellik algılama ve eşleştirmede</strong>. Fikir şu: Görüntüde <strong>ayırt edici noktalar</strong> bul (köşeler, belirgin doku parçaları), her birini sayısal bir <strong>tanımlayıcıyla (descriptor)</strong> özetle. Sonra bu tanımlayıcıları başka bir görüntüdekilerle karşılaştırarak aynı fiziksel noktaları eşleştir.</p><p>Bu yazıda bu sürecin üç adımına bakacağız: <strong>köşe algılama</strong> (Harris), <strong>özellik algılayıcılar</strong> (SIFT, SURF, ORB) ve <strong>eşleştiriciler</strong> (Brute-Force, FLANN).</p><h3>Harris köşe algılayıcı</h3><p>Neden köşeler? Görüntüde üç tür bölge düşünelim ve üzerine küçük bir pencere koyalım:</p><ul><li><strong>Düz bölge:</strong> Pencereyi hangi yöne kaydırırsan kaydır, içerik değişmez.</li><li><strong>Kenar:</strong> Kenar boyunca kaydırınca değişmez, kenara dik kaydırınca değişir.</li><li><strong>Köşe:</strong> <strong>Her yöne</strong> kaydırınca içerik değişir.</li></ul><p>Yani köşeler, konumu en net şekilde belirlenebilen noktalar. Bu yüzden takip, eşleştirme ve hizalama için en değerli noktalar onlar.</p><p><strong>Harris ve Stephens (1988)</strong> bu fikri matematiğe döktü. Pencere kaydırıldığında ortaya çıkan yoğunluk değişimi, x ve y gradyanlarından hesaplanan 2×2&#39;lik bir <strong>M</strong> matrisiyle yaklaşık olarak ifade ediliyor. Her piksel için bir köşe skoru hesaplanıyor:</p><pre>R = det(M) − k · (trace(M))²       (k genelde 0.04–0.06)</pre><ul><li><strong>R büyük ve pozitif</strong> → köşe</li><li><strong>R negatif</strong> → kenar</li><li><strong>|R| küçük</strong> → düz bölge</li></ul><pre>gray = np.float32(cv2.cvtColor(img, cv2.COLOR_BGR2GRAY))<br>R = cv2.cornerHarris(gray, blockSize=2, ksize=3, k=0.04)<br>img[R &gt; 0.01 * R.max()] = (0, 0, 255)       # köşeleri kırmızıyla işaretle</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*f49FhOFt-9cWh1b-1xtwdg.png" /><figcaption>Harris: döndürülmüş satranç tahtasında köşeler, R değeri haritası ve gerçek bir görüntü</figcaption></figure><p>Ortadaki R haritasına dikkat et: Karelerin kenarları <strong>mavi</strong> (negatif R, kenar), kesişim noktaları ise <strong>kırmızı</strong> (pozitif R, köşe). Satranç tahtası 20° döndürülmüş olmasına rağmen köşeler sorunsuz bulunuyor. Harris <strong>dönmeye karşı dayanıklı</strong>, ama <strong>ölçeğe karşı değil</strong>: Aynı köşe yakınlaştırıldığında yumuşak bir eğriye dönüşüp köşe olmaktan çıkabilir.</p><p>Harris’in geliştirilmiş bir versiyonu olan <strong>Shi-Tomasi</strong> (cv2.goodFeaturesToTrack), takip için en iyi noktaları seçmekte hâlâ çok kullanılıyor. Serinin Optik Akış yazısında bu fonksiyonu Lucas-Kanade ile birlikte kullanıyoruz.</p><h3>Özellik algılayıcılar: nokta + tanımlayıcı</h3><p>Köşeyi bulmak yetmez. Onu başka bir görüntüde tanıyabilmek için o noktanın çevresini özetleyen bir <strong>parmak izine</strong> ihtiyacımız var. Özellik algılayıcılar iki şey üretiyor:</p><ol><li><strong>Anahtar noktalar (keypoints):</strong> Konum, ölçek ve yönelim bilgisi.</li><li><strong>Tanımlayıcılar (descriptors):</strong> Her noktanın çevresini temsil eden bir vektör.</li></ol><h3>SIFT (Scale-Invariant Feature Transform)</h3><p><strong>David Lowe</strong> tarafından 1999&#39;da geliştirildi ve uzun yıllar bu alanın altın standardı oldu.</p><p><strong>Ölçekten bağımsızlık nasıl sağlanıyor?</strong> Görüntü farklı σ değerleriyle bulanıklaştırılıyor ve ardışık seviyelerin farkı alınıyor. Buna <strong>DoG (Difference of Gaussians)</strong> deniyor. Bu ölçek uzayında hem konumda hem ölçekte yerel ekstremum olan noktalar anahtar nokta olarak seçiliyor. Böylece aynı nokta, görüntü büyüse de küçülse de uygun ölçekte bulunuyor.</p><p><strong>Tanımlayıcı nasıl oluşuyor?</strong></p><ol><li>Her noktaya baskın gradyan yönüne göre bir <strong>yönelim</strong> atanıyor (dönmeden bağımsızlık).</li><li>Noktanın çevresindeki 16×16&#39;lık pencere, bu yönelime göre hizalanıp <strong>4×4 hücreye</strong> bölünüyor.</li><li>Her hücre için <strong>8 yönlü bir gradyan histogramı</strong> çıkarılıyor.</li><li>4 × 4 × 8 = <strong>128 boyutlu</strong> bir vektör elde ediliyor.</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/512/1*ueD2ML8LEujjXF0HjOuzQA.jpeg" /><figcaption>SIFT anahtar noktaları: çemberin büyüklüğü ölçeği, içindeki çizgi yönelimi gösteriyor</figcaption></figure><p>SIFT; ölçeğe, dönmeye ve aydınlatma değişimlerine karşı oldukça dayanıklı. Nesne tanıma, panorama birleştirme ve robot navigasyonunda yaygın olarak kullanılıyor.</p><blockquote><strong>Patent durumu güncellemesi:</strong> SIFT’in patenti <strong>Mart 2020&#39;de sona erdi</strong>. OpenCV 4.4&#39;ten itibaren ana pakette yer alıyor ve cv2.SIFT_create() ile ücretsiz olarak kullanılabiliyor. Eski kaynaklarda geçen cv2.xfeatures2d.SIFT_create() ve &quot;nonfree&quot; uyarıları artık geçerli değil.</blockquote><h3>SURF (Speeded-Up Robust Features)</h3><p>2006&#39;da SIFT’i hızlandırmak için geliştirildi:</p><ul><li>DoG yerine <strong>Hessian matrisinin determinantını</strong>, <strong>kutu filtreleri</strong> ve <strong>integral görüntü</strong> ile yaklaşık olarak hesaplıyor. Bu da SIFT’ten birkaç kat daha hızlı çalışmasını sağlıyor.</li><li>Tanımlayıcı, Haar dalgacık tepkilerinden oluşuyor (64 ya da 128 boyutlu).</li></ul><p>SURF hâlâ OpenCV’nin <strong>contrib</strong> paketindeki <strong>nonfree</strong> modülünde yer alıyor ve kullanmak için OpenCV’yi özel bir bayrakla derlemek gerekiyor. SIFT artık serbest olduğu için pratikte SURF’e eskisi kadar ihtiyaç kalmadı.</p><h3>ORB (Oriented FAST and Rotated BRIEF)</h3><p>2011&#39;de <strong>Ethan Rublee</strong> ve ekibi tarafından OpenCV laboratuvarında, SIFT ve SURF’e <strong>ücretsiz ve hızlı</strong> bir alternatif olarak geliştirildi:</p><ul><li><strong>FAST</strong> köşe algılayıcısıyla noktaları buluyor ve <strong>Harris</strong> skoruyla en iyilerini seçiyor.</li><li>FAST’ın yönelim bilgisi olmadığı için, noktanın etrafındaki <strong>yoğunluk merkezinin yönünü</strong> hesaplayarak yönelim ekliyor.</li><li>Ölçek dayanıklılığı için bir <strong>görüntü piramidi</strong> kullanıyor.</li><li>Tanımlayıcı olarak <strong>BRIEF</strong> kullanıyor: Noktanın çevresindeki piksel çiftlerinin parlaklık karşılaştırmalarından oluşan <strong>256 bitlik ikili</strong> bir vektör. BRIEF dönmeye duyarlı olduğu için ORB, örnekleme desenini noktanın yönelimine göre döndürüyor (<strong>rBRIEF</strong>).</li></ul><p>İkili tanımlayıcılar <strong>Hamming mesafesiyle</strong> karşılaştırılıyor. Bu, bilgisayar için çok ucuz bir işlem (XOR + bit sayma). Bu yüzden ORB mobil cihazlar, gömülü sistemler ve gerçek zamanlı SLAM uygulamaları (ör. ORB-SLAM) için ideal. Bedeli ise ölçek değişimlerine SIFT kadar dayanıklı olmaması ve ikili tanımlayıcının float tanımlayıcılardan biraz daha az ayırt edici olması.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*i-lCYEHIlQOzoLRU31K28g.png" /><figcaption>SIFT, SURF ve ORB karşılaştırması</figcaption></figure><h3>Özellik eşleştirme</h3><p>Elimizde iki görüntünün tanımlayıcıları var. Şimdi hangi noktanın hangisine karşılık geldiğini bulmamız gerekiyor.</p><h3>Brute-Force Matcher</h3><p>En basit yöntem: Birinci görüntüdeki her tanımlayıcıyı ikinci görüntüdeki <strong>tüm</strong> tanımlayıcılarla karşılaştır ve en yakınını seç.</p><ul><li>SIFT/SURF için <strong>L2 (Öklid)</strong>, ORB için <strong>Hamming</strong> mesafesi kullanılıyor.</li><li>Her zaman en iyi eşleşmeyi buluyor, ama karmaşıklığı <strong>O(n·m)</strong>. Binlerce noktada yavaşlıyor.</li></ul><h3>FLANN Matcher</h3><p><strong>FLANN (Fast Library for Approximate Nearest Neighbors)</strong>, büyük veri setlerinde <strong>yaklaşık</strong> en yakın komşu aramasını çok daha hızlı yapıyor. Tanımlayıcılardan bir arama yapısı kuruyor:</p><ul><li>Float tanımlayıcılar (SIFT) için <strong>KD-ağaçları</strong></li><li>İkili tanımlayıcılar (ORB) için <strong>LSH (Locality-Sensitive Hashing)</strong></li></ul><p>Küçük bir doğruluk kaybı karşılığında büyük bir hız kazancı sağlıyor. Parametrelerinin uygun seçilmesi gerekiyor.</p><h3>Lowe’un oran testi ve RANSAC</h3><p>İki eşleştirici de her noktaya <em>bir</em> eşleşme bulur, ama bu eşleşmelerin bir kısmı yanlıştır. Yanlışları elemek için iki standart adım var:</p><p><strong>1. Oran testi (Lowe’s ratio test):</strong> Her nokta için en yakın <strong>iki</strong> eşleşme bulunur (knnMatch, k=2). En iyi eşleşme, ikinci en iyiden belirgin şekilde daha iyiyse (d₁ / d₂ &lt; 0,75) eşleşme güvenilir kabul edilir. Mantığı şu: Doğru bir eşleşme benzersizdir. İki aday birbirine çok yakınsa nokta muhtemelen tekrarlayan bir dokuya aittir ve güvenilmezdir.</p><p><strong>2. RANSAC:</strong> Kalan eşleşmelerden iki görüntü arasındaki geometrik dönüşüm (homografi) tahmin edilir ve bu dönüşüme uymayan eşleşmeler <strong>aykırı değer</strong> olarak atılır.</p><pre>import cv2<br>import numpy as np<br>sift = cv2.SIFT_create()                      # ORB için: cv2.ORB_create(2000)<br>kp1, des1 = sift.detectAndCompute(img1, None)<br>kp2, des2 = sift.detectAndCompute(img2, None)<br>bf = cv2.BFMatcher(cv2.NORM_L2)               # ORB için: cv2.NORM_HAMMING<br>knn = bf.knnMatch(des1, des2, k=2)<br>good = [m for m, n in knn if m.distance &lt; 0.75 * n.distance]<br>src = np.float32([kp1[m.queryIdx].pt for m in good])<br>dst = np.float32([kp2[m.trainIdx].pt for m in good])<br>H, mask = cv2.findHomography(src, dst, cv2.RANSAC, 5.0)<br>print(f&quot;{len(good)} iyi eşleşme, {int(mask.sum())} tanesi RANSAC&#39;tan geçti&quot;)</pre><p>FLANN kullanmak istersen sadece eşleştiriciyi değiştirmen yeterli:</p><pre>index_params = dict(algorithm=1, trees=5)     # 1 = FLANN_INDEX_KDTREE (SIFT için)<br>flann = cv2.FlannBasedMatcher(index_params, dict(checks=50))<br>knn = flann.knnMatch(des1, des2, k=2)</pre><h3>Deneme: SIFT ve ORB yan yana</h3><p>Bir görüntüyü <strong>30° döndürüp %70&#39;e küçülttüm</strong>, kaydırdım ve parlaklığını değiştirdim. Sonra orijinal ile dönüştürülmüş görüntü arasında iki algoritmayla eşleştirme yaptım:</p><ul><li><strong>SIFT:</strong> Orijinalde 1105, dönüştürülmüş görüntüde 725 nokta buldu. Oran testinden 459 eşleşme geçti ve bunların <strong>448&#39;i</strong> RANSAC’tan da geçti (%98).</li><li><strong>ORB</strong> (2000 nokta sınırıyla): Oran testinden 869 eşleşme geçti ve bunların <strong>860&#39;ı</strong> RANSAC’tan da geçti (%99).</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Pv6j7IJFgMbkIF-MPAhhRw.jpeg" /><figcaption>Aynı dönüşüm için ORB eşleştirmesi</figcaption></figure><p>İkisi de bu dönüşümü rahatça çözdü. Fark, dönüşüm sertleştikçe ortaya çıkıyor: Ölçek farkı büyüdükçe (ör. 3–4 kat yakınlaştırma) ve bakış açısı değiştikçe SIFT’in avantajı belirginleşiyor. Hız ve bellek kısıtı olan sistemlerde ise ORB genelde yeterli ve çok daha hafif.</p><h3>Nerelerde kullanılıyor?</h3><ul><li><strong>Panorama birleştirme:</strong> Ardışık fotoğraflar arasındaki homografiyi bulup görüntüleri hizalamak.</li><li><strong>Görüntü hizalama:</strong> Belge tarama, medikal görüntülerin üst üste getirilmesi.</li><li><strong>Nesne tanıma:</strong> Bir ürünün ya da logonun sahnede bulunması.</li><li><strong>SLAM ve görsel odometri:</strong> Robotların ve AR uygulamalarının kendi konumunu takip etmesi.</li><li><strong>3B yeniden yapılandırma:</strong> Birden fazla fotoğraftan sahnenin 3B modelini çıkarmak (Structure from Motion).</li></ul><p>Gradyan tabanlı tanımlayıcıların bir başka klasik örneği olan HOG’u <a href="https://medium.com/@mlihgenel/hog-histogram-of-gradient-ve-haarcascade-nedir-3ecb13366d9f">HOG ve HaarCascade yazımda</a> anlatmıştım.</p><p>Bugün bu alanda <strong>SuperPoint, SuperGlue ve LoFTR</strong> gibi derin öğrenme tabanlı yöntemler de var ve zorlu koşullarda (gece/gündüz, büyük açı farkı) klasik yöntemleri geride bırakıyorlar. Ama hız, basitlik ve eğitim verisi gerektirmemesi sayesinde SIFT ve ORB hâlâ birçok sistemin temelinde duruyor.</p><p><em>Görseller OpenCV ile üretilmiştir, örnek fotoğraflar scikit-image </em><em>data modülünden alınmıştır.</em></p><h3>Kaynakça</h3><ul><li>Harris, C., Stephens, M. (1988). <em>A Combined Corner and Edge Detector.</em></li><li>Lowe, D. G. (2004). <em>Distinctive Image Features from Scale-Invariant Keypoints.</em> IJCV.</li><li>Bay, H. vd. (2006). <em>SURF: Speeded Up Robust Features.</em></li><li>Rublee, E. vd. (2011). <em>ORB: An efficient alternative to SIFT or SURF.</em></li><li><a href="https://docs.opencv.org/4.x/dc/d0d/tutorial_py_features_harris.html">https://docs.opencv.org/4.x/dc/d0d/tutorial_py_features_harris.html</a></li><li><a href="https://docs.opencv.org/4.x/da/df5/tutorial_py_sift_intro.html">https://docs.opencv.org/4.x/da/df5/tutorial_py_sift_intro.html</a></li><li><a href="https://docs.opencv.org/4.x/dc/dc3/tutorial_py_matcher.html">https://docs.opencv.org/4.x/dc/dc3/tutorial_py_matcher.html</a></li><li><a href="https://medium.com/@deepanshut041/introduction-to-feature-detection-and-matching-65e27179885d">https://medium.com/@deepanshut041/introduction-to-feature-detection-and-matching-65e27179885d</a></li><li><a href="https://batuhandaz.medium.com/scale-invariant-feature-transform-sift-algoritmas%C4%B1-machine-learning-d89c57dbfbad">https://batuhandaz.medium.com/scale-invariant-feature-transform-sift-algoritmas%C4%B1-machine-learning-d89c57dbfbad</a></li><li>SIFT patentinin sona ermesi: <a href="https://answers.opencv.org/question/238447/expired-us-patent-on-sift">https://answers.opencv.org/question/238447/expired-us-patent-on-sift</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=3b9048d2e2d0" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Makine Öğrenmesine Giriş: Öğrenme Türleri ve 8 Klasik Algoritma]]></title>
            <link>https://medium.com/@mlihgenel/makine-%C3%B6%C4%9Frenmesine-giri%C5%9F-%C3%B6%C4%9Frenme-t%C3%BCrleri-ve-8-klasik-algoritma-6377052c6ada?source=rss-135ba847abc9------2</link>
            <guid isPermaLink="false">https://medium.com/p/6377052c6ada</guid>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[scikit-learn]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[data-science]]></category>
            <dc:creator><![CDATA[Melih]]></dc:creator>
            <pubDate>Mon, 09 Nov 2026 06:01:01 GMT</pubDate>
            <atom:updated>2026-11-09T06:01:01.662Z</atom:updated>
            <content:encoded><![CDATA[<p>Lineer regresyondan K-means’e, derin öğrenmeden önce bilinmesi gereken algoritmalar. Hepsi aynı veri üzerinde karşılaştırmalı.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*TvvGj26TK3dYDFGSqFZoIA.png" /><figcaption>Aynı veri seti üzerinde altı farklı sınıflandırıcının karar sınırları</figcaption></figure><p>Ama derin öğrenmeye geçmeden önce bir adım geri çekilmek gerekiyor. Çünkü derin öğrenmedeki kavramların çoğu (kayıp fonksiyonu, overfitting, karar sınırı, gradyan inişi) klasik makine öğrenmesinden geliyor.</p><h3>Yapay zekâ, makine öğrenmesi ve derin öğrenme</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/1*enbZmfisox4J6bIYXJ4yaQ.png" /><figcaption>Yapay zekâ, makine öğrenmesi ve derin öğrenmenin iç içe ilişkisi</figcaption></figure><p>Bu üç terim sık sık birbirinin yerine kullanılıyor, ama aslında iç içe geçmiş halkalar:</p><ul><li><strong>Yapay zekâ (AI):</strong> Algılama, öğrenme ve problem çözme gibi insan zekâsıyla ilişkilendirdiğimiz işleri yapabilen sistemlerin genel adı. Terim ilk kez 1956&#39;da Dartmouth Konferansı’nda John McCarthy tarafından kullanıldı. Kural tabanlı sistemler de bu çatının altında yer alıyor.</li><li><strong>Makine öğrenmesi (ML):</strong> Yapay zekânın, kuralları açıkça programlamak yerine <strong>veriden öğrenen</strong> algoritmalarla ilgilenen alt alanı. Amaç, eğitimde görülmeyen verilere de genelleme yapabilmek.</li><li><strong>Derin öğrenme (DL):</strong> Makine öğrenmesinin, <strong>çok katmanlı yapay sinir ağlarını</strong> kullanan alt alanı. Görüntü, ses ve metin gibi ham verilerden özellikleri kendisi öğrenebiliyor.</li></ul><p>Bu alanın kilometre taşlarından bazıları: 1997&#39;de IBM Deep Blue’nun Kasparov’u satrançta yenmesi, 2011&#39;de IBM Watson’ın bir bilgi yarışmasını kazanması ve 2016&#39;da DeepMind’ın AlphaGo’sunun Go şampiyonu Lee Sedol’ü yenmesi. Ama günlük hayatta ML’yi çok daha sıradan yerlerde kullanıyoruz: arama sonuçları, Netflix ve Spotify önerileri, e-posta spam filtreleri, mamografi görüntülerinde erken kanser tespiti.</p><p>Makine öğrenmesinin optimizasyonla da yakın bir bağı var. Çoğu öğrenme problemi aslında bir <strong>kayıp fonksiyonunu</strong> en aza indirme problemi. Kayıp fonksiyonu, modelin tahminleri ile gerçek değerler arasındaki farkı ölçüyor.</p><h3>Öğrenme türleri</h3><h3>Gözetimli öğrenme (supervised)</h3><p>Model, <strong>etiketli</strong> verilerle eğitilir: Her örneğin girdisi ve doğru cevabı birlikte verilir. Model bu eşleşmelerden öğrenip daha önce görmediği örnekler için tahmin yapar. İki ana problem tipi var:</p><ul><li><strong>Sınıflandırma:</strong> Çıktı bir kategori. “Bu e-posta spam mi?”, “Bu görüntüde kedi mi var köpek mi?”</li><li><strong>Regresyon:</strong> Çıktı sürekli bir sayı. “Bu evin fiyatı ne olur?”, “Yarın sıcaklık kaç derece?”</li></ul><h3>Gözetimsiz öğrenme (unsupervised)</h3><p>Veride <strong>etiket yok</strong>. Algoritma verinin içindeki yapıyı kendisi keşfetmeye çalışır. Üç tipik görev:</p><ul><li><strong>Kümeleme:</strong> Benzer örnekleri gruplamak (ör. müşteri segmentasyonu).</li><li><strong>İlişkilendirme:</strong> Değişkenler arasındaki kuralları bulmak. Sepet analizindeki “bu ürünü alanlar şunu da aldı” önerileri buradan gelir.</li><li><strong>Boyut azaltma:</strong> Çok fazla özelliği olan veriyi, bilginin çoğunu koruyarak daha az boyuta indirmek (ör. PCA).</li></ul><h3>Pekiştirmeli öğrenme (reinforcement)</h3><p>Bir <strong>ajan</strong>, bir ortamda eylemler yapar ve bu eylemler için <strong>ödül ya da ceza</strong> alır. Etiketli veri yok, ajana görevi nasıl yapacağı da söylenmiyor. Deneme yanılmayla toplam ödülü en üst düzeye çıkaran davranışı öğreniyor. AlphaGo, robot kontrolü ve oyun oynayan yapay zekâlar bu yaklaşımı kullanıyor.</p><h3>Klasik algoritmalar</h3><p>Aşağıdaki algoritmaları daha somut göstermek için hepsini aynı yapay veri seti üzerinde eğittim (yazının başındaki görsel). Ay şeklinde iç içe geçmiş iki sınıf var, yani düz bir çizgiyle ayrılamayan bir problem. Her algoritmanın bu problemi nasıl “gördüğü”, karar sınırlarından çok net anlaşılıyor.</p><pre>from sklearn.datasets import make_moons<br>from sklearn.neighbors import KNeighborsClassifier<br>X, y = make_moons(n_samples=300, noise=0.28, random_state=3)<br>model = KNeighborsClassifier(n_neighbors=5)<br>model.fit(X, y)<br>print(model.score(X, y))</pre><p>Scikit-learn’de neredeyse bütün modeller aynı fit / predict / score arayüzünü kullanıyor. Bu yüzden algoritmayı değiştirmek tek satırlık bir iş.</p><h3>1. Lineer regresyon</h3><p>Bir hedef değişkeni, girdilerin <strong>doğrusal bir birleşimi</strong> olarak modeller:</p><pre>y = β0 + β1·X1 + β2·X2 + … + βn·Xn + ε</pre><ul><li><strong>β0</strong> kesişim noktası: Tüm girdiler sıfırken y’nin değeri.</li><li><strong>β1 … βn</strong> katsayılar: Her girdinin y üzerindeki etkisi.</li><li><strong>ε</strong> modelin açıklayamadığı hata.</li></ul><p>Eğitim, gerçek değerler ile tahminler arasındaki farkların karelerinin toplamını en aza indiren katsayıları bulmaktır. Çıktı <strong>sürekli</strong> bir değer, yani bu bir <strong>regresyon</strong> algoritması.</p><h3>2. Lojistik regresyon</h3><p>Adında “regresyon” geçmesine rağmen bir <strong>sınıflandırma</strong> algoritması. Doğrusal birleşimi <strong>sigmoid fonksiyonundan</strong> geçirerek 0 ile 1 arasında bir <strong>olasılığa</strong> çeviriyor:</p><pre>P(y = 1) = 1 / (1 + e^-(β0 + β1·X1 + … + βn·Xn))</pre><p>Olasılık genelde 0,5&#39;in üzerindeyse sınıf 1, altındaysa sınıf 0 tahmin ediliyor. Temel hali iki sınıflı problemler için. Çok sınıflı problemlerde (ör. zarın hangi yüzünün geleceği) softmax’lı genelleştirilmiş versiyonu kullanılıyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*0Hoa5WDXTR3a-WCrw8bDOw.png" /><figcaption>Lineer regresyon sürekli bir değer tahmin ediyor, lojistik regresyon ise bir olasılık</figcaption></figure><p>Karar sınırları görselinde lojistik regresyonun sınırı <strong>düz bir çizgi</strong>. Ham haliyle doğrusal olmayan bir problemi çözemiyor.</p><h3>3. KNN (K-En Yakın Komşu)</h3><p>Belki de en sezgisel algoritma: Yeni bir örneği sınıflandırmak için ona <strong>en yakın k örneğe</strong> bak ve çoğunluk hangi sınıftaysa onu seç.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/750/1*cXFxK7wJzDVGWV_7Rtp4Vg.png" /><figcaption>k = 5 için KNN: yıldızla gösterilen yeni örnek, en yakın 5 komşusunun çoğunluğuna göre sınıflandırılıyor</figcaption></figure><ul><li>Gerçek anlamda bir “eğitim” aşaması yok. Model bütün veriyi ezberliyor ve tahmin anında mesafeleri hesaplıyor. Bu yüzden büyük veri setlerinde tahmin yavaşlıyor.</li><li>Mesafe genelde <strong>Öklid mesafesi</strong>: Koordinat farklarının karelerinin toplamının karekökü.</li><li><strong>Ölçeklendirme kritik.</strong> Yukarıdaki örnekte kilo 40–90 arasında değişirken yaş 15–35 arasında değişiyor. Ölçeklendirme yapılmazsa mesafeyi büyük ölçüde kilo belirler. Özellikleri aynı aralığa getirmek (ör. StandardScaler) bu sorunu çözer.</li><li><strong>k küçükse</strong> model gürültüye duyarlı olur, <strong>k büyükse</strong> sınırlar fazla yumuşar.</li></ul><p>KNN regresyon için de kullanılabilir. Bu durumda komşuların ortalaması alınır.</p><h3>4. Karar ağaçları</h3><p>Veriyi bir dizi <strong>evet/hayır sorusuyla</strong> dallara ayırır. Her düğüm bir özelliği test eder, dallar bu testin sonucunu, yapraklar ise nihai kararı temsil eder.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Qdtk1l1jeeOmukZytocTSw.png" /><figcaption>Sentetik bir kredi başvurusu verisiyle eğitilmiş, derinliği 2 olan bir karar ağacı</figcaption></figure><p><strong>Nasıl kuruluyor?</strong></p><ol><li>Veriyi en iyi ayıran özellik ve eşik seçilir (Gini indeksi ya da bilgi kazancına göre).</li><li>Veri bu özelliğe göre ikiye bölünür.</li><li>Her alt grup için aynı işlem tekrarlanır.</li><li>Maksimum derinliğe ulaşılınca ya da gruplar yeterince saf olunca yaprak oluşturulur.</li></ol><p><strong>Artıları:</strong> İnsan tarafından kolayca okunabilir. Özellik ölçeklendirmesi gerektirmez. Hem kategorik hem sayısal veriyle çalışır. <strong>Eksileri:</strong> Derin ağaçlar eğitim verisini <strong>ezberlemeye</strong> (overfitting) çok yatkın. Veride küçük bir değişiklik ağacın yapısını tamamen değiştirebilir.</p><p>Karar sınırları görselinde ağacın sınırlarının neden <strong>merdiven şeklinde</strong> olduğuna dikkat et: Her bölme tek bir eksene paralel.</p><p>Kredi skorlama, hastalık teşhisi ve müşteri segmentasyonu gibi kararın açıklanabilir olması gereken alanlarda çok kullanılır.</p><h3>5. Random Forest</h3><p>Tek bir ağacın kararsızlığını çözmenin yolu: <strong>Çok sayıda ağaç eğitip oylatmak.</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*I5Q9ElaSZ9QVgpn6-a5xJw.png" /><figcaption>Random Forest: farklı ağaçların tahminleri çoğunluk oylamasıyla birleştiriliyor</figcaption></figure><ul><li>Her ağaç, verinin <strong>rastgele seçilmiş farklı bir örneklemiyle</strong> (bootstrap) eğitiliyor.</li><li>Her bölmede de özelliklerin sadece <strong>rastgele bir alt kümesi</strong> değerlendiriliyor. Böylece ağaçlar birbirinden farklılaşıyor.</li><li>Sınıflandırmada ağaçların <strong>çoğunluk oyu</strong> (mod), regresyonda <strong>ortalaması</strong> alınıyor.</li></ul><p>Sonuç, tek bir ağaçtan çok daha kararlı ve genelleme yeteneği yüksek bir model. Tablo şeklindeki verilerde hâlâ en güçlü ve en pratik seçeneklerden biri.</p><blockquote><strong>Görsele dikkat:</strong> Random Forest’ın eğitim doğruluğu 1,00. Bu iyi bir şey gibi görünse de aslında bir uyarı. Model eğitim verisindeki gürültülü noktaları bile ezberlemiş. Gerçek performansı ölçmek için her zaman <strong>ayrı bir test setine</strong> bakmak gerekiyor. Bu konuyu serinin Model Değerlendirme yazısında detaylı işliyorum.</blockquote><h3>6. Naive Bayes</h3><p>Bayes teoremine dayanan olasılıksal bir sınıflandırıcı:</p><pre>P(sınıf | veri) = P(veri | sınıf) × P(sınıf) / P(veri)</pre><p>“Naive” (saf) denmesinin sebebi, özelliklerin sınıf verildiğinde <strong>birbirinden bağımsız</strong> olduğunu varsayması. Bu varsayım gerçekte nadiren doğru. Ama hesaplamayı inanılmaz basitleştiriyor ve şaşırtıcı derecede iyi çalışıyor.</p><p>Çok hızlı eğitiliyor, az veriyle bile makul sonuç veriyor ve özellikle <strong>metin sınıflandırmada</strong> (spam filtreleme, duygu analizi) klasikleşmiş durumda. Gaussian versiyonu, sayısal özelliklerin her sınıf içinde normal dağıldığını varsayıyor. Bu yüzden karar sınırları yumuşak eğriler şeklinde.</p><h3>7. SVM (Destek Vektör Makineleri)</h3><p>İki sınıfı ayıran <strong>en geniş marjlı</strong> sınırı arar. Yani sınıflar arasındaki “boşluğu” maksimize eden çizgiyi. Bu sınırı belirleyen, sınıra en yakın örneklere <strong>destek vektörleri</strong> denir.</p><p>Asıl gücü <strong>çekirdek hilesinden (kernel trick)</strong> geliyor: Veriyi dolaylı olarak daha yüksek boyutlu bir uzaya taşıyıp orada doğrusal bir sınır çiziyor. Bu sınır orijinal uzayda eğri bir sınıra karşılık geliyor. Karar sınırları görselindeki RBF çekirdekli SVM, ay şeklindeki veriyi bu sayede düzgün bir eğriyle ayırıyor.</p><p>Derin öğrenme yaygınlaşmadan önce görüntü sınıflandırmada en popüler yöntemlerden biriydi. HOG + SVM ile yaya tespiti buna klasik bir örnek. (<a href="https://medium.com/@mlihgenel/hog-histogram-of-gradient-ve-haarcascade-nedir-3ecb13366d9f">HOG ve HaarCascade yazımda</a> bu yöntemi detaylı anlatmıştım.)</p><h3>8. K-Means kümeleme</h3><p>Listedeki tek <strong>gözetimsiz</strong> algoritma. Etiketsiz veriyi önceden belirlenen <strong>K</strong> sayıda kümeye ayırır. Amaç, küme içi benzerliği en yüksek, kümeler arası benzerliği en düşük yapmak.</p><p><strong>Algoritma:</strong></p><ol><li>K adet küme merkezi rastgele seçilir.</li><li>Her nokta en yakın merkezin kümesine atanır.</li><li>Her kümenin ortalaması alınarak merkezler güncellenir.</li><li>Atamalar değişmeyene kadar 2. ve 3. adımlar tekrarlanır.</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*wuW1vmX2E9bwH-htu4McmQ.png" /><figcaption>K-means’in birkaç iterasyonda doğru kümelere yakınsaması. Siyah çarpılar küme merkezleri.</figcaption></figure><p>Birinci iterasyonda iki merkez aynı bölgede sıkışmışken, ikinci iterasyonda doğru yerlerine kayıyorlar. Basit, hızlı ve büyük veride ölçeklenebilir. Zayıf yanları ise K’yı önceden bilmek zorunda olman, başlangıç noktalarına duyarlı olması ve küresel olmayan kümelerde zorlanması.</p><h3>Hangisini ne zaman kullanmalı?</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*p04ZCN7ZvnNl-zVhlEpJWQ.png" /><figcaption>Klasik makine öğrenmesi algoritmalarının karşılaştırması</figcaption></figure><h3>Sonuç</h3><p>Bu algoritmalar derin öğrenmenin gölgesinde kalmış gibi görünse de hâlâ çok kullanılıyor. Özellikle tablo şeklindeki verilerde, veri az olduğunda ya da kararın açıklanabilir olması gerektiğinde ilk tercih genelde bunlardan biri.</p><p>Bir sonraki Derin Öğrenme Temelleri yazısında yapay sinir ağlarının içine giriyoruz: nöronlar, aktivasyon fonksiyonları, ileri ve geri yayılım, evrişim ve havuzlama katmanları.</p><p><em>Karar sınırı, regresyon ve K-means görselleri scikit-learn ile üretilmiştir.</em></p><h3>Kaynakça</h3><ul><li><a href="https://tr.wikipedia.org/wiki/Yapay_zek%C3%A2">https://tr.wikipedia.org/wiki/Yapay_zek%C3%A2</a></li><li><a href="https://tr.wikipedia.org/wiki/Makine_%C3%B6%C4%9Frenimi">https://tr.wikipedia.org/wiki/Makine_%C3%B6%C4%9Frenimi</a></li><li><a href="https://aws.amazon.com/tr/compare/the-difference-between-linear-regression-and-logistic-regression/">https://aws.amazon.com/tr/compare/the-difference-between-linear-regression-and-logistic-regression/</a></li><li><a href="https://merveenoyan.medium.com/yeni-ba%C5%9Flayanlar-i%C3%A7in-makine-%C3%B6%C4%9Frenmesi-algoritmalar%C4%B1-6b89b3a67750">https://merveenoyan.medium.com/yeni-ba%C5%9Flayanlar-i%C3%A7in-makine-%C3%B6%C4%9Frenmesi-algoritmalar%C4%B1-6b89b3a67750</a></li><li><a href="https://medium.com/deep-learning-turkiye/karar-a%C4%9Fa%C3%A7lar%C4%B1-makine-%C3%B6%C4%9Frenmesi-serisi-3-a03f3ff00ba5">https://medium.com/deep-learning-turkiye/karar-a%C4%9Fa%C3%A7lar%C4%B1-makine-%C3%B6%C4%9Frenmesi-serisi-3-a03f3ff00ba5</a></li><li><a href="https://miracozturk.com/python-ile-siniflandirma-analizleri-rastgele-orman-random-forest-algoritmasi/">https://miracozturk.com/python-ile-siniflandirma-analizleri-rastgele-orman-random-forest-algoritmasi/</a></li><li><a href="https://kodedu.com/2014/05/naive-bayes-siniflandirma-algoritmasi/">https://kodedu.com/2014/05/naive-bayes-siniflandirma-algoritmasi/</a></li><li><a href="https://tr.wikipedia.org/wiki/K-means_k%C3%BCmeleme">https://tr.wikipedia.org/wiki/K-means_k%C3%BCmeleme</a></li><li><a href="https://medium.com/databulls/makine-%C3%B6%C4%9Frenmesinde-g%C3%B6zetimli-ve-g%C3%B6zetimsiz-%C3%B6%C4%9Frenme-126a3dd41422">https://medium.com/databulls/makine-%C3%B6%C4%9Frenmesinde-g%C3%B6zetimli-ve-g%C3%B6zetimsiz-%C3%B6%C4%9Frenme-126a3dd41422</a></li><li>Scikit-learn dokümantasyonu: <a href="https://scikit-learn.org/stable/">https://scikit-learn.org/stable/</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=6377052c6ada" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Bilgisayarlı Görü için Kamera Parametreleri II: Lens, Distorsiyon ve Vinyet]]></title>
            <link>https://medium.com/@mlihgenel/bilgisayarl%C4%B1-g%C3%B6r%C3%BC-i%C3%A7in-kamera-parametreleri-ii-lens-distorsiyon-ve-vinyet-491ba6ac183b?source=rss-135ba847abc9------2</link>
            <guid isPermaLink="false">https://medium.com/p/491ba6ac183b</guid>
            <category><![CDATA[machine-vision]]></category>
            <category><![CDATA[computer-vision]]></category>
            <category><![CDATA[lens-distortion]]></category>
            <category><![CDATA[camera-calibration]]></category>
            <category><![CDATA[opencv]]></category>
            <dc:creator><![CDATA[Melih]]></dc:creator>
            <pubDate>Fri, 06 Nov 2026 06:01:01 GMT</pubDate>
            <atom:updated>2026-11-06T06:01:01.746Z</atom:updated>
            <content:encoded><![CDATA[<p>Odak uzaklığı ne değiştirir, düz çizgiler neden eğri çıkar ve köşeler neden kararır? Hepsinin yazılımla düzeltilmesi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*jYFK7Ym3Zz6-DnLKCoDtSA.png" /><figcaption>Varil distorsiyonuna uğramış bir ızgara ve OpenCV ile düzeltilmiş hali</figcaption></figure><p>Lens seçimi; kameranın ne kadar geniş bir alan göreceğini, nesnelerin görüntüde kaç piksel kaplayacağını ve düz çizgilerin düz kalıp kalmayacağını belirler. Ölçüm yapan bir sistemde yanlış lens, en iyi algoritmayı bile işe yaramaz hale getirebilir.</p><h3>Odak uzaklığı ve görüş alanı</h3><p><strong>Odak uzaklığı (focal length)</strong>, milimetre cinsinden ifade edilir ve kabaca lensin optik merkezi ile sensör arasındaki mesafedir. En önemli etkisi <strong>görüş alanı (Field of View, FOV)</strong> üzerindedir: <strong>odak uzaklığı arttıkça görüş alanı daralır.</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*h7gKAgSu-fdeu65esi9Y3A.png" /><figcaption>Odak uzaklığına göre yaklaşık görüş alanları (küçük sensörlü güvenlik/endüstriyel kameralar için)</figcaption></figure><blockquote>Bu değerler sensör boyutuna bağlıdır. Aynı 4 mm lens, 1/2.7&quot; bir sensörde ve 2/3&quot; bir sensörde farklı görüş alanı verir. Tabloyu yaklaşık bir rehber olarak düşün.</blockquote><p>Odak uzaklığı sadece görüş alanını değil, başka şeyleri de değiştirir:</p><ul><li><strong>Perspektif:</strong> Kısa odak uzaklığında perspektif abartılı olur. Yakın nesneler çok büyük, uzaktakiler çok küçük görünür. Uzun odak uzaklığında perspektif “sıkışır” ve nesneler birbirine daha yakınmış gibi görünür. Bu da mesafe yorumlamayı daha tutarlı hale getirir.</li><li><strong>Detay:</strong> Geniş açıda her nesne daha az piksel kaplar. Küçük parçaların incelenmesi gereken işlerde uzun odak uzaklığı avantajlıdır.</li><li><strong>Distorsiyon:</strong> Odak uzaklığı kısaldıkça, özellikle görüntünün kenarlarında <strong>varil distorsiyonu</strong> belirginleşir.</li></ul><h3>Görüntü bozuklukları</h3><h3>Radyal distorsiyon: varil ve yastık</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*rqDYMJI4QkO4AKgBNMgYaw.png" /><figcaption>Aynı ızgara: distorsiyonsuz, yastık (pincushion) ve varil (barrel) distorsiyonu ile</figcaption></figure><p>En yaygın geometrik bozukluk türü bu:</p><ul><li><strong>Varil (barrel) distorsiyonu:</strong> Düz çizgiler dışa doğru bombeli görünür, sanki görüntü bir fıçının yüzeyine yansıtılmış gibi. Geniş açılı lenslerde ve balıkgözü lenslerde çok yaygın.</li><li><strong>Yastık (pincushion) distorsiyonu:</strong> Tam tersi. Çizgiler kenarlara yaklaştıkça içe doğru bükülür ve köşeler dışa çekilir. Telefoto lenslerde ve zoom lenslerin uzun ucunda görülür.</li></ul><p>Bilgisayarlı görüde bu, ciddi bir hata kaynağı. Kenar bulma, şekil tanıma ve özellikle <strong>ölçüm</strong> işlemlerinde görüntünün kenarındaki bir nesne olduğundan farklı boyutta ve şekilde görünür.</p><h3>Perspektif bozukluğu</h3><p>Teknik olarak bir lens kusuru değil. Kameranın konumundan ve bakış açısından kaynaklanan geometrik bir etki. Bir binayı yerden çektiğinde duvarların yukarı doğru birbirine yaklaşması buna örnek. Kamerayı yerinden oynatmadan tamamen düzeltilemez, ama yazılımda <strong>projektif dönüşüm (homografi)</strong> ile büyük ölçüde telafi edilebilir. Bu konuyu Kamera Kalibrasyonu yazısında işliyorum.</p><h3>Kromatik aberasyon</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*_6B5j7xJWdVI4q7Q_FRE4w.png" /><figcaption>Lateral kromatik aberasyon simülasyonu: kırmızı ve mavi kanallar farklı büyütüldüğünde yüksek kontrastlı kenarlarda renkli saçaklar oluşuyor</figcaption></figure><p>Lensin farklı dalga boylarındaki ışığı (yani farklı renkleri) aynı noktaya odaklayamamasından kaynaklanır. Yüksek kontrastlı kenarların etrafında <strong>mor-yeşil renkli saçaklar</strong> olarak görünür.</p><ul><li><strong>Lateral (yanal) kromatik aberasyon:</strong> Renk kanallarının farklı büyütme oranlarıyla oluşmasından kaynaklanır ve görüntünün kenarlarına doğru artar.</li><li><strong>Boylamsal kromatik aberasyon:</strong> Farklı renklerin odak düzleminin önünde ve arkasında odaklanmasıyla oluşur ve renkli bulanık halkalar şeklinde görünür.</li></ul><h3>Vinyet (köşe kararması)</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*3jk_lT5mqzg-5_MPrbeh5Q.png" /><figcaption>Vinyet simülasyonu: köşeler merkeze göre çok daha karanlık</figcaption></figure><p>Lensin kenar kısımlarının sensöre yeterince ışık iletememesi sonucu köşelerin merkeze göre daha karanlık çıkmasıdır. Geniş diyafram açıklığında ve ucuz lenslerde daha sık görülür. Fotoğrafçılıkta bazen estetik amaçla bilerek eklenir. Ama ölçüme dayalı uygulamalarda ciddi bir hata kaynağıdır. Örneğin eşikleme yapıyorsan köşelerdeki nesneler arka plan sanılabilir.</p><h3>Bozuklukları düzeltmek</h3><h3>1. Kamera kalibrasyonu ile distorsiyon düzeltme</h3><p>Lens distorsiyonunu sayısal olarak düzeltmenin standart yolu <strong>kamera kalibrasyonu</strong>. Bilinen geometriye sahip bir hedefin (genelde satranç tahtası deseni) farklı açılardan görüntüleri çekilir. Bu görüntülerden kameranın:</p><ul><li><strong>iç parametreleri</strong> (odak uzaklığı, optik merkez) ve</li><li><strong>distorsiyon katsayıları</strong> hesaplanır.</li></ul><p>Yaygın kullanılan <strong>Brown–Conrady</strong> modeli hem radyal distorsiyonu (k1, k2, k3) hem de lens elemanlarının hizasızlığından kaynaklanan <strong>teğetsel (tangential)</strong> distorsiyonu (p1, p2) içerir. Katsayılar bir kez bulunduktan sonra her görüntü tek satırla düzeltilir:</p><pre>import cv2<br>import numpy as np<br># Kalibrasyondan gelen değerler (örnek)<br>K = np.array([[500, 0, 320],<br>              [0, 500, 240],<br>              [0,   0,   1]], dtype=np.float64)<br>dist = np.array([-0.25, 0, 0, 0, 0])      # k1, k2, p1, p2, k3<br>undistorted = cv2.undistort(img, K, dist)</pre><p>Yazının başındaki görsel bunun sonucu: k1 = −0,25 ile bükülmüş ızgara, aynı katsayılarla tekrar düzleştiriliyor. Kalibrasyonun nasıl yapıldığını serinin Kamera Kalibrasyonu yazısında adım adım anlatıyorum.</p><p>Gerçek zamanlı videoda her kare için undistort çağırmak yerine, dönüşüm haritasını bir kez hesaplayıp cv2.initUndistortRectifyMap + cv2.remap ile uygulamak çok daha hızlıdır.</p><h3>2. Yazılımsal lens profilleri</h3><p>Lightroom ve Photoshop gibi yazılımlar ve bazı görüntü işleme araçları, popüler lenslerin <strong>profillerini</strong> içerir. Lens profili seçildiğinde distorsiyon, vinyet ve kromatik aberasyon otomatik olarak telafi edilir. Mantık hep aynı: Görüntüyü bozulmanın tersi yönde <strong>yeniden çarpıtmak (warp)</strong>. Varil distorsiyonu için kenarlar dışa esnetilir, vinyet için köşeler aydınlatılır, kromatik aberasyon için renk kanalları yeniden hizalanır.</p><h3>3. Optik tasarım</h3><p>Kaliteli lenslerde bu hataların çoğu zaten donanım seviyesinde azaltılır. <strong>Apokromatik (APO)</strong> lensler özel camlarla farklı dalga boylarını aynı noktaya odaklar ve kromatik aberasyonu büyük ölçüde giderir. <strong>Asferik</strong> elemanlar ise distorsiyonu ve küresel aberasyonu azaltır. Yine de sıfır hata mümkün olmadığından, modern aynasız fotoğraf makineleri bile JPEG üretirken gömülü lens profillerini uygular.</p><h3>Vinyet düzeltme ve flat-field düzeltme</h3><p>Bu iki yöntem çok benzer görünür, ama kapsamları farklıdır.</p><h3>Flat-field düzeltmesi</h3><p>Amaç, sistemin kendisinden kaynaklanan <strong>bütün ışık ve hassasiyet eşitsizliklerini</strong> gidermek. Vinyet, sensör piksellerinin hassasiyet farkları, lens üzerindeki toz ve dengesiz aydınlatma bunlara dahil. Yöntem şöyle:</p><ol><li><strong>Düz, nesnesiz ve homojen aydınlatılmış bir yüzey çekilir.</strong> Parlama yapmayan beyaz bir kâğıt ya da mikroskopta boş bir lam olabilir. Bu görüntüye <strong>flat-field</strong> denir ve sistemin ışığı nasıl dağıttığını gösterir.</li><li><strong>Gerçek görüntü bu referansa bölünür.</strong> Flat-field’da karanlık olan bölgeler, gerçek görüntüde aynı oranda aydınlatılır.</li><li>İstenirse kapak kapalıyken çekilen bir <strong>dark frame</strong> de çıkarılarak sensör gürültüsü azaltılır.</li></ol><pre>raw  = cv2.imread(&quot;goruntu.png&quot;, cv2.IMREAD_GRAYSCALE).astype(np.float32)<br>flat = cv2.imread(&quot;flat.png&quot;,    cv2.IMREAD_GRAYSCALE).astype(np.float32)<br>dark = cv2.imread(&quot;dark.png&quot;,    cv2.IMREAD_GRAYSCALE).astype(np.float32)<br>gain = (flat - dark).mean() / (flat - dark)<br>corrected = np.clip((raw - dark) * gain, 0, 255).astype(np.uint8)</pre><p>Renkli görüntülerde bu işlem <strong>her renk kanalı için ayrı ayrı</strong> yapılmalıdır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*picY5SAkw_doxP0v_PpKhw.png" /><figcaption>Simüle edilmiş vinyet, flat-field referansı ve düzeltilmiş sonuç</figcaption></figure><h3>Vinyet düzeltmesi</h3><p>Sadece <strong>köşe kararmasına</strong> odaklanır. Genelde referans görüntüye ihtiyaç duymaz. Bunun yerine kararmanın dairesel ya da eliptik bir modelle tanımlandığını varsayar ve bu modelin tersini uygular. Birçok yazılımda kaydırıcıyla ayarlanabilen otomatik bir filtre olarak bulunur.</p><p><strong>Kısacası:</strong> Flat-field düzeltmesi daha zahmetli ama ölçüme dayalı bilimsel ve endüstriyel uygulamalar için çok daha doğrudur. Vinyet düzeltmesi ise pratik ama sınırlıdır.</p><h3>Endüstriyel uygulamalar için lens seçimi</h3><p>Endüstriyel kameralarda genelde <strong>C-mount</strong> ya da <strong>CS-mount</strong> sabit odaklı lensler kullanılır. Lens seçerken şunlar birlikte değerlendirilmeli:</p><ul><li>Sensör boyutu (ör. 1/2.5&quot;, 2/3&quot;)</li><li>Görüntülenecek alanın fiziksel boyutu (mm)</li><li>Kamera ile nesne arasındaki mesafe</li><li>Gereken çözünürlük ve detay</li><li>Distorsiyon toleransı</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*oHhtCxYSTZTYVQUDzIM-Nw.png" /><figcaption>Uygulamaya göre tipik lens odak uzaklıkları</figcaption></figure><p><strong>Geniş açılı lensler</strong> (2.8–4 mm) geniş bir sahneyi tek karede gösterir ve kamerayı yakına yerleştirmeye izin verir. Güvenlik, ortam takibi ve robot navigasyonu için idealdir. Bedeli ise kenarlarda belirgin distorsiyon ve küçük görünen nesneler.</p><p><strong>Dar açılı lensler</strong> (12 mm ve üzeri) detayı öne çıkarır ve distorsiyonu neredeyse yok eder. Kalibrasyon ihtiyacı da azalır. Ama sadece küçük bir alanı görürler, kamera yerleşiminin dikkatle planlanması gerekir ve titreşime daha duyarlıdırlar.</p><h3>Özet</h3><ul><li>Odak uzaklığı <strong>görüş alanını, perspektifi, detayı ve distorsiyonu</strong> birlikte belirler. Lensi uygulamaya göre seç.</li><li><strong>Distorsiyon</strong> kalibrasyonla bulunan katsayılar ve cv2.undistort ile düzeltilir.</li><li><strong>Vinyet ve dengesiz aydınlatma</strong> için en güvenilir yöntem <strong>flat-field düzeltmesi</strong>.</li><li>Ölçüm yapan her sistemde bu düzeltmeler bir tercih değil, zorunluluktur.</li></ul><h3>Kaynakça</h3><ul><li><a href="https://en.wikipedia.org/wiki/Distortion_(optics)">https://en.wikipedia.org/wiki/Distortion_(optics)</a></li><li><a href="https://tr.wikipedia.org/wiki/Renk_sapmas%C4%B1">https://tr.wikipedia.org/wiki/Renk_sapmas%C4%B1</a></li><li><a href="https://en.wikipedia.org/wiki/Vignetting">https://en.wikipedia.org/wiki/Vignetting</a></li><li><a href="https://en.wikipedia.org/wiki/Flat-field_correction">https://en.wikipedia.org/wiki/Flat-field_correction</a></li><li><a href="https://www.premiumbeat.com/blog/various-focal-lengths-for-images/">https://www.premiumbeat.com/blog/various-focal-lengths-for-images/</a></li><li>OpenCV kamera kalibrasyonu: <a href="https://docs.opencv.org/4.x/dc/dbb/tutorial_py_calibration.html">https://docs.opencv.org/4.x/dc/dbb/tutorial_py_calibration.html</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=491ba6ac183b" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[OpenCV ile Histogram ve Kontur Analizi: Kontrastı Düzelt, Şekilleri Tanı]]></title>
            <link>https://medium.com/@mlihgenel/opencv-ile-histogram-ve-kontur-analizi-kontrast%C4%B1-d%C3%BCzelt-%C5%9Fekilleri-tan%C4%B1-87208f7c77af?source=rss-135ba847abc9------2</link>
            <guid isPermaLink="false">https://medium.com/p/87208f7c77af</guid>
            <category><![CDATA[computer-vision]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[opencv]]></category>
            <category><![CDATA[contour-detection]]></category>
            <category><![CDATA[image-processing]]></category>
            <dc:creator><![CDATA[Melih]]></dc:creator>
            <pubDate>Wed, 04 Nov 2026 06:01:01 GMT</pubDate>
            <atom:updated>2026-11-04T06:01:01.714Z</atom:updated>
            <content:encoded><![CDATA[<p>Histogram eşitleme, CLAHE ve konturlarla şekil analizi. Kod örnekleri ve çıktılarıyla.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*LAD_kWp6g5j6zZEf6L4gsQ.png" /><figcaption>Konturlar ve köşe sayısı ile basit şekil sınıflandırma</figcaption></figure><ul><li><strong>Histogram</strong>, görüntünün parlaklık dağılımını anlamamızı ve kontrastını düzeltmemizi sağlıyor.</li><li><strong>Kontur</strong>, eşiklemeden sonra elimizde kalan ikili görüntüdeki nesnelerin <strong>sınırlarını</strong> buluyor. Bu sınırlar üzerinden alan, çevre ve şekil gibi ölçümler yapabiliyoruz.</li></ul><p>İkisi de derin öğrenme gerektirmeyen, ama hâlâ çok sık kullanılan teknikler.</p><h3>Histogram nedir?</h3><p>Histogram, görüntüdeki her parlaklık değerinden <strong>kaç piksel</strong> olduğunu gösteren bir sütun grafiği. Gri tonlu bir görüntüde yatay eksen 0&#39;dan (siyah) 255&#39;e (beyaz) gidiyor. Görüntünün kendisine bakmadan bile histogramdan çok şey anlayabilirsin: karanlık mı, aydınlık mı, kontrastı düşük mü?</p><p>OpenCV’de histogram cv2.calcHist ile hesaplanıyor:</p><pre>import cv2<br>import matplotlib.pyplot as plt<br>gray = cv2.imread(&quot;resim.jpg&quot;, cv2.IMREAD_GRAYSCALE)<br>hist = cv2.calcHist([gray], [0], None, [256], [0, 256])<br>#                  görüntü kanal maske  bin    aralık<br>plt.plot(hist)</pre><p>Renkli görüntülerde her kanal için ayrı histogram çıkarılır:</p><pre>img = cv2.imread(&quot;resim.jpg&quot;)<br>for kanal, renk in zip(range(3), [&quot;b&quot;, &quot;g&quot;, &quot;r&quot;]):<br>    plt.plot(cv2.calcHist([img], [kanal], None, [256], [0, 256]), color=renk)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/990/1*Mnf2OZaaBJxgjI9QwV4V4Q.png" /><figcaption>Renkli bir görüntünün kanal bazlı histogramları</figcaption></figure><p>mask parametresine bir maske verirsen histogramı sadece görüntünün belirli bir bölgesi için hesaplayabilirsin. bins sayısını düşürerek (ör. 32) daha kaba bir dağılım da elde edebilirsin.</p><h3>Histogram eşitleme</h3><p>Düşük kontrastlı görüntülerde pikseller dar bir aralıkta kümelenir. Sisli bir manzara ya da soluk bir röntgen gibi. <strong>Histogram eşitleme</strong>, bu kümelenmiş değerleri tüm 0–255 aralığına yayarak kontrastı artırır.</p><h3>Nasıl çalışıyor?</h3><p>Fikir, <strong>kümülatif dağılım fonksiyonunu (CDF)</strong> bir dönüşüm tablosu olarak kullanmak. Histogram H(i) için kümülatif dağılım şöyle tanımlanıyor:</p><pre>H&#39;(i) = Σ H(j),   0 ≤ j &lt; i</pre><p>Bu kümülatif değerler 0–255 aralığına ölçeklenip her piksele uygulanıyor. Sonuçta yoğun olan bölgeler genişliyor ve histogram mümkün olduğunca <strong>düzleşiyor</strong>.</p><p>OpenCV’de tek satır:</p><pre>eq = cv2.equalizeHist(gray)</pre><p>Arka planda ne olduğunu görmek için aynı işlemi NumPy ile de yazabiliriz:</p><pre>import numpy as np<br>hist = np.bincount(gray.ravel(), minlength=256)<br>cdf = hist.cumsum()<br>cdf_m = np.ma.masked_equal(cdf, 0)                          # sıfırları yok say<br>cdf_m = (cdf_m - cdf_m.min()) * 255 / (cdf_m.max() - cdf_m.min())<br>lut = np.ma.filled(cdf_m, 0).astype(np.uint8)               # 256 elemanlı dönüşüm tablosu<br>manual = lut[gray]                                          # her piksele uygula</pre><p>Bu kodun çıktısı cv2.equalizeHist ile neredeyse birebir aynı (yuvarlama farkı en fazla 1–2 seviye).</p><blockquote><strong>Renkli görüntülerde dikkat:</strong> R, G ve B kanallarını ayrı ayrı eşitlemek renk dengesini bozar ve görüntüde tuhaf renk kaymaları oluşur. Doğru yöntem, görüntüyü YCrCb ya da HSV gibi parlaklığı ayrı tutan bir uzaya çevirip <strong>sadece parlaklık kanalını</strong> eşitlemek.</blockquote><pre>ycrcb = cv2.cvtColor(img, cv2.COLOR_BGR2YCrCb)<br>ycrcb[:, :, 0] = cv2.equalizeHist(ycrcb[:, :, 0])<br>result = cv2.cvtColor(ycrcb, cv2.COLOR_YCrCb2BGR)</pre><h3>CLAHE: daha akıllı eşitleme</h3><p>Klasik eşitleme <strong>global</strong> çalışır: Bütün görüntü için tek bir dönüşüm tablosu kullanır. Bu da iki soruna yol açar:</p><ul><li>Bazı bölgelerde kontrast <strong>aşırı</strong> artar ve görüntü sertleşir.</li><li>Düz alanlardaki <strong>gürültü</strong> de büyütülür.</li></ul><p><strong>CLAHE (Contrast Limited Adaptive Histogram Equalization)</strong> bu iki sorunu çözüyor:</p><ol><li><strong>Adaptive:</strong> Görüntüyü küçük karolara (ör. 8×8) bölüp her biri için ayrı eşitleme yapıyor. Karolar arasındaki geçişler ise interpolasyonla yumuşatılıyor.</li><li><strong>Contrast Limited:</strong> Histogramdaki sütunları bir <strong>clip limit</strong> değerinde kesip fazlalığı diğer sütunlara dağıtıyor. Böylece kontrast belirli bir seviyenin üzerine çıkmıyor ve gürültü kontrol altında kalıyor.</li></ol><pre>clahe = cv2.createCLAHE(clipLimit=4.0, tileGridSize=(8, 8))<br>result = clahe.apply(gray)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*9e1AqIVK5ZA2Xx5Dpkqitg.png" /><figcaption>Düşük kontrastlı bir Ay yüzeyi görüntüsü: orijinal, klasik eşitleme ve CLAHE. Kırmızı çizgi kümülatif dağılımı gösteriyor.</figcaption></figure><p>Sonuçlar arasındaki farka bak:</p><ul><li><strong>Orijinal görüntünün</strong> histogramı 100–130 arasında dar bir tepeye sıkışmış.</li><li><strong>Klasik eşitleme</strong> histogramı tüm aralığa yaymış. Kraterler çok belirginleşmiş, ama görüntü sertleşmiş ve gürültü artmış. Histogramdaki boşluklu “tarak” görüntüsü de buradan geliyor: Eşitleme yeni değer üretmiyor, mevcut değerleri birbirinden uzaklaştırıyor.</li><li><strong>CLAHE</strong> doğal görünümü korurken yerel detayları ortaya çıkarmış.</li></ul><p>CLAHE; <strong>tıbbi görüntüleme</strong> (röntgen, MR), <strong>uydu görüntüleri</strong>, <strong>gece görüşü</strong> ve düşük ışıklı fotoğraflarda çok yaygın. Tek dezavantajı, clipLimit ve tileGridSize değerlerinin birer hiperparametre olması. Görüntüye göre birkaç deneme yapıp en iyi sonucu veren değerleri seçmen gerekiyor.</p><h3>Kontur nedir?</h3><p><strong>Kontur</strong>, aynı renk veya yoğunluğa sahip, sınır boyunca uzanan sürekli noktaları birleştiren bir eğri. Daha basit söylersek: bir nesnenin dış çizgisi. Şekil analizi, nesne sayma ve basit nesne tanıma işlerinin temeli.</p><h3>Kontur bulma ve çizme</h3><p>Kontur bulmak için önce ikili bir görüntüye ihtiyaç var. Bunu eşikleme ya da Canny ile elde ediyoruz:</p><pre>gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)<br>_, th = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY_INV)<br>contours, hierarchy = cv2.findContours(th, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)<br>print(len(contours), &quot;nesne bulundu&quot;)<br>cv2.drawContours(img, contours, -1, (0, 255, 0), 3)   # -1 = hepsini çiz</pre><p>Bilmen gereken iki parametre var:</p><ul><li><strong>Retrieval modu:</strong> RETR_EXTERNAL sadece en dıştaki konturları döndürür (nesne saymak için ideal). RETR_TREE ise iç içe konturları (ör. bir halkanın iç ve dış sınırı) hiyerarşisiyle birlikte döndürür.</li><li><strong>Yaklaşım yöntemi:</strong> CHAIN_APPROX_NONE sınırdaki her noktayı saklar. CHAIN_APPROX_SIMPLE düz çizgilerin sadece uç noktalarını tutar. Örneğin bir dikdörtgen yüzlerce nokta yerine 4 noktayla temsil edilir ve bellekten ciddi tasarruf sağlanır.</li></ul><blockquote>OpenCV, konturları <strong>siyah zemin üzerindeki beyaz nesneler</strong> olarak arar. Nesnelerin koyu, zeminin açık olduğu görüntülerde THRESH_BINARY_INV kullanmayı unutma.</blockquote><h3>Kontur özellikleri</h3><p>Bir kontur bulduktan sonra onun hakkında birçok ölçüm yapabilirsin:</p><pre>c = contours[0]<br>M = cv2.moments(c)                          # momentler<br>cx, cy = M[&quot;m10&quot;] / M[&quot;m00&quot;], M[&quot;m01&quot;] / M[&quot;m00&quot;]   # ağırlık merkezi<br>area = cv2.contourArea(c)                   # alan (piksel cinsinden)<br>perimeter = cv2.arcLength(c, True)          # çevre (True = kapalı eğri)<br>approx = cv2.approxPolyDP(c, 0.02 * perimeter, True)   # sadeleştirilmiş çokgen</pre><ul><li><strong>Moment:</strong> Konturun ağırlık merkezi ve yönelimi gibi istatistiksel bilgileri veriyor. Merkezi yukarıdaki formülle buluyoruz.</li><li><strong>Alan:</strong> Nesne boyutlarını karşılaştırmak ve <strong>küçük gürültü konturlarını filtrelemek</strong> için çok kullanışlı (if area &gt; 100: ...).</li><li><strong>Çevre:</strong> Sınırın toplam uzunluğu.</li><li><strong>Kontur yaklaşımı (</strong><strong>approxPolyDP):</strong> Konturu daha az noktayla temsil ediyor. epsilon parametresi çevrenin bir yüzdesi olarak veriliyor. Küçük değer orijinal şekle sadık kalıyor, büyük değer daha kaba bir çokgen üretiyor.</li></ul><p>Nesnenin etrafına farklı türde sınırlayıcılar da çizebilirsin:</p><pre>x, y, w, h = cv2.boundingRect(c)                    # eksene paralel dikdörtgen<br>box = cv2.boxPoints(cv2.minAreaRect(c))             # en küçük döndürülmüş dikdörtgen<br>(cx, cy), r = cv2.minEnclosingCircle(c)             # en küçük çevreleyen çember<br>hull = cv2.convexHull(c)                            # dışbükey gövde</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*O3EWZa8Mvs-H2r71367T9Q.png" /><figcaption>Aynı kontur için farklı sınırlayıcılar. approxPolyDP 1068 noktalık konturu 18 noktaya indirdi.</figcaption></figure><h3>Şekil analizi: kontur ile şekil tanıma</h3><p>Bu özellikleri birleştirerek basit bir şekil sınıflandırıcı yazabiliriz. Mantık şu: approxPolyDP sonucundaki <strong>köşe sayısına</strong> bak.</p><pre>for c in contours:<br>    peri = cv2.arcLength(c, True)<br>    approx = cv2.approxPolyDP(c, 0.02 * peri, True)<br>    n = len(approx)<br>    x, y, w, h = cv2.boundingRect(approx)<br>    circularity = 4 * np.pi * cv2.contourArea(c) / peri**2<br>    if n == 3:<br>        name = &quot;Üçgen&quot;<br>    elif n == 4:<br>        name = &quot;Kare&quot; if 0.95 &lt;= w / h &lt;= 1.05 else &quot;Dikdörtgen&quot;<br>    elif n == 5:<br>        name = &quot;Beşgen&quot;<br>    elif n == 6:<br>        name = &quot;Altıgen&quot;<br>    else:<br>        name = &quot;Daire&quot; if circularity &gt; 0.85 else &quot;Elips&quot;</pre><ul><li><strong>Kare ile dikdörtgeni</strong> ayırmak için <strong>en-boy oranına</strong> (aspect ratio) bakıyoruz.</li><li><strong>Daire ile elipsi</strong> ayırmak için <strong>dairesellik</strong> değerini kullanıyoruz: 4π × alan / çevre². Mükemmel bir dairede bu değer 1. Şekil uzadıkça değer küçülüyor.</li></ul><p>Yazının başındaki görsel bu kodun çıktısı. Kırmızı noktalar, momentlerden hesaplanan ağırlık merkezleri.</p><p>Gerçek dünyada bu yaklaşım üretim hattında parça sayma, basit nesneleri ayıklama, belge tarayıcılarda kâğıdın dört köşesini bulma ve robotikte nesne yönelimini belirleme gibi işlerde hâlâ çok iş görüyor. Hızlı, açıklanabilir ve hiç eğitim verisi istemiyor.</p><h3>Özet</h3><ul><li><strong>Histogram</strong> görüntünün parlaklık dağılımını gösteriyor. Pozlama ve kontrast sorunlarını teşhis etmenin en hızlı yolu.</li><li><strong>Histogram eşitleme</strong> kontrastı global olarak artırıyor. <strong>CLAHE</strong> ise aynı işi yerel ve kontrollü yapıyor. Çoğu durumda CLAHE daha doğal sonuç veriyor.</li><li><strong>Kontur</strong>, ikili görüntüdeki nesnelerin sınırları. findContours → özellikler → approxPolyDP zinciriyle sayma, ölçme ve şekil tanıma yapılabiliyor.</li></ul><p><em>Örnek görseller scikit-image </em><em>data modülünden alınmıştır.</em></p><h3>Kaynakça</h3><ul><li><a href="https://docs.opencv.org/3.4/d8/dbc/tutorial_histogram_calculation.html">https://docs.opencv.org/3.4/d8/dbc/tutorial_histogram_calculation.html</a></li><li><a href="https://docs.opencv.org/3.4/d4/d1b/tutorial_histogram_equalization.html">https://docs.opencv.org/3.4/d4/d1b/tutorial_histogram_equalization.html</a></li><li><a href="https://docs.opencv.org/3.4/d4/d73/tutorial_py_contours_begin.html">https://docs.opencv.org/3.4/d4/d73/tutorial_py_contours_begin.html</a></li><li><a href="https://docs.opencv.org/3.4/dd/d49/tutorial_py_contour_features.html">https://docs.opencv.org/3.4/dd/d49/tutorial_py_contour_features.html</a></li><li><a href="https://guraysonugur.aku.edu.tr/wp-content/uploads/sites/11/2022/12/GI-Ders-Histogram-Filtreleme.pdf">https://guraysonugur.aku.edu.tr/wp-content/uploads/sites/11/2022/12/GI-Ders-Histogram-Filtreleme.pdf</a></li><li><a href="https://medium.com/@mntalha.kilic/histogram-e%C5%9Fitleme-histogram-equalization-a500193e8dd4">https://medium.com/@mntalha.kilic/histogram-e%C5%9Fitleme-histogram-equalization-a500193e8dd4</a></li><li><a href="https://batuhandaz.medium.com/dijital-g%C3%B6r%C3%BCnt%C3%BC-i%CC%87%C5%9Fleme-image-processing-4-histogram-ve-e%C5%9Fitleme-filtreler-8fbb9aa535a">https://batuhandaz.medium.com/dijital-g%C3%B6r%C3%BCnt%C3%BC-i%CC%87%C5%9Fleme-image-processing-4-histogram-ve-e%C5%9Fitleme-filtreler-8fbb9aa535a</a></li><li><a href="https://mavienginberk.blogspot.com/2017/06/opencv-dersleri-ders18-kontur-part-1.html">https://mavienginberk.blogspot.com/2017/06/opencv-dersleri-ders18-kontur-part-1.html</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=87208f7c77af" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[YOLO’da ByteTrack ve BoT-SORT: Parametreler ve Kendi Denemelerim]]></title>
            <link>https://medium.com/@mlihgenel/yoloda-bytetrack-ve-bot-sort-parametreler-ve-kendi-denemelerim-d8561b5cb82a?source=rss-135ba847abc9------2</link>
            <guid isPermaLink="false">https://medium.com/p/d8561b5cb82a</guid>
            <category><![CDATA[computer-vision]]></category>
            <category><![CDATA[bytetrack]]></category>
            <category><![CDATA[object-tracking]]></category>
            <category><![CDATA[ultralytics]]></category>
            <category><![CDATA[yolo]]></category>
            <dc:creator><![CDATA[Melih]]></dc:creator>
            <pubDate>Mon, 02 Nov 2026 06:01:01 GMT</pubDate>
            <atom:updated>2026-11-02T06:01:01.615Z</atom:updated>
            <content:encoded><![CDATA[<p>Ultralytics YOLO’daki iki takipçiyi kendi PPE modelimle denedim. Hangi parametre ne işe yarıyor ve ben neden bu değerleri seçtim?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/828/1*jUSxy7Lmo_5PNRyBBYC4Xg.png" /><figcaption>Aynı sahnede BoT-SORT ve ByteTrack: BoT-SORT’un takip ettiği bir grup kişiyi ByteTrack kaybediyor (Kaynak: Labellerr)</figcaption></figure><p>Bir önceki yazıda nesne takibinin teorisine ve ByteTrack’e kadar gelen gelişimine bakmıştık. Bu yazıda işin pratik tarafına geçiyoruz.</p><p>Ultralytics YOLO’nun kendine ait bir takip algoritması yok. Bunun yerine iki hazır takipçiyle birlikte geliyor: <strong>ByteTrack</strong> ve <strong>BoT-SORT</strong>. Staj dönemimde iş güvenliği ekipmanı (PPE) için eğittiğim YOLO modeliyle bu ikisini karşılaştırdım ve parametrelerini videolarıma göre ayarladım. Bu yazıda neyi neden değiştirdiğimi anlatıyorum.</p><h3>Takibi başlatmak: tek satır</h3><pre>from ultralytics import YOLO<br>model = YOLO(&quot;ppe_best.pt&quot;)<br>results = model.track(<br>    source=&quot;saha_videosu.mp4&quot;,<br>    tracker=&quot;botsort.yaml&quot;,      # ya da &quot;bytetrack.yaml&quot; veya kendi .yaml dosyan<br>    persist=True,                # kareler arasında izleri koru<br>    show=True,<br>)</pre><p>Varsayılan ayarları değiştirmek için Ultralytics’in bytetrack.yaml / botsort.yaml dosyalarını kopyalayıp düzenliyorsun ve tracker= parametresine kendi dosyanın yolunu veriyorsun. Kendi yazdığın bir takipçiyi de benzer şekilde entegre edebilirsin.</p><h3>ByteTrack’i hatırlayalım</h3><p>ByteTrack’in temel fikri <strong>düşük güven skorlu tespitleri atmamak</strong>:</p><ol><li>Önce <strong>yüksek skorlu</strong> tespitler mevcut izlerle eşleştirilir.</li><li>Sonra eşleşmeden kalan izler, <strong>düşük skorlu</strong> tespitlerle sadece kutu örtüşmesine (IoU) bakılarak eşleştirilir. Böylece örtülme yüzünden skoru düşen gerçek nesnelerin takibi kopmaz.</li></ol><p>ByteTrack sadece <strong>konum ve hareket</strong> bilgisini kullanır. Görünüşe bakmaz. Bu onu hızlı yapar, ama nesne uzun süre kaybolup geri geldiğinde onu tanıyamaz.</p><h3>BoT-SORT: SORT için bir “hile çantası”</h3><p><strong>BoT-SORT (Bag of Tricks for SORT)</strong>, Tel Aviv Üniversitesi’nden araştırmacıların geliştirdiği, SORT ailesine birkaç önemli iyileştirme ekleyen bir takipçi:</p><p><strong>1. Geliştirilmiş Kalman filtresi.</strong> Nesnenin sadece konumunu değil, <strong>genişliğini, yüksekliğini ve bunların değişim hızlarını</strong> da doğrudan tahmin ediyor. Nesne kameraya yaklaşıp uzaklaştığında kutular daha isabetli oluyor.</p><p><strong>2. Görünüş modeli (Re-ID).</strong> Her nesne için bir görsel özellik vektörü çıkarılıyor (renk, doku, kıyafet). Birbirine benzeyen ya da üst üste binen nesnelerin karışmasını engelliyor ve <strong>ID switch</strong> sayısını düşürüyor.</p><p><strong>3. Kamera hareketi telafisi (CMC).</strong> Kamera hareket ettiğinde (drone, el kamerası, sarsılan bir direk) sahnedeki her şey hareket ediyormuş gibi görünür ve Kalman tahminleri şaşar. BoT-SORT sahnenin genel hareketini optik akış ya da özellik eşleştirmeyle hesaplayıp bunu tahminlerden çıkarıyor. Takip, sanki kamera sabitmiş gibi yapılıyor.</p><p><strong>4. Eşleştirme ve iz yönetimi.</strong> IoU ve görünüş benzerliği birlikte değerlendirilip Macar algoritmasıyla eşleştiriliyor. Yeni izler birkaç kare doğrulanmadan kalıcı ID almıyor. track_buffer süresi boyunca görünmeyen izler siliniyor.</p><p>Bu iyileştirmeler sayesinde BoT-SORT, yayınlandığında MOT17 ve MOT20 benchmark’larında MOTA, IDF1 ve HOTA metriklerinde üst sıralara yerleşti. Işığın değiştiği ve nesnelerin sık sık birbirini kapattığı ortamlarda (depolar, şantiyeler, kalabalık alanlar) özellikle güçlü.</p><h3>Parametreler ne işe yarıyor?</h3><h3>Ortak parametreler</h3><ul><li><strong>tracker_type</strong>: bytetrack ya da botsort.</li><li><strong>track_high_thresh</strong>: İlk eşleştirme aşaması için güven eşiği. Bunun üzerindeki tespitler &quot;güvenilir&quot; sayılır.</li><li><strong>track_low_thresh</strong>: İkinci aşamaya girebilecek tespitler için alt eşik. Bunun da altındakiler tamamen atılır.</li><li><strong>new_track_thresh</strong>: Hiçbir ize bağlanamayan bir tespite <strong>yeni ID</strong> verilmesi için gereken minimum güven. <strong>Yükseltirsen</strong> sistem yeni ID verirken daha temkinli davranır.</li><li><strong>track_buffer</strong>: Kaybolan bir izin bellekte kaç kare tutulacağı. Bu süre içinde nesne geri gelirse aynı ID ile devam eder.</li><li><strong>match_thresh</strong>: Eşleştirmenin ne kadar sıkı olacağı. Ultralytics&#39;te bu değer bir <strong>mesafe</strong> eşiği (yaklaşık olarak 1 − IoU) olarak kullanılıyor. Bu yüzden <strong>değeri yükseltmek eşleştirmeyi gevşetir</strong>, düşürmek sıkılaştırır. Ters sezgisel olduğu için dikkat etmek lazım.</li><li><strong>fuse_score</strong>: Eşleştirme maliyetine dedektörün güven skorunu da katar. Düşük skorlu kutuların yanlış izlere bağlanma ihtimalini azaltır.</li></ul><h3>BoT-SORT’a özel parametreler</h3><ul><li><strong>gmc_method</strong>: Kamera hareketi telafisinin yöntemi: sparseOptFlow, orb, sift, ecc ya da kapatmak için None.</li><li><strong>proximity_thresh</strong>: Re-ID karşılaştırmasına girebilmek için kutuların en az ne kadar örtüşmesi gerektiği (minimum IoU). Çok uzaktaki iki kutu, birbirine benzese bile eşleştirilmez.</li><li><strong>appearance_thresh</strong>: Re-ID ile eşleşme için gereken <strong>minimum görünüş benzerliği</strong>. Yükseltirsen sadece çok benzeyen nesneler eşleşir.</li><li><strong>with_reid</strong>: Görünüş tabanlı eşleştirmeyi açar ya da kapatır. Açıkken doğruluk artar, hesaplama yükü de artar.</li><li><strong>model</strong>: Re-ID özelliklerinin nereden geleceği. auto seçildiğinde dedektör YOLO ise YOLO&#39;nun kendi özellikleri kullanılır, ek bir model çalışmaz.</li></ul><h3>Benim denemem</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*CHJlE_6Dw3TKxgywCIT6iw.jpeg" /><figcaption>Takip için kullandığım PPE dedektörünün örnek çıktıları. Takip kalitesi doğrudan bu tespitlerin kalitesine bağlı.</figcaption></figure><p>Önce iki takipçiyi de <strong>varsayılan ayarlarla</strong> saha videoları üzerinde çalıştırdım. İlk gözlem netti: <strong>BoT-SORT, Re-ID ve kamera hareketi telafisi sayesinde genel olarak daha tutarlı sonuçlar verdi.</strong> Bir çalışan başka birinin arkasında kalıp tekrar göründüğünde BoT-SORT çoğu zaman aynı ID’yi geri verebiliyordu. ByteTrack ise yeni bir ID atıyordu.</p><p>Sonra parametrelerle oynadım. İşin kritik noktası şu: Benim dedektörüm mükemmel değildi. Veri setindeki sınıf dengesizliği yüzünden bazı nesneleri düşük güvenle tespit ediyor, bazı karelerde ise hiç tespit edemiyordu. Bu yüzden eşikleri genel olarak <strong>varsayılandan düşük</strong> tuttum.</p><h3>ByteTrack ayarlarım</h3><pre>tracker_type: bytetrack<br>track_high_thresh: 0.25<br>track_low_thresh: 0.05<br>new_track_thresh: 0.25<br>track_buffer: 50<br>match_thresh: 0.8<br>fuse_score: True</pre><ul><li><strong>track_high_thresh: 0.25</strong>: Dedektör çok keskin olmadığı için ilk eşleştirmeye daha fazla tespit girsin ve takip kolay başlasın istedim. Daha güçlü bir dedektörde bu değeri <strong>0,5&#39;in üzerine</strong> çıkarmak daha doğru olur.</li><li><strong>track_low_thresh: 0.05</strong>: Videolarımda kopmalar sık olduğu için kopan izleri kurtarmak adına çok düşük tuttum. Kopma azsa ama aynı nesnede sık ID değişimi oluyorsa bu değeri <strong>0,2&#39;nin üzerine</strong> çıkarmak mantıklı.</li><li><strong>new_track_thresh: 0.25</strong>: Düşük tutmak, zor tespit edilen nesnelere de ID verilmesini sağladı. Yükseltirsen yanlış pozitiflerden kaynaklanan &quot;hayalet&quot; izler azalır, ama zor nesneler hiç ID alamayabilir.</li><li><strong>track_buffer: 50</strong>: Kopan bir izin geri gelmesi için yaklaşık 1,5–2 saniyelik (25–30 FPS&#39;te) bir tolerans. <strong>25&#39;in altına</strong> inince aynı kişiye arka arkaya farklı ID&#39;ler verilmeye başlıyor. Çok yükseltince de sahneden çıkan nesnelerin izleri gereğinden uzun süre bellekte kalıyor.</li><li><strong>match_thresh: 0.8</strong>: Varsayılan değer. Hızlı hareket eden nesnelerde kutular sık kaçıyorsa eşleştirmeyi gevşetmek için biraz artırılabilir. Kalabalıkta yanlış eşleşmeler oluyorsa düşürülebilir.</li></ul><h3>BoT-SORT ayarlarım</h3><pre>tracker_type: botsort<br>track_high_thresh: 0.30<br>track_low_thresh: 0.10<br>new_track_thresh: 0.35<br>track_buffer: 50<br>match_thresh: 0.8<br>fuse_score: True<br>gmc_method: sparseOptFlow<br>proximity_thresh: 0.7<br>appearance_thresh: 0.4<br>with_reid: True<br>model: auto</pre><p>BoT-SORT genel takipte daha başarılı olduğu için eşikleri ByteTrack’e göre biraz <strong>daha sıkı</strong> tuttum (0,30 / 0,10 / 0,35). Re-ID kopan izleri zaten kurtarabildiği için düşük skorlu tespitlere o kadar yaslanmaya gerek kalmadı.</p><ul><li><strong>gmc_method: sparseOptFlow</strong>: Kameradaki küçük sarsıntılar ve zıplamalar için yeterli oldu. Daha sert hareket eden kameralarda orb gibi özellik tabanlı yöntemler denenebilir.</li><li><strong>proximity_thresh: 0.7</strong>: Re-ID eşleşmesini sadece birbirine yakın kutularla sınırladım. Kalabalık sahnelerde iki farklı kişinin sırf benzer yelekler giydiği için karışmasını engelliyor.</li><li><strong>appearance_thresh: 0.4</strong>: Görünüş benzerliği için orta seviye bir eşik. Aynı yeleği giyen işçiler arasında yanlış Re-ID eşleşmeleri görürsen bu değeri <strong>yükseltmek</strong> gerekir.</li></ul><blockquote><strong>Not:</strong> Ultralytics’in güncel botsort.yaml dosyasında varsayılanlar appearance_thresh: 0.8, proximity_thresh: 0.5 ve with_reid: False. Yani Re-ID varsayılan olarak kapalı, açıldığında da benim kullandığımdan çok daha katı bir benzerlik eşiği uygulanıyor. Kendi denemelerinde bu farkı göz önünde bulundur.</blockquote><ul><li><strong>with_reid: True</strong>: Özellikle insanlarda çok daha tutarlı sonuç verdi. Kopan izlerde bile aynı kişiye aynı ID&#39;nin geri verilmesini sağlayan asıl özellik bu.</li></ul><h3>Hazır COCO modeliyle karşılaştırma</h3><p>Aynı videolarda, aynı takipçi ayarlarıyla Ultralytics’in COCO veri setinde eğitilmiş hazır <strong>YOLOv11m</strong> modelini de denedim. Sonuç beklenen yöndeydi, ama öğretici oldu:</p><ul><li>COCO modeli 80 sınıf tanıyor, ama <strong>baret, yelek, gözlük gibi PPE sınıflarını içermiyor</strong>. Bu yüzden asıl ilgilendiğim nesneleri takip edemedi. Bunun yerine sahnedeki <strong>person, truck, traffic light</strong> gibi genel sınıfları takip etti.</li><li>Tanıdığı sınıflarda ise <strong>daha kararlı ve daha yüksek doğrulukla</strong> takip yaptı. Çok daha büyük ve dengeli bir veri setiyle eğitildiği için tespitleri daha güvenilirdi. Bu da takibi doğrudan iyileştirdi.</li></ul><p>Bu karşılaştırmanın bana öğrettiği en önemli şey şu oldu: <strong>Takip kalitesinin tavanını dedektör belirliyor.</strong> Takipçi parametreleriyle zayıf bir dedektörün açıklarını bir noktaya kadar kapatabilirsin. Düşük eşikler, uzun buffer ve Re-ID gibi. Ama asıl iyileşme daha iyi bir dedektörden gelir. Benim durumumda bu, PPE veri setindeki sınıf dengesizliğini gidermek demek.</p><h3>Özet: hangisini ne zaman seçmeli?</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*7cQCcONNDwywZsIyQwD8_Q.png" /><figcaption>ByteTrack ve BoT-SORT karşılaştırması</figcaption></figure><p><em>PPE modelinin eğitim sürecini serinin ilk yazısında anlattım.</em></p><h3>Kaynakça</h3><ul><li>Aharon, N., Orfaig, R., Bobrovsky, B. (2022). <em>BoT-SORT: Robust Associations Multi-Pedestrian Tracking.</em></li><li>Ultralytics Track modu: <a href="https://docs.ultralytics.com/tr/modes/track/#tracker-selection">https://docs.ultralytics.com/tr/modes/track/#tracker-selection</a></li><li><a href="https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/trackers/bytetrack.yaml">https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/trackers/bytetrack.yaml</a></li><li><a href="https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/trackers/botsort.yaml">https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/trackers/botsort.yaml</a></li><li><a href="https://www.labellerr.com/blog/bot-sort-tracking/">https://www.labellerr.com/blog/bot-sort-tracking/</a></li><li><a href="https://blog.roboflow.com/top-object-tracking-software/">https://blog.roboflow.com/top-object-tracking-software/</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d8561b5cb82a" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Nesne Takibi: Tek Nesneden Kalabalığa, SiamFC’den ByteTrack’e]]></title>
            <link>https://medium.com/@mlihgenel/nesne-takibi-tek-nesneden-kalabal%C4%B1%C4%9Fa-siamfcden-bytetrack-e-e7143d63ebc0?source=rss-135ba847abc9------2</link>
            <guid isPermaLink="false">https://medium.com/p/e7143d63ebc0</guid>
            <category><![CDATA[bytetrack]]></category>
            <category><![CDATA[deep-sort]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[computer-vision]]></category>
            <category><![CDATA[object-tracking]]></category>
            <dc:creator><![CDATA[Melih]]></dc:creator>
            <pubDate>Fri, 30 Oct 2026 06:01:01 GMT</pubDate>
            <atom:updated>2026-10-30T06:01:01.869Z</atom:updated>
            <content:encoded><![CDATA[<p>Bir nesneyi bulmak bir şey, onu kareler boyunca kaybetmeden izlemek başka bir şey. Takip algoritmalarının mantığı ve gelişimi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*PQW9gFQZ8pqjFjGpcc82sQ.png" /><figcaption>ByteTrack ile otoyolda araç takibi: her araç kareler boyunca aynı kimlik numarasını koruyor (Kaynak: Roboflow)</figcaption></figure><p>YOLO gibi bir dedektör her karede “burada bir araba var” der. Ama bir sonraki karede gördüğü arabanın <em>aynı</em> araba olduğunu bilmez. Kaç araç geçtiğini saymak, bir kişinin hangi yoldan yürüdüğünü çizmek ya da bir oyuncunun maç boyunca kaç kilometre koştuğunu ölçmek istiyorsan tespit yetmez. Ona <strong>süreklilik</strong> kazandırman gerekir.</p><p>İşte <strong>nesne takibi (object tracking)</strong> bu boşluğu dolduruyor. Bu yazıda takibin temel yaklaşımlarına ve alanı şekillendiren dört algoritmaya bakacağız: SiamFC, STARK, DeepSORT ve ByteTrack.</p><h3>Tespit ve takip arasındaki fark</h3><ul><li><strong>Nesne tespiti</strong>, her kareyi bağımsız olarak ele alır ve nesneleri her seferinde sıfırdan bulur.</li><li><strong>Nesne takibi</strong>, bir kez bulunan nesneyi sonraki karelerde <strong>eşleştirir</strong> ve her birine kalıcı bir <strong>kimlik (ID)</strong> verir.</li></ul><p>Bu sayede nesne kısa bir süre başka bir nesnenin arkasında kalsa ya da dedektör bir karede onu kaçırsa bile takip devam edebilir. Video gözetimi, otonom araçlar ve spor analizi gibi alanların neredeyse hepsi bu sürekliliğe dayanır.</p><h3>Önce dedektörlere kısa bir bakış</h3><p>Modern takip sistemlerinin çoğu bir dedektörün üzerine kurulduğu için dedektör seçimi doğrudan takip kalitesini etkiler. Dedektörler iki gruba ayrılır:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/850/1*NDMQsOQEuA2swd2-lAfXrw.png" /><figcaption>Tek aşamalı (üstte) ve iki aşamalı (altta) dedektörlerin yapısı (Kaynak: Encord)</figcaption></figure><ul><li><strong>Tek aşamalı dedektörler</strong> (ör. YOLO): Görüntüyü tek bir ağdan geçirip kutuları ve sınıfları doğrudan üretir. Hızlıdır.</li><li><strong>İki aşamalı dedektörler</strong> (ör. Faster R-CNN): Önce bir <strong>bölge öneri ağı (RPN)</strong> nesne olabilecek bölgeleri çıkarır, sonra ikinci bir ağ bu bölgeleri sınıflandırıp kutuları iyileştirir. Daha maliyetlidir, ama genelde daha doğrudur.</li></ul><p>Gerçek zamanlı takipte genelde tek aşamalı dedektörler tercih edilir.</p><h3>İki ana yaklaşım: SOT ve MOT</h3><p><strong>Tekli nesne takibi (Single Object Tracking, SOT)</strong> tek bir hedefi izler. Hedef ilk karede elle ya da bir dedektörle belirlenir, algoritma da onu videonun geri kalanında takip eder. Güvenlik kamerasında şüpheli bir kişiyi ya da bir maçta topu izlemek buna örnek. SOT algoritmalarının çoğu <strong>sınıftan bağımsızdır</strong>: Daha önce hiç görmediği bir nesneyi bile, sadece ilk karedeki görüntüsüne bakarak takip edebilir.</p><p><strong>Çoklu nesne takibi (Multi-Object Tracking, MOT)</strong> sahnedeki <strong>bütün</strong> nesneleri aynı anda izler. Genelde <strong>tespit ederek takip (tracking-by-detection)</strong> yaklaşımı kullanılır:</p><ol><li>Her karede dedektör tüm nesneleri bulur.</li><li>Bu tespitler önceki karelerdeki izlerle <strong>eşleştirilir</strong> (data association).</li><li>Sahneye giren nesnelere yeni ID verilir, çıkanların izi sonlandırılır.</li></ol><p>MOT, SOT’tan daha zordur. Nesnelerin birbirine karışmaması, üst üste binen nesnelerin ayırt edilmesi ve her birinin ID’sinin tutarlı kalması gerekir. Bir nesnenin ID’sinin yanlışlıkla değişmesine <strong>ID switch</strong> denir ve MOT’un en büyük düşmanıdır.</p><h3>Tekli takip yöntemleri</h3><p>Derin öğrenmeden önce SOT; Kalman filtresi, parçacık filtresi ve <strong>korelasyon filtreleri</strong> (ör. KCF) gibi yöntemlere dayanıyordu. Bu yöntemler hızlıydı ama ölçek değişiminde ve kısmi örtülmede kararsızdı.</p><p>Derin öğrenmeyle birlikte <strong>Siamese (ikiz) ağlar</strong> alanı değiştirdi. Fikir şu: Takibi bir <strong>benzerlik öğrenme</strong> problemine çevirmek. “Yeni karedeki hangi bölge, ilk karedeki hedefe en çok benziyor?”</p><h3>SiamFC (2016)</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*UzaKvL6eV22JlLKCN9S5Aw.png" /><figcaption>SiamFC: şablon (z) ve arama alanı (x) aynı ağdan geçiyor, çapraz korelasyonla bir skor haritası üretiliyor (Kaynak: Bertinetto vd., 2016)</figcaption></figure><p>SiamFC’de ağırlıkları paylaşan iki özdeş CNN dalı var:</p><ul><li>Biri ilk karedeki <strong>şablonu</strong> (hedefin görüntüsünü) işliyor.</li><li>Diğeri güncel karedeki daha büyük <strong>arama alanını</strong> işliyor.</li></ul><p>İki özellik haritası <strong>çapraz korelasyonla</strong> karşılaştırılıyor. Sonuçta çıkan <strong>skor haritasında</strong> en yüksek değerin olduğu yer, nesnenin yeni konumu.</p><p><strong>Artıları:</strong> Basit, tamamen evrişimli ve <strong>gerçek zamanlı</strong>. Takip algoritmalarının öğrenmeyle geliştirilebileceğini gösterdi. SiamFC tabanlı takipçiler VOT-2017 gerçek zamanlı yarışmasında öne çıktı.</p><p><strong>Eksileri:</strong> Model takip sırasında kendini güncellemiyor. Nesnenin görünümü ciddi şekilde değişirse zorlanıyor. Ölçek değişimini farklı boyutlarda arama yaparak çözmeye çalışıyor, ama bu yaklaşım kaba kalıyor. Bu eksikleri gidermek için <strong>SiamRPN</strong> (Siamese yapıya bölge öneri ağı ekleyerek) ve <strong>SiamRPN++</strong> (daha derin ResNet omurgasıyla) geliştirildi.</p><h3>STARK (2021)</h3><p>STARK (Spatio-Temporal Transformer Tracker), Siamese yaklaşımı <strong>Transformer</strong> ile değiştiriyor. Bir encoder-decoder transformer, ilk karedeki şablon ile güncel kare arasındaki ilişkileri <strong>self-attention</strong> ile öğreniyor ve doğrudan yeni kutuyu tahmin ediyor.</p><p><strong>Artıları:</strong></p><ul><li>Transformer tüm görüntüdeki <strong>uzun menzilli ilişkileri</strong> yakalayabildiği için nesne kısmen örtülse ya da görünümü değişse bile bağlamdan faydalanarak onu bulabiliyor.</li><li>Önceki takipçilerdeki ölçek araması, pencere cezası gibi <strong>elle ayarlanan adımlara</strong> gerek kalmıyor. Sistem uçtan uca çalışıyor.</li><li>LaSOT ve TrackingNet gibi zorlu benchmark’larda önceki yöntemleri geride bıraktı. Hafif versiyonu <strong>STARK-Lightning</strong> ise çok yüksek hızlara ulaşabiliyor.</li></ul><p><strong>Eksileri:</strong> Büyük modeller güçlü bir GPU gerektiriyor (ör. STARK-ST101 bir V100&#39;de ~30 FPS) ve gömülü cihazlar için ağır kalabiliyor. Eğitim için COCO, LaSOT, GOT-10k ve TrackingNet gibi büyük veri setlerine ihtiyaç duyuluyor.</p><h3>Çoklu takip yöntemleri</h3><h3>Başlangıç noktası: SORT</h3><p><strong>SORT (Simple Online and Realtime Tracking)</strong> modern MOT’un temelini attı:</p><ul><li>Her nesne için bir <strong>Kalman filtresi</strong> bir sonraki karedeki konumu tahmin ediyor.</li><li>Tahminler ile yeni tespitler arasındaki <strong>IoU</strong> (kutu örtüşmesi) hesaplanıyor.</li><li><strong>Macar (Hungarian) algoritması</strong> en uygun eşleşmeleri buluyor.</li></ul><p>Çok hızlı ve basit. Ama sadece konuma baktığı için nesneler birbirine yaklaştığında ya da yolları kesiştiğinde ID’leri karıştırabiliyor.</p><h3>DeepSORT (2017)</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/850/1*ItCe8XA1HSJw8wRjLDDBUA.png" /><figcaption>DeepSORT akışı: dedektör, Kalman tahmini, görünüş tanımlayıcısı ve Macar algoritmasıyla eşleştirme (Kaynak: Ikomia)</figcaption></figure><p>DeepSORT, SORT’a <strong>görünüş (appearance) bilgisini</strong> ekliyor:</p><ol><li><strong>Tespit ve özellik çıkarımı:</strong> Her tespit için ayrı bir derin ağ (bir <strong>Re-ID modeli</strong>) nesnenin görünüşünü özetleyen bir <strong>özellik vektörü</strong> çıkarıyor. Renk, doku ve kıyafet gibi bilgiler bu vektörde yer alıyor.</li><li><strong>Kalman filtresi:</strong> Her izin bir sonraki konumu tahmin ediliyor. Nesne kısa süre görünmese bile nerede olabileceği biliniyor.</li><li><strong>Eşleştirme:</strong> Hareket uyumu (Mahalanobis mesafesi) ve görünüş benzerliği (kosinüs mesafesi) birleştirilip Macar algoritmasıyla eşleştirme yapılıyor.</li><li><strong>İz yönetimi:</strong> Yeni bir iz, birkaç kare üst üste görülmeden <strong>onaylanmıyor</strong>. Belirli sayıda kare görünmeyen izler siliniyor. Böylece tek karelik yanlış tespitler ID patlamasına yol açmıyor.</li></ol><p><strong>Artıları:</strong> Görünüş bilgisi sayesinde kalabalıkta kaybolup geri gelen bir kişiye <strong>aynı ID’yi</strong> verebiliyor. Herhangi bir dedektörle çalışabilen modüler bir yapısı var.</p><p><strong>Eksileri:</strong> Her karede her tespit için bir CNN çalıştırmak, özellikle kalabalık sahnelerde <strong>hesaplama yükü</strong> getiriyor. Başarı büyük ölçüde Re-ID modelinin kalitesine bağlı. Işık ya da açı değişince görünüş karşılaştırması yanılabiliyor.</p><h3>ByteTrack (2021)</h3><p>ByteTrack basit ama etkili bir gözleme dayanıyor: Çoğu yöntem, yanlış alarmları önlemek için <strong>düşük güven skorlu tespitleri atar</strong>. Ama örtülen bir nesne de tam olarak düşük skor alır. Bu tespitleri atmak, gerçek nesnelerin izini kaybetmek demek.</p><p>ByteTrack’in çözümü <strong>her tespiti kullanmak</strong>, ama bunu iki aşamada yapmak:</p><ol><li><strong>Yüksek skorlu tespitler</strong> önce mevcut izlerle eşleştirilir (IoU ve isteğe bağlı olarak görünüş bilgisiyle).</li><li><strong>Düşük skorlu tespitler</strong>, ilk aşamada eşleşmeden kalan izlerle <strong>sadece IoU’ya bakılarak</strong> eşleştirilir. Bir izle örtüşen düşük skorlu bir kutu muhtemelen örtülen gerçek bir nesnedir. Hiçbir izle örtüşmeyen düşük skorlu kutular ise arka plan kabul edilip atılır.</li></ol><p>Düşük skorlu kutularda görünüş bilgisi güvenilir olmadığı için ikinci aşamada sadece konuma bakılıyor. Yöntemin zekâsı da tam burada.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/680/1*o-6Aqd_fuKAgIM6oBkULqg.png" /><figcaption>MOT17 veri setinde farklı takipçilerin MOTA ve hız karşılaştırması. Daire boyutu IDF1 skorunu gösteriyor. (Kaynak: Zhang vd., ByteTrack makalesi)</figcaption></figure><p><strong>Sonuçlar:</strong> ByteTrack, MOT17 benchmark’ında <strong>80,3 MOTA</strong> ve <strong>77,3 IDF1</strong> ile o güne kadarki en iyi sonuçları elde etti ve tek bir GPU’da yaklaşık 30 FPS hızında çalıştı. Basitliği sayesinde Ultralytics YOLO dahil birçok popüler kütüphaneye entegre edildi.</p><p><strong>Eksileri:</strong> Dedektörün kalitesine bağımlı. Dedektör çok fazla yanlış pozitif üretiyorsa bunlar da eşleştirmeye girebilir. Çok uzun süreli tam örtülmelerde ve çok küçük nesnelerde zorlanabiliyor.</p><h3>Başarı nasıl ölçülür?</h3><ul><li><strong>SOT metrikleri</strong> konumlama doğruluğuna odaklanır: başarı grafiği altındaki alan (<strong>AUC</strong>), merkez hatası gibi. Örneğin TrackingNet’te STARK ≈ 82 AUC’ye ulaşırken SiamRPN++ ≈ 75&#39;te kalıyor.</li><li><strong>MOT metrikleri</strong> hem tespiti hem de kimlik tutarlılığını ölçer:</li><li><strong>MOTA:</strong> Kaçırılan nesneler, yanlış alarmlar ve ID switch’ler üzerinden genel takip doğruluğu.</li><li><strong>IDF1:</strong> Kimliklerin ne kadar tutarlı korunduğu.</li><li><strong>HOTA:</strong> Tespit ve eşleştirme doğruluğunu dengeli şekilde birleştiren daha yeni bir metrik.</li></ul><h3>Nerelerde kullanılıyor?</h3><ul><li><strong>Güvenlik ve gözetim:</strong> Bir mağazadaki tüm müşterileri izlemek (MOT) ve şüpheli bir kişiyi yakın takibe almak (SOT).</li><li><strong>Otonom araçlar:</strong> Yaya ve araçları tutarlı ID’lerle izleyip hareketlerini tahmin etmek.</li><li><strong>Spor analizi:</strong> Oyuncu ve topun yollarını çıkarıp istatistik ve taktik analizi yapmak.</li><li><strong>Video analitiği:</strong> İnsan sayma, mağazada müşteri davranışı analizi, trafikte araç sayma.</li></ul><h3>Sonuç</h3><p>Takip alanı, tespit alanına paralel bir evrim geçirdi. Tekli takipte korelasyon filtrelerinden Siamese ağlara, oradan Transformer’lara geçildi. Çoklu takipte ise SORT’un sadeliğine önce görünüş bilgisi (DeepSORT), sonra düşük skorlu tespitleri değerlendirme fikri (ByteTrack) eklendi.</p><p>Örtülmeler, ani görünüm değişiklikleri ve aşırı kalabalık sahneler hâlâ tam çözülmüş değil. Bir sonraki yazıda teoriden pratiğe geçip YOLO’nun içinde gelen <strong>ByteTrack</strong> ve <strong>BoT-SORT</strong> takipçilerini kendi PPE modelimle karşılaştıracağım ve parametrelerini nasıl ayarladığımı anlatacağım.</p><h3>Kaynakça</h3><ul><li>Bertinetto, L. vd. (2016). <em>Fully-Convolutional Siamese Networks for Object Tracking.</em></li><li>Yan, B. vd. (2021). <em>Learning Spatio-Temporal Transformer for Visual Tracking (STARK).</em></li><li>Wojke, N. vd. (2017). <em>Simple Online and Realtime Tracking with a Deep Association Metric (DeepSORT).</em></li><li>Zhang, Y. vd. (2022). <em>ByteTrack: Multi-Object Tracking by Associating Every Detection Box.</em></li><li><a href="https://deryacakmak.medium.com/nesne-takibi-object-tracking-22a9cf5bdcfa">https://deryacakmak.medium.com/nesne-takibi-object-tracking-22a9cf5bdcfa</a></li><li><a href="https://medium.com/alegion/single-object-tracking-using-the-siamese-family-of-trackers-part-1-siamfc-43e6aabfe55a">https://medium.com/alegion/single-object-tracking-using-the-siamese-family-of-trackers-part-1-siamfc-43e6aabfe55a</a></li><li><a href="https://encord.com/blog/video-object-tracking-algorithms/">https://encord.com/blog/video-object-tracking-algorithms/</a></li><li><a href="https://blog.roboflow.com/what-is-bytetrack-computer-vision/">https://blog.roboflow.com/what-is-bytetrack-computer-vision/</a></li><li><a href="https://www.ikomia.ai/blog/deep-sort-object-tracking-guide">https://www.ikomia.ai/blog/deep-sort-object-tracking-guide</a></li><li><a href="https://docs.ultralytics.com/tr/modes/track/">https://docs.ultralytics.com/tr/modes/track/</a></li><li><a href="https://viso.ai/deep-learning/object-tracking/">https://viso.ai/deep-learning/object-tracking/</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e7143d63ebc0" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Bilgisayarlı Görü için Kamera Parametreleri I: FPS, Pozlama, Gain ve Histogram]]></title>
            <link>https://medium.com/@mlihgenel/bilgisayarl%C4%B1-g%C3%B6r%C3%BC-i%C3%A7in-kamera-parametreleri-i-fps-pozlama-gain-ve-histogram-d9c0939fb695?source=rss-135ba847abc9------2</link>
            <guid isPermaLink="false">https://medium.com/p/d9c0939fb695</guid>
            <category><![CDATA[image-processing]]></category>
            <category><![CDATA[opencv]]></category>
            <category><![CDATA[machine-vision]]></category>
            <category><![CDATA[cameras]]></category>
            <category><![CDATA[computer-vision]]></category>
            <dc:creator><![CDATA[Melih]]></dc:creator>
            <pubDate>Wed, 28 Oct 2026 06:01:01 GMT</pubDate>
            <atom:updated>2026-10-28T06:01:01.642Z</atom:updated>
            <content:encoded><![CDATA[<p>Modelin performansı kameradan gelen görüntü kadar iyidir. Ayarları doğru seçmek için bilmen gerekenler.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*_wDQZyL5qirOnz-h9uMCXg.jpeg" /><figcaption>Karanlık bir sahnede gain simülasyonu: 0 dB’den 18 dB’ye çıktıkça görüntü aydınlanıyor, ama sensör gürültüsü de aynı oranda büyüyor</figcaption></figure><p>Bilgisayarlı görü projelerinde genelde bütün dikkat modele gider: hangi mimari, kaç epoch, hangi augmentation. Ama sahada çalışan bir sistemde sorunların önemli bir kısmı kameradan kaynaklanır. Hareket eden nesneler bulanık çıkar, gece görüntüsü gürültüyle dolar ya da parlak bir alan tamamen beyaza patlar. Bu durumda model ne kadar iyi olursa olsun, görmediği detayı tahmin edemez.</p><p>Bu iki yazılık mini seride kameranın temel parametrelerine bilgisayarlı görü gözüyle bakacağız. İlk yazının konuları: kare hızı, çözünürlük, pozlama üçgeni, gain ve histogram.</p><h3>FPS (kare hızı)</h3><p><strong>FPS (frames per second)</strong>, kameranın bir saniyede yakaladığı kare sayısıdır. 30 FPS’lik bir kamera her saniye 30 ayrı görüntü üretir.</p><ul><li><strong>Yüksek FPS:</strong> Hareket daha akıcı yakalanır, hızlı nesneler kareler arasında daha az yer değiştirir. Bu da nesne takibini kolaylaştırır.</li><li><strong>Düşük FPS:</strong> Hızlı hareketlerde nesne bir kareden diğerine çok fazla “zıplar”, takip algoritmaları eşleştirmekte zorlanır.</li></ul><p>Nesne takibi ya da hareket analizi yapıyorsan genelde <strong>en az ~30 FPS</strong> önerilir. Ama FPS’i artırmanın bir bedeli var: Daha fazla kare, daha fazla veri, daha fazla bant genişliği ve daha fazla işlem yükü demek. Modelin saniyede 15 kare işleyebiliyorsa 60 FPS’lik kamera almanın pek anlamı yok. Doğru FPS; nesnelerin hızı, istenen akıcılık ve donanımın kapasitesi birlikte düşünülerek seçilmeli.</p><p>Bir de şunu unutmamak lazım: FPS, pozlama süresine üst sınır koyar. 30 FPS’te her kare için en fazla 1/30 saniye pozlama yapılabilir. Karanlık ortamda kamera daha uzun pozlama isterse FPS kendiliğinden düşebilir.</p><h3>Çözünürlük: kaç piksel yeter?</h3><p>Fotoğrafçılıkta çözünürlük genelde baskı boyutuyla konuşulur. Bilgisayarlı görüde ise doğru soru şu: <strong>İlgilendiğim nesne görüntüde kaç piksel kaplıyor?</strong></p><ul><li>Yüksek çözünürlük, uzaktaki ya da küçük nesnelerde daha fazla detay demek. Görüntüden bir bölgeyi kırpıp yakınlaştırdığında da daha fazla bilgi kalır.</li><li>Ama çözünürlük iki katına çıktığında piksel sayısı dört katına çıkar. İşlem süresi ve bellek de buna göre artar. Çoğu model girdiyi zaten 640×640 gibi bir boyuta küçültür.</li><li>Yüksek çözünürlükten fayda sağlamak için <strong>iyi aydınlatma</strong> şart. Yetersiz ışıkta piksel başına düşen ışık azalır ve detaylar gürültüye gömülür.</li></ul><h3>Pozlama üçgeni</h3><p><strong>Pozlama</strong>, sensöre ulaşan ışık miktarıdır. Az pozlanmış görüntüler karanlık ve detaysızdır. Aşırı pozlanmış görüntülerde ise parlak alanlar “patlar” ve bembeyaz olur. Pozlamayı üç ayar birlikte belirler: <strong>enstantane hızı</strong>, <strong>diyafram</strong> ve <strong>ISO/gain</strong>.</p><h3>1. Enstantane hızı (pozlama süresi)</h3><p>Sensörün ışığa ne kadar süre açık kaldığı. Saniyenin kesirleriyle ölçülür (1/1000, 1/60, 1/4 gibi).</p><ul><li><strong>Kısa süre (ör. 1/1000):</strong> Hareket donar. Hızlı nesneler net çıkar ama sensöre daha az ışık ulaşır ve görüntü kararır.</li><li><strong>Uzun süre (ör. 1/4):</strong> Daha fazla ışık toplanır ama hareket eden her şey bulanıklaşır. Dönen bir vantilatör 1/1000&#39;de net kanatlarla görünürken 1/4&#39;te kanatlar tamamen silinir.</li></ul><p>Bilgisayarlı görüde <strong>hareket bulanıklığı</strong> (motion blur) en sinsi sorunlardan biridir. Yürüyen bir insan, konveyörde akan bir ürün ya da hareket eden bir araç, uzun pozlamada kenarlarını kaybeder. Bu da hem tespit hem de takip performansını düşürür.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*6i5UbBuS2MLL1mIC0QLH1w.png" /><figcaption>Aynı görüntünün giderek uzayan pozlama süresiyle simüle edilmiş hareket bulanıklığı</figcaption></figure><h3>2. Diyafram</h3><p>Lensin ışığın geçtiği açıklığı. İnsan gözbebeği gibi çalışır. <strong>f sayısı</strong> ile ifade edilir ve ters orantılıdır: <strong>f sayısı küçüldükçe açıklık büyür.</strong> f/1.4 çok geniş, f/16 çok dar bir açıklıktır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*bE-_rYGOWZVeq2NEfyhFeQ.png" /><figcaption>f/16&#39;dan f/1.4&#39;e diyafram açıklıkları: f sayısı küçüldükçe açıklık büyüyor</figcaption></figure><ul><li><strong>Geniş diyafram (küçük f):</strong> Daha fazla ışık alınır ama <strong>alan derinliği</strong> azalır. Odaklanılan düzlem net kalırken önü ve arkası bulanıklaşır.</li><li><strong>Dar diyafram (büyük f):</strong> Daha az ışık alınır ama daha geniş bir derinlik aralığı net çıkar.</li></ul><p>Endüstriyel uygulamalarda farklı yükseklikteki parçaların aynı anda net görünmesi gerekiyorsa dar diyafram ve buna yetecek kadar güçlü aydınlatma tercih edilir.</p><h3>3. ISO ve gain</h3><p><strong>ISO</strong>, fotoğraf makinelerinde sensörün ışığa hassasiyetini ifade eder. Endüstriyel ve video kameralarda aynı işlevi <strong>gain (kazanç)</strong> görür.</p><p>Gain, sensörün ürettiği elektrik sinyalinin <strong>elektronik olarak yükseltilmesi</strong>dir ve genellikle desibel (dB) cinsinden ölçülür. Kabaca <strong>+6 dB, sinyalin yaklaşık iki katına çıkması</strong> demektir. Birçok kamerada 0 dB, +6 dB, +12 dB gibi kademeler bulunur.</p><p>Yazının başındaki görsel, gain’in ikili doğasını çok iyi gösteriyor: 0 dB’den 18 dB’e çıktıkça sahne aydınlanıyor, ama <strong>gürültü (gren)</strong> de belirgin şekilde artıyor. Çünkü gain sadece sinyali değil, sinyalle birlikte gürültüyü de yükseltiyor. Yeni bilgi eklemiyor.</p><h3>Gain nasıl belirlenir?</h3><p>Kısa cevap: <strong>mümkün olduğunca düşük</strong>. Pratikte izlenen sıra şöyle:</p><ol><li><strong>Önce optik ve ortam:</strong> Diyaframı aç, hareket bulanıklığı izin verdiği ölçüde pozlama süresini uzat, mümkünse <strong>ek aydınlatma</strong> kullan.</li><li><strong>Gain son çaredir:</strong> Bunlara rağmen görüntü hâlâ karanlıksa gain’i artır. Böylece gain’in getirdiği gürültüyü en sona bırakmış olursun.</li><li><strong>Sadece gerektiği kadar:</strong> +6 dB yeterliyse +12 dB’e çıkma. Her sensörün en iyi sinyal-gürültü oranını verdiği bir <strong>taban (native) ISO/gain</strong> değeri vardır. Mümkün olduğunca ona yakın çalış.</li><li><strong>Uygulamaya göre tolerans:</strong> Genel bir güvenlik kamerası biraz gürültüyü tolere edebilir. Ama milimetrik ölçüm yapan bir kalite kontrol sisteminde gürültü yanlış sonuç demek. Bu tür sistemlerde gain yerine güçlü sürekli ışık ya da flaş tercih edilir.</li></ol><p>Hızlı akan bir üretim hattında ek ışık mümkün değilse ve hareket bulanıklığı yüzünden pozlama süresi kısa tutulmak zorundaysa, gain’i artırmaktan başka çare kalmayabilir. Bu durumda değer test edilerek seçilir: algoritmanın kararlılığını bozmayan en yüksek gain.</p><h3>OpenCV ile kamera ayarlarını değiştirmek</h3><p>Bu parametrelerin çoğuna OpenCV üzerinden erişebilirsin:</p><pre>import cv2<br>cap = cv2.VideoCapture(0)<br>cap.set(cv2.CAP_PROP_FRAME_WIDTH, 1280)<br>cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 720)<br>cap.set(cv2.CAP_PROP_FPS, 30)<br>cap.set(cv2.CAP_PROP_AUTO_EXPOSURE, 1)   # bazı sürücülerde 1 = manuel, 3 = otomatik<br>cap.set(cv2.CAP_PROP_EXPOSURE, -6)       # birim sürücüye göre değişir<br>cap.set(cv2.CAP_PROP_GAIN, 0)<br>print(&quot;FPS:&quot;, cap.get(cv2.CAP_PROP_FPS))<br>print(&quot;Pozlama:&quot;, cap.get(cv2.CAP_PROP_EXPOSURE))</pre><blockquote><strong>Dikkat:</strong> Bu değerlerin birimi ve geçerli aralığı kameraya ve sürücüye göre değişir. Bazı webcam’ler bazı ayarları hiç desteklemez. set() çağrısından sonra get() ile değerin gerçekten değişip değişmediğini kontrol et.</blockquote><h3>Histogram: pozlamayı sayılarla okumak</h3><p><strong>Histogram</strong>, görüntüdeki piksellerin parlaklık dağılımını gösteren grafiktir. Yatay eksende soldan sağa siyahtan (0) beyaza (255) parlaklık değerleri, dikey eksende ise her değerden kaç piksel olduğu yer alır. Pozlamayı gözle tahmin etmek yerine histograma bakmak çok daha güvenilirdir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*NZpOZu-b3aUDe8cMJykcMg.png" /><figcaption>Aynı sahne üç farklı pozlamada ve histogramları</figcaption></figure><ul><li><strong>Az pozlanmış:</strong> Pikseller sola yığılmış, sağ taraf bomboş. Gölgelerdeki detaylar siyaha gömülmüş.</li><li><strong>Dengeli:</strong> Dağılım 0–255 aralığına yayılmış, uçlarda aşırı yığılma yok.</li><li><strong>Aşırı pozlanmış:</strong> En sağda, 255&#39;te sivri bir yığılma var. Bu, “patlamış”, yani detayı tamamen kaybolmuş piksellerin işareti. Bu bilgi bir daha geri getirilemez.</li></ul><h3>Uygulamaya göre “iyi” histogram</h3><ul><li><strong>Genel amaçlı görüntü:</strong> Dağılım geniş olmalı ve iki ucunda biraz boşluk kalmalı. Ne 0&#39;a ne 255&#39;e yapışan büyük yığınlar olmalı. Bilgisayarlı görüde genelde bütün detayların görünür olması istenir.</li><li><strong>Eşikleme ve nesne/arka plan ayrımı:</strong> Burada istenen <strong>çift tepeli (bimodal)</strong> bir histogram: bir tepe nesneye, diğeri arka plana ait olsun ve aralarında belirgin bir çukur bulunsun. Bu çukur, doğru eşik değerinin nerede olduğunu gösterir. Otsu yöntemi de tam olarak bunu otomatik yapar. Histogram tek tepeliyse nesne ve zemin değerleri örtüşüyordur ve eşikleme zorlaşır.</li><li><strong>Düşük kontrast:</strong> Sisli bir havada çekilen görüntülerde histogram ortada dar bir aralığa sıkışır. Bu durumda <strong>histogram eşitleme</strong> ya da <strong>CLAHE</strong> gibi yöntemlerle dağılım genişletilir. Bu konuyu serinin Histogram ve Kontur yazısında kodla birlikte detaylı olarak işliyorum.</li></ul><h3>Özet</h3><ul><li><strong>FPS’i</strong> nesnelerin hızına ve donanımının işleyebileceği kare sayısına göre seç.</li><li><strong>Çözünürlüğü</strong> “nesnem kaç piksel kaplıyor?” sorusuyla düşün.</li><li>Görüntüyü aydınlatmak için önce <strong>ışık ve diyaframı</strong>, sonra <strong>pozlama süresini</strong> (hareket bulanıklığına dikkat ederek), en son <strong>gain’i</strong> kullan.</li><li>Pozlamayı gözle değil, <strong>histogramla</strong> kontrol et.</li></ul><p>Bir sonraki kamera yazısında lens tarafına geçiyoruz: odak uzaklığı, distorsiyon, kromatik aberasyon, vinyet ve bunların yazılımla nasıl düzeltildiği.</p><h3>Kaynakça</h3><ul><li><a href="https://www.guvenlikonline.com/makale/221/fps-nedir.html">https://www.guvenlikonline.com/makale/221/fps-nedir.html</a></li><li><a href="https://www.kameraarkasi.org/kamera/kameralar/elektronik/ayarlar/gain/kazanc.html">https://www.kameraarkasi.org/kamera/kameralar/elektronik/ayarlar/gain/kazanc.html</a></li><li><a href="https://www.canon.com.tr/get-inspired/tips-and-techniques/what-is-aperture/">https://www.canon.com.tr/get-inspired/tips-and-techniques/what-is-aperture/</a></li><li><a href="https://www.adobe.com/tr/creativecloud/photography/discover/exposure-in-photography.html">https://www.adobe.com/tr/creativecloud/photography/discover/exposure-in-photography.html</a></li><li><a href="https://www.arthenos.com/kamera-cozunurlugu/">https://www.arthenos.com/kamera-cozunurlugu/</a></li><li><a href="https://en.wikipedia.org/wiki/Image_histogram">https://en.wikipedia.org/wiki/Image_histogram</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d9c0939fb695" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>