<?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 Süleyman Çetiner on Medium]]></title>
        <description><![CDATA[Stories by Süleyman Çetiner on Medium]]></description>
        <link>https://medium.com/@suleymancetiner81?source=rss-7772c445c6d5------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*QEXzJUUHJB2ZDVZDr5Py7w.jpeg</url>
            <title>Stories by Süleyman Çetiner on Medium</title>
            <link>https://medium.com/@suleymancetiner81?source=rss-7772c445c6d5------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Wed, 18 Nov 2026 16:01:11 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@suleymancetiner81/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[AI Çağında Junior’lar Senior’lara Karşı (mı?)]]></title>
            <link>https://suleymancetiner81.medium.com/ai-%C3%A7a%C4%9F%C4%B1nda-juniorlar-senior-lara-kar%C5%9F%C4%B1-m%C4%B1-2486499b9e17?source=rss-7772c445c6d5------2</link>
            <guid isPermaLink="false">https://medium.com/p/2486499b9e17</guid>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[ai-transformation]]></category>
            <category><![CDATA[senior-developer]]></category>
            <category><![CDATA[software-development]]></category>
            <category><![CDATA[engineering-leadership]]></category>
            <dc:creator><![CDATA[Süleyman Çetiner]]></dc:creator>
            <pubDate>Mon, 12 Jan 2026 21:52:28 GMT</pubDate>
            <atom:updated>2026-01-12T21:52:28.469Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*lkJesNbGyBZvl1_Je5eXdw.png" /></figure><p>20+ yıllık yazılımcıyım ve uzun süredir takım liderliği yapıyorum. Açık söyleyeyim; yazılım dünyasında şu an garip ama heyecan verici bir dönemin içindeyiz.</p><p>Yıllar önce bir haftada yazdığımız kodları, bugün junior developer’lar <strong>ChatGPT</strong>, <strong>Copilot</strong>, <strong>Cursor </strong>gibi araçlarla saatler içinde üretebiliyor. Gece gündüz <strong>StackOverflow’da </strong>hata kovaladığımız günlerden bu noktaya gelmiş olmak hâlâ bana inanılmaz geliyor.</p><p>Peki, Junior ve Senior kavramlarının niteliği değişiyor mu?<br>Yoksa senior’luğun sonuna mı geliyoruz?</p><p>Hiç kuşkusuz junior developer’lar için harika bir çağdayız. Daha önce hiç deneyimlemedikleri alanlarda bile cesurca ve çok hızlı kod yazabiliyorlar.<br>Ama kritik soru şu: Hız, doğru yöne gitmiyorsa er ya da geç bir “kaza” kaçınılmaz değil mi?</p><p>İşte senior’luk tam da burada devreye giriyor<br>Yazılan kod mimariye uygun mu?<br>Sistemin bütününün bir parçası mı?<br>Yoksa sadece “o an çalışsın” diye yapılmış bir yama mı?</p><p>Çalışan her kod, doğru çalışan kod değildir. Yapay zekâların ürettiği çıktılar; eski mimariler, güncel olmayan desenler ya da fark edilmesi zor güvenlik açıkları barındırabilir. Bugün gözden kaçan küçük bir “halüsinasyon”, yarın çok büyük problemlere dönüşebilir.</p><p>Bu yüzden senior yazılımcıların görevi değişiyor:<br>Artık sadece kod yazan değil, AI çıktısını mimari, güvenlik ve sürdürülebilirlik açısından valide eden kişi olmak zorundayız.</p><p>Ancak şunu da kabul edelim:<br>AI, yazılımın kalıcı bir parçası artık. AI kullanmadan kod yazan ekiplerin yakın gelecekte geri kalma riski çok yüksek.</p><p>Bugün junior’lara “AI kullanmayın” diyemeyiz.<br>Ama şunu öğretmek zorundayız:<br>AI’a doğru soruyu sormayı (Prompt Engineering) ve gelen cevabı doğru şekilde sorgulamayı.</p><p>Burada çok ince bir çizgi var. Eğer ekipteki yazılımcılar AI olmadan hiç kod yazamaz hâle geliyorsa, bu teknik değil liderlik problemidir.</p><p>Artık hiyerarşi;<br>“Kim daha iyi kod yazıyor?” üzerinden değil,<br>“Kim sistemin bütününe hâkim ve AI’ı en güvenli şekilde orkestre edebiliyor?” üzerinden kurulmalı.</p><p>20 yıllık sektör tecrübem bana şunu öğretti:<br>Hiçbir yeni araç, işini tutkuyla yapan insanı yok etmez. Onu güçlendirir.</p><p>Junior’ların AI ile kazandığı hız bizi korkutmamalı.<br>Aksine bizi daha stratejik, daha mimari odaklı ve daha “insan” olmaya zorlamalı.</p><p><strong><em>Unutmayın; AI kod yazar ama ürünü ayağa kaldıran şey her zaman insan olacaktır.</em></strong></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2486499b9e17" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[15 Dakikada Yapay Zeka Destekli CV Analizi Yapmak: Python ile Gerçek Bir Proje]]></title>
            <link>https://suleymancetiner81.medium.com/15-dakikada-yapay-zeka-destekli-cv-analiz%C3%B6r%C3%BC-yapmak-python-ile-ger%C3%A7ek-bir-proje-6e7c28adac8c?source=rss-7772c445c6d5------2</link>
            <guid isPermaLink="false">https://medium.com/p/6e7c28adac8c</guid>
            <category><![CDATA[resume-analyzer]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[nlp-processing]]></category>
            <category><![CDATA[careeroptimization]]></category>
            <category><![CDATA[streamlit-python]]></category>
            <dc:creator><![CDATA[Süleyman Çetiner]]></dc:creator>
            <pubDate>Sun, 14 Sep 2025 15:06:42 GMT</pubDate>
            <atom:updated>2025-09-14T15:32:26.929Z</atom:updated>
            <content:encoded><![CDATA[<p>Python, Streamlit ve Doğal Dil İşleme kullanarak iş arayanların CV’lerini optimize etmelerine yardımcı olan akıllı bir analiz aracı nasıl geliştirdim.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*nUh7WT00dKJ1Fd7HaDuyTg.gif" /></figure><h3>Sorun: CV Optimizasyonu Neden Bu Kadar Zor?</h3><p>Günümüzün rekabetçi iş piyasasında, CV’niz insan gözlerine ulaşmadan önce birçok filtreden geçmek zorunda. İstatistiklere göre, ATS (Applicant Tracking System) sistemleri CV’lerin %75&#39;ini işe alım uzmanları görmeden eliyor.</p><p>İş arayanlar sürekli şu sorularla boğuşuyor:</p><ul><li>“CV’m ATS uyumlu mu?”</li><li>“Doğru anahtar kelimeleri kullanıyor muyum?”</li><li>“Başarılarımı nasıl sayısal olarak ifade edebilirim?”</li><li>“Hangi becerileri öne çıkarmalıyım?”</li></ul><p>Gerçek dünya problemlerini yapay zeka ile çözmekten hoşlanan bir geliştirici olarak, CV optimizasyonunu demokratikleştiren bir çözüm geliştirmeye karar verdim.</p><h3>Çözüm: Yapay Zeka Destekli CV Analizörü</h3><p>Saniyeler içinde kapsamlı görüşler sunan akıllı bir CV analizörü yarattım. Bu araç, doğal dil işleme, makine öğrenmesi teknikleri ve sektör en iyi uygulamalarını birleştirerek eyleme dönüştürülebilir geri bildirim sağlıyor.</p><h3>🎯 Temel Özellikler:</h3><ul><li><strong>ATS Uyumluluk Skorlaması</strong> — CV’lerin otomatik tarama sistemlerinden geçmesini sağlar</li><li><strong>Beceri Tespiti</strong> — Teknik ve sosyal becerileri otomatik olarak tanır</li><li><strong>Yapı Analizi</strong> — Format, uzunluk ve organizasyonu değerlendirir</li><li><strong>Kişiselleştirilmiş Öneriler</strong> — Yapay zeka destekli iyileştirme tavsiyeleri</li></ul><h3>🛠️ Teknik Detaylar: Nasıl Çalışıyor?</h3><h3>1. Teknoloji Yığını (Tech Stack)</h3><pre># Ana kütüphaneler<br>streamlit        # Web arayüzü için<br>pandas          # Veri analizi<br>plotly          # İnteraktif grafikler<br>nltk            # Doğal dil işleme<br>PyPDF2          # PDF okuma<br>python-docx     # Word dosyası işleme</pre><h3>2. Mimari Tasarım</h3><p><strong>Metin Çıkarma Katmanı:</strong></p><pre>def extract_text_from_pdf(self, file):<br>    &quot;&quot;&quot;PDF dosyasından metin çıkarma&quot;&quot;&quot;<br>    try:<br>        pdf_reader = PyPDF2.PdfReader(file)<br>        text = &quot;&quot;<br>        for page in pdf_reader.pages:<br>            text += page.extract_text()<br>        return text<br>    except Exception as e:<br>        st.error(f&quot;PDF okuma hatası: {str(e)}&quot;)<br>        return &quot;&quot;</pre><p><strong>Doğal Dil İşleme Motoru:</strong></p><pre>def extract_skills(self, text):<br>    &quot;&quot;&quot;CV metninden becerileri çıkarma&quot;&quot;&quot;<br>    found_skills = {<br>        &#39;Technical Skills&#39;: [], <br>        &#39;Soft Skills&#39;: [], <br>        &#39;Certifications&#39;: []<br>    }<br>    <br>    for category, skills in self.skill_categories.items():<br>        for skill in skills:<br>            if skill.lower() in text.lower():<br>                found_skills[category].append(skill)<br>    <br>    return found_skills</pre><p><strong>Skorlama Algoritması:</strong></p><pre>def calculate_ats_score(self, text):<br>    &quot;&quot;&quot;ATS uyumluluk skoru hesaplama&quot;&quot;&quot;<br>    text_lower = text.lower()<br>    found_keywords = sum(1 for keyword in self.ats_keywords <br>                        if keyword in text_lower)<br>    <br>    # Bonus puanlar<br>    bonus_points = 0<br>    <br>    # E-posta kontrolü<br>    if re.search(r&#39;\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Z|a-z]{2,}\b&#39;, text):<br>        bonus_points += 10<br>    <br>    # Telefon kontrolü<br>    if re.search(r&#39;\b\d{3}[-.]?\d{3}[-.]?\d{4}\b&#39;, text):<br>        bonus_points += 5<br>    <br>    score = min(100, (found_keywords / len(self.ats_keywords)) * 70 + bonus_points)<br>    return score</pre><h3>📊 Analiz Metodolojisi</h3><h3>Çok Boyutlu Skorlama Sistemi:</h3><ol><li><strong>ATS Uyumluluğu (%30)</strong> — Anahtar kelime optimizasyonu ve format uyumluluğu</li><li><strong>Yapı Kalitesi (%40)</strong> — Organizasyon, bölümler, iletişim bilgileri, başarılar</li><li><strong>Beceri Kapsamı (%30)</strong> — Teknik beceriler, sosyal beceriler, sertifikalar</li></ol><h3>Beceri Kategorileri:</h3><p><strong>Teknik Beceriler:</strong></p><pre>&#39;Technical Skills&#39;: [<br>    &#39;python&#39;, &#39;java&#39;, &#39;javascript&#39;, &#39;react&#39;, &#39;angular&#39;, <br>    &#39;vue&#39;, &#39;nodejs&#39;, &#39;django&#39;, &#39;flask&#39;, &#39;sql&#39;, &#39;mongodb&#39;, <br>    &#39;postgresql&#39;, &#39;mysql&#39;, &#39;docker&#39;, &#39;kubernetes&#39;,<br>    &#39;aws&#39;, &#39;azure&#39;, &#39;gcp&#39;, &#39;git&#39;, &#39;linux&#39;, &#39;html&#39;, &#39;css&#39;, <br>    &#39;machine learning&#39;, &#39;artificial intelligence&#39;, &#39;data science&#39;<br>]</pre><p><strong>Sosyal Beceriler:</strong></p><pre>&#39;Soft Skills&#39;: [<br>    &#39;leadership&#39;, &#39;communication&#39;, &#39;teamwork&#39;, &#39;problem solving&#39;,<br>    &#39;analytical&#39;, &#39;creative&#39;, &#39;innovative&#39;, &#39;collaborative&#39;,<br>    &#39;adaptable&#39;, &#39;organized&#39;, &#39;detail-oriented&#39;, &#39;time management&#39;<br>]</pre><h3>🎨 Kullanıcı Deneyimi Tasarımı</h3><h3>Streamlit ile Modern Arayüz:</h3><pre># Custom CSS ile modern tasarım<br>st.markdown(&quot;&quot;&quot;<br>&lt;style&gt;<br>    .main-header {<br>        background: linear-gradient(135deg, #667eea 0%, #764ba2 100%);<br>        color: white;<br>        border-radius: 10px;<br>        text-align: center;<br>        padding: 2rem 0;<br>    }<br>&lt;/style&gt;<br>&quot;&quot;&quot;, unsafe_allow_html=True)</pre><h3>İnteraktif Görselleştirmeler:</h3><pre># Gauge chart ile genel skor<br>fig_gauge = go.Figure(go.Indicator(<br>    mode = &quot;gauge+number+delta&quot;,<br>    value = overall_score,<br>    title = {&#39;text&#39;: &quot;Genel CV Skoru&quot;},<br>    gauge = {<br>        &#39;axis&#39;: {&#39;range&#39;: [None, 100]},<br>        &#39;bar&#39;: {&#39;color&#39;: &quot;darkblue&quot;},<br>        &#39;steps&#39;: [<br>            {&#39;range&#39;: [0, 50], &#39;color&#39;: &quot;lightgray&quot;},<br>            {&#39;range&#39;: [50, 80], &#39;color&#39;: &quot;yellow&quot;},<br>            {&#39;range&#39;: [80, 100], &#39;color&#39;: &quot;green&quot;}<br>        ]<br>    }<br>))</pre><h3>🚀 Deployment ve Performans</h3><h3>Streamlit Cloud ile Kolay Deployment:</h3><ol><li><strong>GitHub’a kod yükleme</strong></li><li><strong>Streamlit Cloud’a bağlanma</strong></li><li><strong>Tek tıkla deploy etme</strong></li></ol><h3>Performans Optimizasyonları:</h3><ul><li><strong>Lazy Loading</strong>: NLTK verilerini ilk kullanımda indirme</li><li><strong>Caching</strong>: Streamlit’in yerleşik cache sistemini kullanma</li><li><strong>Asynchronous Processing</strong>: Büyük dosyalar için arka plan işleme</li></ul><h3>💡 Yapay Zeka Öneriler Sistemi</h3><p>Kişiselleştirilmiş öneriler için akıllı algoritma:</p><pre>def generate_recommendations(self, skills, ats_score, structure_issues):<br>    &quot;&quot;&quot;Kişiselleştirilmiş öneriler oluşturma&quot;&quot;&quot;<br>    recommendations = []<br>    <br>    # Beceri bazlı öneriler<br>    if len(skills[&#39;Technical Skills&#39;]) &lt; 5:<br>        recommendations.append(&quot;💡 Alanınızla ilgili daha fazla teknik beceri ekleyin&quot;)<br>    <br>    # ATS önerileri<br>    if ats_score &lt; 70:<br>        recommendations.append(&quot;🎯 Daha fazla sektör anahtar kelimesi ekleyerek ATS için optimize edin&quot;)<br>    <br>    return recommendations[:8]  # İlk 8 öneriyle sınırla</pre><h3>Nasıl Geliştirilebilir?</h3><ul><li>🤖 <strong>GPT entegrasyonu</strong> ile daha akıllı öneriler</li><li>📊 <strong>Sektör karşılaştırması</strong> özellikleri</li><li>🎨 <strong>CV şablon önerileri</strong></li><li>🌐 <strong>Çoklu dil desteği</strong></li><li>📱 <strong>Mobil uygulama versiyonu</strong></li></ul><h3>Makine Öğrenmesi Geliştirmeleri:</h3><pre># Gelecek versiyonda<br>from transformers import AutoTokenizer, AutoModel<br>import torch<br><br>class AdvancedResumeAnalyzer:<br>    def __init__(self):<br>        self.tokenizer = AutoTokenizer.from_pretrained(&#39;bert-base-uncased&#39;)<br>        self.model = AutoModel.from_pretrained(&#39;bert-base-uncased&#39;)<br>    <br>    def semantic_analysis(self, text):<br>        &quot;&quot;&quot;Semantik metin analizi&quot;&quot;&quot;<br>        # BERT ile daha derin analiz<br>        pass</pre><h3>🎯 İş Dünyasına Etkisi</h3><p>Bu proje sadece bir kod parçası değil, aynı zamanda:</p><ul><li><strong>Sosyal Etki</strong>: İş arayanlar için fırsat eşitliği</li><li><strong>Teknoloji Demonstrasyonu</strong>: Python ekosisteminin gücü</li><li><strong>Açık Kaynak Katkısı</strong>: Topluluk için ücretsiz araç</li></ul><h3>💻 Kod Açık Kaynak</h3><p>Projenin tamamı GitHub’da açık kaynak olarak mevcut:</p><pre>git clone https://github.com/suleymancetiner81/AI-Discovery-Journey/tree/main/AI-Powered%20Resume%20Analyzer<br>cd ai-resume-analyzer<br>pip install -r requirements.txt<br>streamlit run resume_analyzer.py</pre><h3>🎓 Öğrenilen Dersler</h3><h3>Teknik Dersler:</h3><ol><li><strong>Streamlit’in gücü</strong>: Hızlı prototipleme için mükemmel</li><li><strong>NLTK’nın esnekliği</strong>: Doğal dil işleme için güçlü araç</li><li><strong>Plotly’nin interaktifliği</strong>: Veri görselleştirme için ideal</li></ol><h3>🔧 Nasıl Katkıda Bulunabilirsiniz?</h3><ol><li><strong>GitHub’da star</strong> vererek projeyi destekleyin</li><li><strong>Issue</strong> açarak hata raporları ve önerilerde bulunun</li><li><strong>Pull Request</strong> göndererek kod katkısı yapın</li><li><strong>Sosyal medyada paylaşarak</strong> daha fazla kişiye ulaştırın</li></ol><h3>🎉 Sonuç</h3><p>15 dakikada başladığım bu proje, yapay zekanın günlük problemleri çözmedeki gücünü gösteriyor. Python’un zengin ekosistemi, Streamlit’in basitliği ve doğal dil işlemenin esnekliği bir araya gelince ortaya böyle pratik çözümler çıkıyor.</p><p><strong>En önemli öğrenim:</strong> Mükemmel olmaya odaklanmak yerine, çalışan bir MVP yapmak ve kullanıcı geri bildirimleriyle geliştirmek çok daha değerli.</p><h3>🚀 Projeyi İncelemek İster misiniz?</h3><ul><li><strong>GitHub:</strong> <a href="https://github.com/suleymancetiner81/AI-Discovery-Journey/tree/main/AI-Powered%20Resume%20Analyzer">https://github.com/suleymancetiner81/AI-Discovery-Journey/tree/main/AI-Powered%20Resume%20Analyzer</a></li><li><strong>LinkedIn:</strong> <a href="https://www.linkedin.com/in/suleymancetiner/">https://www.linkedin.com/in/suleymancetiner/</a></li></ul><p><strong>Beğendiyseniz 👏 alkışlamayı ve paylaşmayı unutmayın!</strong></p><p><em>Bu makale yararlı olduysa, benzer projeler hakkında daha fazla içerik için takip etmeyi unutmayın. Yapay zeka ve Python ile daha fazla gerçek dünya projesi geliştirmeye devam edeceğim!</em> 🚀</p><p><strong>Etiketler:</strong> #python #streamlit #artificialintelligence #nlp #machinelearning #career #resume #datascience #webdevelopment #opensource</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=6e7c28adac8c" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Python ile Yapay Zeka Destekli Yangın Tespit Sistemi]]></title>
            <link>https://suleymancetiner81.medium.com/python-ile-yapay-zeka-destekli-yang%C4%B1n-tespit-sistemi-e9c2e1b24d60?source=rss-7772c445c6d5------2</link>
            <guid isPermaLink="false">https://medium.com/p/e9c2e1b24d60</guid>
            <category><![CDATA[python-yangın-tespiti]]></category>
            <category><![CDATA[yapay-zeka]]></category>
            <category><![CDATA[yapay-zeka-afet-yönetimi]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[yapay-zeka-yangın]]></category>
            <dc:creator><![CDATA[Süleyman Çetiner]]></dc:creator>
            <pubDate>Sun, 29 Jun 2025 10:50:38 GMT</pubDate>
            <atom:updated>2025-06-29T11:58:13.360Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*VDei1JFSKuBm_i30lfE9AA.gif" /></figure><h3>Python ile birkaç satır kodla, yapay zeka destekli, OpenCV ile gerçek zamanlı yangın tespit sistemi nasıl yapılır? Canlı kamera veya internetten bulduğumuz bir MP4 videodaki yangınları nasıl tespit ederiz? Hadi en basit haliyle Python ve OpenCV kullanarak yangınları çerçeveleyip tehlike skoru veren bir sistem geliştirelim.</h3><h3>1. Giriş: Neden Yangın Tespit Sistemi?</h3><p>Özellikle yaz aylarında ülkemiz başta olmak üzere bilerek veya bilmeyerek çıkan yangınlarda maalesef çok fazla ağaç kül oluyor. Orman harici çıkan yangınlarda da malesef geç müdahale maddi ve manevi birçok zarara, can ve mal kayıplarına yol açıyor.</p><p>Drone’lardan veya güvenlik kameralarından gelen görüntüleri analiz ederek erken uyarı sistemleri geliştirmek mümkün. Bu yazıda, OpenCV ve Python kullanarak bir videodaki yangınları nasıl tespit edeceğimizi, çerçeveleyeceğimizi ve büyüklüklerine göre skor vereceğimizi adım adım işleyeceğiz.</p><p><em>(Not: Aynı mantıkla gölleri, dumanı veya belirli renkteki nesneleri de tespit edebiliriz!)</em></p><h3>2. Kodun Adım Adım Açıklaması</h3><h4>📌 1. Kütüphaneleri Yükleme</h4><pre>import cv2<br>import numpy as np</pre><p>cv2 (OpenCV): Görüntü işleme için temel kütüphane.</p><p>numpy: Matematiksel işlemler ve dizi yönetimi için.</p><h4>📌 2. Yangın Tespit Fonksiyonu</h4><pre>def detect_fire(frame):<br>    hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)<br>    lower_fire = np.array([0, 120, 70])<br>    upper_fire = np.array([20, 255, 255])<br>    mask = cv2.inRange(hsv, lower_fire, upper_fire)<br>    <br>    kernel = np.ones((5,5), np.uint8)<br>    mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel)<br>    mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel)<br>    <br>    contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)<br>    return contours</pre><p><strong>Ne Yapıyor?</strong></p><p>Renk Uzayı Dönüşümü: Görüntüyü BGR → HSV formatına çevirir (yangın rengini algılamak daha kolay).</p><p>Renk Filtreleme:</p><p>lower_fire ve upper_fire: Kırmızı-turuncu tonlarını seçer (yangın rengi).</p><p>Gürültü Temizleme:</p><ul><li>MORPH_OPEN: Küçük yanlış algılamaları siler.</li><li>MORPH_CLOSE: Yangın bölgesini daha net hale getirir.</li></ul><p>Kontur Bulma: Yangının sınırlarını tespit eder.</p><h4>📌 3. Yangın Skorlama Fonksiyonu</h4><pre>def calculate_fire_score(contour, frame_area):<br>    fire_area = cv2.contourArea(contour)<br>    ratio = fire_area / frame_area<br>    score = min(100, ratio * 1000)<br>    return score, fire_area</pre><p><strong>Ne Yapıyor?</strong></p><ul><li>Yangın Alanı Hesaplama: contourArea ile yangın bölgesinin piksel alanını bulur.</li><li>Skorlama:</li><li>ratio: Yangının ekranda kapladığı oran.</li><li>score: 0-100 arasında normalize edilmiş tehlike skoru.</li></ul><h4>📌 4. Video İşleme Ana Fonksiyonu</h4><pre>def process_video(video_path):<br>    cap = cv2.VideoCapture(video_path)<br>    fps = cap.get(cv2.CAP_PROP_FPS)<br>    frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))<br>    frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))<br>    frame_area = frame_width * frame_height<br>    <br>    fourcc = cv2.VideoWriter_fourcc(*&#39;XVID&#39;)<br>    out = cv2.VideoWriter(&#39;output_fire_detection.avi&#39;, fourcc, fps, (frame_width, frame_height))<br>    <br>    while cap.isOpened():<br>        ret, frame = cap.read()<br>        if not ret:<br>            break<br>        <br>        fire_contours = detect_fire(frame)<br>        max_score = 0<br>        total_fire_area = 0<br>        <br>        for contour in fire_contours:<br>            if cv2.contourArea(contour) &gt; 500:  # Küçük bölgeleri filtrele<br>                x, y, w, h = cv2.boundingRect(contour)<br>                cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 0, 255), 2)<br>                <br>                score, fire_area = calculate_fire_score(contour, frame_area)<br>                total_fire_area += fire_area<br>                <br>                if score &gt; max_score:<br>                    max_score = score<br>                <br>                cv2.putText(frame, f&quot;Score: {int(score)}&quot;, (x, y-10), <br>                           cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 255, 255), 2)<br>        <br>        if total_fire_area &gt; 0:<br>            total_ratio = (total_fire_area / frame_area) * 100<br>            cv2.putText(frame, f&quot;Total Fire: {total_ratio:.2f}%&quot;, (20, 30), <br>                       cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2)<br>            cv2.putText(frame, f&quot;Max Danger Score: {int(max_score)}&quot;, (20, 70), <br>                       cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2)<br>        <br>        cv2.imshow(&#39;Fire Detection&#39;, frame)<br>        out.write(frame)<br>        <br>        if cv2.waitKey(1) &amp; 0xFF == ord(&#39;q&#39;):<br>            break<br>    <br>    cap.release()<br>    out.release()<br>    cv2.destroyAllWindows()</pre><p><strong>Ne Yapıyor?</strong></p><p>Video Okuma: cv2.VideoCapture ile videoyu açar.</p><p>Her Kareyi İşleme:</p><ul><li>Yangınları tespit eder (detect_fire).</li><li>Çerçeveleme: Kırmızı dikdörtgenlerle işaretler.</li><li>Skor Gösterme: Yangın büyüklüğüne göre puan verir.</li></ul><p>Sonuçları Kaydetme: İşlenmiş videoyu output_fire_detection.avi olarak kaydeder.</p><h3>3. Peki Gölleri veya Başka Nesneleri Tespit Etmek İstersek?</h3><p>Aynı mantıkla:</p><ol><li>Renk Aralığını Değiştir:</li></ol><ul><li>Göller için mavi tonları (lower_blue = np.array([90, 50, 50]), upper_blue = np.array([130, 255, 255])).</li><li>Duman için gri-beyaz tonları.</li></ul><p>Filtreleme: Gürültüyü azaltmak için morphologyEx ayarlarını değiştir.</p><p>Skorlama: Alan hesaplaması aynı, sadece eşik değerlerini ayarla.</p><h3>4. Sonuç: Python ile Görüntü İşleme Gücü</h3><p>Bu projede:<br>✔ Yangınları tespit ettik,<br>✔ Tehlike skoru verdik,<br>✔ Aynı yöntemle farklı nesneleri algılayabileceğimizi öğrendik.</p><h3>GITHUP</h3><p><a href="https://github.com/suleymancetiner81/AI-Discovery-Journey/tree/main/fire-detection-ai">https://github.com/suleymancetiner81/AI-Discovery-Journey/tree/main/fire-detection-ai</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e9c2e1b24d60" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Python ile PDF’den Sesli Kitap Dönüştürücü: Sadece 30 Satır Kod!]]></title>
            <link>https://suleymancetiner81.medium.com/python-ile-pdfden-sesli-kitap-d%C3%B6n%C3%BC%C5%9Ft%C3%BCr%C3%BCc%C3%BC-sadece-30-sat%C4%B1r-kod-971ac48d19ad?source=rss-7772c445c6d5------2</link>
            <guid isPermaLink="false">https://medium.com/p/971ac48d19ad</guid>
            <category><![CDATA[pdf-to-mp3]]></category>
            <category><![CDATA[ebook]]></category>
            <category><![CDATA[pdf]]></category>
            <category><![CDATA[pdf-to-speech-api]]></category>
            <category><![CDATA[python]]></category>
            <dc:creator><![CDATA[Süleyman Çetiner]]></dc:creator>
            <pubDate>Wed, 18 Jun 2025 20:16:06 GMT</pubDate>
            <atom:updated>2025-06-18T20:33:43.673Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*pBu27Tsfvw0bS6ypM5ANrA.png" /><figcaption><em>Birkaç satır Python koduyla kitaplarınızı sesli hale getirmek ister misiniz? İşte gTTS ve PyPDF2 kullanarak nasıl yapabileceğinizin adım adım açıklaması!</em></figcaption></figure><p>Dijital çağda okumak yerine dinlemeyi tercih edenlerdenseniz veya görme engelli bireyler için erişilebilir içerik üretmek istiyorsanız, bu rehber tam size göre. Python’ın basit ama güçlü kütüphaneleriyle PDF’leri sesli kitaba dönüştürmeyi öğreneceğiz.</p><p>Projenin Faydaları:<br>✅ Herhangi bir PDF’yi MP3 formatına çevirme<br>✅ Türkçe ve İngilizce desteği<br>✅ Ücretsiz ve açık kaynak</p><h3>🔧 Kullanılan Araçlar</h3><ol><li>PyPDF2: PDF’den metin çıkarma.</li><li>gTTS (Google Text-to-Speech): Metni sese dönüştürme.</li><li>Python 3.6+: Temel programlama dili.</li></ol><h3>🚀 Adım Adım Kod Açıklaması</h3><h4>1. PDF’den Metin Çıkarma</h4><pre>from PyPDF2 import PdfReader<br><br>def pdf_to_text(pdf_path):<br>    text = &quot;&quot;<br>    with open(pdf_path, &quot;rb&quot;) as file:<br>        reader = PdfReader(file)<br>        for page in reader.pages:<br>            text += page.extract_text() + &quot;\n&quot;  # Her sayfanın metnini birleştir<br>    return text</pre><ul><li>PyPDF2, PDF’lerin yapısını analiz eder.</li><li>extract_text() fonksiyonu sayfadaki metni çıkarır.</li><li>Not: Taranmış PDF’ler için OCR gerekir (örneğin pytesseract).</li></ul><h4>2. Metni Sese Dönüştürme</h4><pre>from gtts import gTTS<br><br>def text_to_audio(text, output_path=&quot;sesli_kitap.mp3&quot;, lang=&quot;tr&quot;):<br>    tts = gTTS(text=text, lang=lang, slow=False)  # slow=True daha vurgulu ama yavaş<br>    tts.save(output_path)</pre><ul><li>gTTS, Google’ın metin okuma API’sini kullanır.</li><li>lang=&quot;tr&quot; Türkçe, &quot;en&quot; İngilizce için.</li><li>slow=False doğal konuşma hızı sağlar.</li></ul><h4>3. Ana Program Akışı</h4><pre>import os<br><br>if __name__ == &quot;__main__&quot;:<br>    pdf_path = input(&quot;PDF yolunu girin: &quot;).strip(&#39;&quot;&#39;)<br>    if not os.path.exists(pdf_path):<br>        print(&quot;Hata: Dosya bulunamadı!&quot;)<br>    else:<br>        text = pdf_to_text(pdf_path)<br>        if not text.strip():<br>            print(&quot;Hata: Metin çıkarılamadı!&quot;)<br>        else:<br>            text_to_audio(text, lang=&quot;tr&quot;)<br>            print(f&quot;🎧 Ses dosyası oluşturuldu: sesli_kitap.mp3&quot;)</pre><ul><li>Kullanıcıdan PDF yolu istenir.</li><li>Hata kontrolleriyle kullanıcı dostu bir deneyim sunar.</li></ul><h3>💡 İleri Seviye Öneriler</h3><ol><li>OCR Desteği:</li></ol><pre>import pytesseract<br>from pdf2image import convert_from_path<br><br># PDF&#39;den görseli çıkarıp metne dönüştürme<br>images = convert_from_path(pdf_path)<br>text = pytesseract.image_to_string(images[0], lang=&quot;tur&quot;)</pre><ol><li>Ses Efektleri:<br>pydub kütüphanesiyle arka plan müziği ekleyebilirsiniz.</li><li>GUI Arayüzü:<br>tkinter ile basit bir dosya seçici penceresi yapın.</li></ol><h3>KODUN TAMAMI</h3><pre>import os<br>from gtts import gTTS<br>from PyPDF2 import PdfReader<br><br>def pdf_to_text(pdf_path):<br>    &quot;&quot;&quot;PDF dosyasından metni çıkarır.&quot;&quot;&quot;<br>    text = &quot;&quot;<br>    with open(pdf_path, &quot;rb&quot;) as file:<br>        reader = PdfReader(file)<br>        for page in reader.pages:<br>            text += page.extract_text() + &quot;\n&quot;<br>    return text<br><br>def text_to_audio(text, output_path=&quot;output.mp3&quot;, lang=&quot;tr&quot;):<br>    &quot;&quot;&quot;Metni ses dosyasına dönüştürür.&quot;&quot;&quot;<br>    tts = gTTS(text=text, lang=lang, slow=False)<br>    tts.save(output_path)<br>    print(f&quot;Ses dosyası oluşturuldu: {output_path}&quot;)<br><br>if __name__ == &quot;__main__&quot;:<br>    pdf_path = input(&quot;PDF dosyasının yolunu girin: &quot;).strip(&#39;&quot;&#39;)<br>    <br>    if not os.path.exists(pdf_path):<br>        print(&quot;Hata: PDF dosyası bulunamadı!&quot;)<br>    else:<br>        text = pdf_to_text(pdf_path)<br>        if not text.strip():<br>            print(&quot;Hata: PDF&#39;den metin çıkarılamadı (tarama yapılmış PDF olabilir).&quot;)<br>        else:<br>            text_to_audio(text, lang=&quot;tr&quot;)  # Türkçe için &#39;tr&#39;, İngilizce için &#39;en&#39;</pre><h3>GITHUP</h3><p><a href="https://github.com/suleymancetiner81/AI-Discovery-Journey/tree/main/pdf_to_audiobook">https://github.com/suleymancetiner81/AI-Discovery-Journey/tree/main/pdf_to_audiobook</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=971ac48d19ad" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Streamlit ile GPT-2 Kullanarak Basit Bir Metin Tamamlama Uygulaması (Python, PyTorch)]]></title>
            <link>https://suleymancetiner81.medium.com/streamlit-ile-gpt-2-kullanarak-basit-bir-metin-tamamlama-uygulamas%C4%B1-2e1ae77c7dd3?source=rss-7772c445c6d5------2</link>
            <guid isPermaLink="false">https://medium.com/p/2e1ae77c7dd3</guid>
            <category><![CDATA[hugging-face-transformers]]></category>
            <category><![CDATA[pytorch]]></category>
            <category><![CDATA[gpt]]></category>
            <category><![CDATA[streamlit]]></category>
            <category><![CDATA[python]]></category>
            <dc:creator><![CDATA[Süleyman Çetiner]]></dc:creator>
            <pubDate>Sat, 17 May 2025 13:24:48 GMT</pubDate>
            <atom:updated>2025-05-17T13:35:35.170Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>Günümüzde doğal dil işleme (NLP) uygulamaları, yapay zekâ tabanlı sistemlerin en dikkat çekici alanlarından biri haline geldi. Bu yazıda, GPT-2 modelini kullanarak nasıl basit bir metin tamamlama uygulaması geliştirdiğimi ve bunu nasıl Streamlit ile web uygulamasına dönüştürdüğümü adım adım anlatacağım.</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/962/1*mHjx8huGhZa7Z9UcZbUBLQ.png" /></figure><h3>📌 1. Projenin Amacı</h3><p>Bu uygulamanın amacı, kullanıcıdan alınan bir metin başlangıcını, GPT-2 modelini kullanarak otomatik şekilde tamamlamak. Uygulama tamamen Python diliyle geliştirildi ve web arayüzü için <strong>Streamlit</strong> kullanıldı.</p><h3>🧰 2. Kullanılan Teknolojiler</h3><ul><li>🐍 Python</li><li>🤖 Hugging Face Transformers</li><li>📦 PyTorch</li><li>🌐 Streamlit</li></ul><h3>📥 3. Gerekli Kurulumlar</h3><p>Aşağıdaki paketlerin yüklü olduğundan emin olun:</p><pre>pip install streamlit transformers torch</pre><h3>🧠 4. GPT-2 Modelini Yükleme</h3><p>transformers kütüphanesi ile GPT-2 modelini ve tokenizer&#39;ını kolayca yükleyebiliriz:</p><pre>from transformers import GPT2LMHeadModel, GPT2Tokenizer<br><br>model_name = &quot;gpt2&quot;<br>tokenizer = GPT2Tokenizer.from_pretrained(model_name)<br>model = GPT2LMHeadModel.from_pretrained(model_name)</pre><p>Not: Burada &quot;gpt2&quot; İngilizce dil modeli. Eğer Türkçe bir model kullanmak isterseniz, Hugging Face üzerinde uygun bir modeli seçebilirsiniz.</p><h3>🖥️ 5. Streamlit Arayüzünü Oluşturma</h3><p>Streamlit, Python ile kolayca etkileşimli web arayüzleri geliştirmenizi sağlar.</p><pre>import streamlit as st<br><br>st.title(&quot;🧠 Basit GPT-2 Metin Tamamlama&quot;)<br>prompt = st.text_area(&quot;Metin başlangıcını girin:&quot;, &quot;Bir zamanlar uzak bir köyde&quot;)</pre><h3>✍️ 6. Metin Tamamlama Fonksiyonu</h3><p>GPT-2 modeline bir başlangıç metni vererek, belirli uzunlukta bir devam metni oluşturmasını sağlıyoruz:</p><pre>def generate_text(prompt, max_length=100):<br>    input_ids = tokenizer.encode(prompt, return_tensors=&quot;pt&quot;)<br>    output = model.generate(<br>        input_ids,<br>        max_length=max_length,<br>        num_return_sequences=1,<br>        no_repeat_ngram_size=2,<br>        top_k=50,<br>        top_p=0.95,<br>        temperature=0.7,<br>    )<br>    return tokenizer.decode(output[0], skip_special_tokens=True)</pre><h3>🧪 7. Uygulamanın Çalışması</h3><p>Kullanıcı “Tamamla” butonuna bastığında metin tamamlanıyor:</p><pre>if st.button(&quot;Tamamla&quot;):<br>    st.info(&quot;Metin oluşturuluyor...&quot;)<br>    completed_text = generate_text(prompt)<br>    st.subheader(&quot;Tamamlanan Metin:&quot;)<br>    st.write(completed_text)</pre><h3>🗃️ 8. Tam Kod (Toplu Hâliyle)</h3><pre>import streamlit as st<br>from transformers import GPT2LMHeadModel, GPT2Tokenizer<br>import torch<br><br>@st.cache_resource<br>def load_model():<br>    model_name = &quot;gpt2&quot;<br>    tokenizer = GPT2Tokenizer.from_pretrained(model_name)<br>    model = GPT2LMHeadModel.from_pretrained(model_name)<br>    return tokenizer, model<br><br>tokenizer, model = load_model()<br><br>st.title(&quot;🧠 Basit GPT-2 Metin Tamamlama&quot;)<br><br>prompt = st.text_area(&quot;Metin başlangıcını girin:&quot;, &quot;Bir zamanlar uzak bir köyde&quot;)<br><br>def generate_text(prompt, max_length=100):<br>    input_ids = tokenizer.encode(prompt, return_tensors=&quot;pt&quot;)<br>    output = model.generate(<br>        input_ids,<br>        max_length=max_length,<br>        num_return_sequences=1,<br>        no_repeat_ngram_size=2,<br>        top_k=50,<br>        top_p=0.95,<br>        temperature=0.7,<br>    )<br>    return tokenizer.decode(output[0], skip_special_tokens=True)<br><br>if st.button(&quot;Tamamla&quot;):<br>    st.info(&quot;Metin oluşturuluyor...&quot;)<br>    completed_text = generate_text(prompt)<br>    st.subheader(&quot;Tamamlanan Metin:&quot;)<br>    st.write(completed_text)<br></pre><h3>GITHUP</h3><p><a href="https://github.com/suleymancetiner81/AI-Discovery-Journey/tree/main/streamlit-gpt2-text-completion">https://github.com/suleymancetiner81/AI-Discovery-Journey/tree/main/streamlit-gpt2-text-completion</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2e1ae77c7dd3" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Drone — İHA — Siha Kamerası ile Nesne Tespiti: Eğitilmemiş YOLOv8 ile Neleri Algılayabiliyoruz?]]></title>
            <link>https://suleymancetiner81.medium.com/drone-i%CC%87ha-siha-kameras%C4%B1-ile-nesne-tespiti-e%C4%9Fitilmemi%C5%9F-yolov8-ile-neleri-alg%C4%B1layabiliyoruz-e04ce4708e32?source=rss-7772c445c6d5------2</link>
            <guid isPermaLink="false">https://medium.com/p/e04ce4708e32</guid>
            <category><![CDATA[dronevision]]></category>
            <category><![CDATA[yolov8]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[siha]]></category>
            <category><![CDATA[opencv]]></category>
            <dc:creator><![CDATA[Süleyman Çetiner]]></dc:creator>
            <pubDate>Sat, 03 May 2025 13:19:57 GMT</pubDate>
            <atom:updated>2025-05-03T13:31:46.304Z</atom:updated>
            <content:encoded><![CDATA[<h3>Drone — İHA — Siha Kamerası ile Nesne Tespiti: Eğitilmemiş YOLOv8 ile Neleri Algılayabiliyoruz?</h3><p>Bu projede, <strong>YOLOv8</strong> (You Only Look Once) modelinin eğitilmemiş halini kullanarak bir videodaki nesneleri nasıl tespit ettiğini inceledik. YOLOv8-nano (hafif versiyon) ile drone görüntülerinde veya genel videolarda algılanan nesneleri görselleştirdik. Amacımız, eğitilmemiş bir modelin “out-of-the-box” performansını değerlendirmek ve temel nesne tespitinin nasıl çalıştığını göstermek.</p><p>Video 1 — Askeri Alan</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*M0UvQcPOf3e916GAGtEsiA.gif" /></figure><p>Video 2 — Cadde</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*FtHfy7_btUOBU8_wnHeZ7w.gif" /></figure><h3>🔍 Projenin Adımları ve Kod Açıklaması</h3><h4>1️⃣ Gerekli Kütüphanelerin Yüklenmesi</h4><pre>from ultralytics import YOLO<br>import cv2</pre><ul><li>ultralytics: YOLOv8 modelini yüklemek ve kullanmak için.</li><li>OpenCV (cv2): Video okuma, görüntü işleme ve ekranda gösterme işlemleri için.</li></ul><h4>2️⃣ Modelin Yüklenmesi</h4><pre>model = YOLO(&quot;yolov8n.pt&quot;)  # Nano model (hızlı ve hafif)</pre><ul><li>yolov8n.pt: Eğitilmiş YOLOv8-nano modeli. Bu, küçük boyutlu ve hızlı çalışan bir versiyondur.</li></ul><h4>3️⃣ Video Girişinin Ayarlanması</h4><pre>video_path = &quot;video4.mp4&quot;<br>cap = cv2.VideoCapture(video_path)</pre><ul><li>Videoyu okumak için cv2.VideoCapture kullanıyoruz.</li><li>width, height, fps bilgileri alınarak video boyutları ve kare hızı belirlenir.</li></ul><h4>4️⃣ Nesne Tespiti ve Görselleştirme</h4><pre>while cap.isOpened():<br>    success, frame = cap.read()<br>    if not success:<br>        break<br><br>    results = model(frame)  # Model ile tahmin yap<br>    annotated_frame = results[0].plot()  # Tespit edilen nesneleri çiz</pre><ul><li>model(frame): Her bir karede nesne tespiti yapar.</li><li>results[0].plot(): Algılanan nesneleri sınırlayıcı kutular ve etiketlerle çizer.</li></ul><h4>5️⃣ Çıktının Küçültülüp Gösterilmesi</h4><pre>cale = 0.5  # %50 küçült<br>resized_frame = cv2.resize(annotated_frame, None, fx=scale, fy=scale)<br>cv2.imshow(&quot;Drone Nesne Tespiti - YOLOv8&quot;, resized_frame)</pre><ul><li>Büyük videoları daha rahat görüntülemek için boyutunu küçülttük.</li><li>cv2.imshow() ile sonuçları gerçek zamanlı gösterdik.</li></ul><h4>6️⃣ Çıkış İşlemleri</h4><pre>if cv2.waitKey(1) &amp; 0xFF == ord(&quot;q&quot;):<br>    break</pre><ul><li>q<strong> tuşuna basıldığında</strong> döngüden çıkılır ve program sonlanır.</li><li>cap.release() ve cv2.destroyAllWindows() ile kaynaklar serbest bırakılır.</li></ul><h4>Kodun Tamamı</h4><pre>from ultralytics import YOLO<br>import cv2<br><br># YOLOv8 modelini yükle (n - nano model: hızlı ve hafif)<br>model = YOLO(&quot;yolov8n.pt&quot;)<br><br># Video dosyasını aç<br>video_path = &quot;video4.mp4&quot;<br>cap = cv2.VideoCapture(video_path)<br><br># Video çözünürlük bilgisi<br>width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))<br>height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))<br>fps = cap.get(cv2.CAP_PROP_FPS)<br><br># Video yazıcı (istersen çıkış videosu kaydetmek için)<br># out = cv2.VideoWriter(&quot;output.mp4&quot;, cv2.VideoWriter_fourcc(*&quot;mp4v&quot;), fps, (width, height))<br><br>while cap.isOpened():<br>    success, frame = cap.read()<br>    if not success:<br>        break<br><br>    # Model ile tahmin yap<br>    results = model(frame)<br><br><br><br>    # Tahmin sonucunu çizdir<br>    annotated_frame = results[0].plot()<br><br>    scale = 0.5  # %50 küçült<br>    resized_frame = cv2.resize(annotated_frame, None, fx=scale, fy=scale)<br><br>    # Küçük boyutta ekranda göster<br>    cv2.imshow(&quot;Drone Nesne Tespiti - YOLOv8&quot;, resized_frame)<br><br><br><br><br><br>    # Kaydetmek istersen:<br>    # out.write(annotated_frame)<br><br>    if cv2.waitKey(1) &amp; 0xFF == ord(&quot;q&quot;):<br>        break<br><br># Temizlik<br>cap.release()<br># out.release()<br>cv2.destroyAllWindows()</pre><h3>Projeyi Biraz Geliştirelim mi?</h3><p>Yukarıda aslında basit anlamda obje tanıyan bir kütüphaneyle ilgili nasıl çalışacağımızı öğrendik. Özellikle İHA ve SİHA’ların kameralarından tarama yaparken bizim için insan mi yoksa kamyon mu olduğundan ziyade daha detaylı verilere ihtiyacımız olacaktır. Örneğin SİHA’nin gördüğü insan, asker mi? sivil mi? elinde silah var mı yok mu? aşağıda hareket eden araçlar askeri araç mı sivil araç mı? bu tip kapsamlı bir analiz için aslında burada yazılımcı olarak bizlerin devreye girip yapay zekayı biraz kendimize göre ince ayar ile düzenlememiz gerekiyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/746/1*Tq3JmEaTPQ_WrGO1CbnvwQ.png" /><figcaption>Eğitilmiş modelle tank tespiti</figcaption></figure><h3>YOLOv8 ile Asker/Sivil ve Askeri Araç Tespiti Geliştirme</h3><p>Eğer YOLOv8&#39;in standart modeli (COCO veri setiyle eğitilmiş) askerleri “person”, tankları “truck” olarak algılıyorsa ve daha spesifik tespitler (asker/sivil, silahlı/silahsız, askeri araç/sivil araç) yapmak istiyorsanız, <strong>özel bir veri setiyle modeli fine-tune (ince ayar) etmeniz</strong> gerekir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/910/1*ZQr6FWo39uC3JMR68fu_xA.png" /></figure><h3>Geliştirme Adımları</h3><h3>1. Özel Veri Seti Oluşturma</h3><ul><li><strong>Asker, sivil, düşman askeri, silahlı birey, tanksavar, askeri kamyon</strong> gibi sınıfları belirleyin.</li><li><strong>Etiketleme:</strong></li><li>LabelImg veya CVAT gibi araçlarla görüntüleri işaretleyin (bounding box + sınıf etiketi).</li><li>Format: <strong>YOLO formatında</strong> (class_id x_center y_center width height)</li></ul><h3>2. Modeli Özel Veriyle Eğitme (Fine-Tuning)</h3><pre>from ultralytics import YOLO<br><br># YOLOv8 nano modelini yükle (veya daha büyük bir model seç)<br>model = YOLO(&quot;yolov8n.pt&quot;)  # ya da &quot;yolov8s.pt&quot;, &quot;yolov8m.pt&quot;<br><br># Özel veri setiyle eğitim yap<br>results = model.train(<br>    data=&quot;custom_dataset.yaml&quot;,  # Veri seti konfigürasyon dosyası<br>    epochs=100,                 # Eğitim iterasyon sayısı<br>    batch=16,                   # Batch boyutu<br>    imgsz=640,                  # Görüntü boyutu<br>    name=&quot;military_detection&quot;   # Model kayıt adı<br>)</pre><p>custom_dataset.yaml Örneği:</p><pre>path: /path/to/dataset<br>train: images/train<br>val: images/val<br>test: images/test<br><br>names:<br>  0: soldier<br>  1: civilian<br>  2: enemy_soldier<br>  3: armed_person<br>  4: military_vehicle<br>  5: tank</pre><h3>3. Eğitilmiş Model ile Nesne Tespiti</h3><pre>model = YOLO(&quot;runs/detect/military_detection/weights/best.pt&quot;)  # Eğitilmiş model<br><br>results = model(frame)<br>annotated_frame = results[0].plot()<br><br>cv2.imshow(&quot;Military Detection&quot;, annotated_frame)</pre><h3>📌 Sonuç</h3><p>Standart YOLOv8 modeli genel nesneleri tespit eder, ancak askeri/sivil ayrımı yapamaz.</p><p>Özel veri seti + fine-tuning ile modelinizi askeri senaryolara optimize edebilirsiniz.</p><p><strong>Nesne takibi (BoT-SORT, ByteTrack) ve ek filtreleme ile daha güvenilir sonuçlar alabilirsiniz.</strong></p><h3>GITHUP</h3><p><a href="https://github.com/suleymancetiner81/AI-Discovery-Journey/tree/main/dronevision-yalo">https://github.com/suleymancetiner81/AI-Discovery-Journey/tree/main/dronevision-yalo</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e04ce4708e32" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[MNIST ile TensorFlow’a Giriş: Python ile El Yazısı Rakam Tanıma]]></title>
            <link>https://suleymancetiner81.medium.com/mnist-ile-tensorflowa-giri%C5%9F-python-ile-el-yaz%C4%B1s%C4%B1-tan%C4%B1ma-0d6e8753e7e4?source=rss-7772c445c6d5------2</link>
            <guid isPermaLink="false">https://medium.com/p/0d6e8753e7e4</guid>
            <category><![CDATA[tensorflow]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[mnist]]></category>
            <category><![CDATA[mnist-dataset]]></category>
            <dc:creator><![CDATA[Süleyman Çetiner]]></dc:creator>
            <pubDate>Mon, 28 Apr 2025 19:59:26 GMT</pubDate>
            <atom:updated>2025-04-28T20:17:19.815Z</atom:updated>
            <content:encoded><![CDATA[<p>TensorFlow, Google tarafından geliştirilen ve makine öğrenimi modelleri oluşturmak için kullanılan popüler bir açık kaynak kütüphanedir. Bu yazıda, TensorFlow’u kullanarak basit bir sinir ağı oluşturup MNIST veri seti üzerinde rakam tanıma işlemi gerçekleştireceğiz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*HWr7w0QEDOOwmlCGtlrRWw.png" /><figcaption>Sanki biraz 4&#39;e benziyor gibi dimi? Amacımız bunun kaça benzediğini bulmak.</figcaption></figure><h3>Proje Adımları</h3><h3>1. Gerekli Kütüphanelerin Yüklenmesi</h3><pre>import tensorflow as tf<br>from tensorflow import keras<br>import numpy as np<br>import matplotlib.pyplot as plt</pre><ul><li><strong>tensorflow</strong>: Ana TensorFlow kütüphanesi</li><li><strong>keras</strong>: TensorFlow’un üst seviye API’si, model oluşturmayı kolaylaştırır</li><li><strong>numpy</strong>: Sayısal işlemler için</li><li><strong>matplotlib</strong>: Görselleştirme için</li></ul><h3>2. Veri Setinin Yüklenmesi ve Hazırlanması</h3><pre>(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()</pre><p>MNIST veri seti, 28x28 piksel boyutunda 70,000 el yazısı rakam içerir. TensorFlow bu veri setini hazır olarak sunar.</p><pre>x_train = x_train / 255.0<br>x_test = x_test / 255.0</pre><p>Görüntü piksel değerleri 0–255 aralığındadır. Bunları 0–1 aralığına normalize ediyoruz. Bu, sinir ağlarının daha iyi öğrenmesini sağlar.</p><h3>3. Modelin Oluşturulması</h3><pre>model = keras.Sequential([<br>    keras.layers.Flatten(input_shape=(28, 28)),<br>    keras.layers.Dense(128, activation=&#39;relu&#39;),<br>    keras.layers.Dense(10, activation=&#39;softmax&#39;)<br>])</pre><ul><li><strong>Sequential</strong>: Doğrusal bir katman yığını oluşturur</li><li><strong>Flatten</strong>: 28x28&#39;lik 2B görüntüyü 784 elemanlı 1B vektöre dönüştürür</li><li><strong>Dense(128)</strong>: 128 nöronlu tam bağlı katman, ReLU aktivasyon fonksiyonu kullanır</li><li><strong>Dense(10)</strong>: 10 nöronlu çıkış katmanı (0–9 rakamları), softmax aktivasyonu kullanır</li></ul><h3>4. Modelin Derlenmesi</h3><pre>model.compile(optimizer=&#39;adam&#39;,<br>              loss=&#39;sparse_categorical_crossentropy&#39;,<br>              metrics=[&#39;accuracy&#39;])</pre><ul><li><strong>optimizer=’adam’</strong>: Popüler bir optimizasyon algoritması</li><li><strong>loss=’sparse…’</strong>: Çok sınıflı sınıflandırma kayıp fonksiyonu</li><li><strong>metrics=[‘accuracy’]</strong>: Doğruluk metriğini izleyeceğiz</li></ul><h3>5. Modelin Eğitilmesi</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*AQ4oTuyDdMKt1-LYaVaAHg.gif" /><figcaption>Modeli 5 epoch (tüm veri seti üzerinde 5 tam geçiş) boyunca eğitiyoruz.</figcaption></figure><pre>model.fit(x_train, y_train, epochs=5)</pre><p>Modeli 5 epoch (tüm veri seti üzerinde 5 tam geçiş) boyunca eğitiyoruz.</p><h3>6. Modelin Değerlendirilmesi</h3><pre>test_loss, test_acc = model.evaluate(x_test, y_test)<br>print(&#39;\nTest doğruluğu:&#39;, test_acc)</pre><p>Eğitilen modeli hiç görmediği test verisi üzerinde değerlendiriyoruz.</p><h3>7. Tahmin Yapma</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*HWr7w0QEDOOwmlCGtlrRWw.png" /><figcaption>Hatırlarsanız input değeri buydu ve 4&#39;e benziyordu</figcaption></figure><figure><img alt="Ve sonuçta görünüyor ki tahmin 4" src="https://cdn-images-1.medium.com/max/866/1*2Nd_dpaBsqVRMrQ0x04VgA.png" /><figcaption>Sonuç ta Tahmin edilen rakam da 4 oldu</figcaption></figure><pre><br><br><br>index = np.random.randint(0, len(x_test))<br>img = x_test[index]<br>plt.imshow(img, cmap=&#39;gray&#39;)<br>plt.show()<br><br>img = (np.expand_dims(img, 0))<br>prediction = model.predict(img)<br>print(&quot;Tahmin edilen rakam:&quot;, np.argmax(prediction))</pre><p>Test setinden rastgele bir görüntü seçip modelin tahminini görselleştiriyoruz.</p><h3>TensorFlow’un Kullanım Alanları</h3><ol><li><strong>Görüntü İşleme</strong>: Nesne tanıma, segmentasyon</li><li><strong>Doğal Dil İşleme</strong>: Metin sınıflandırma, çeviri</li><li><strong>Zaman Serisi Analizi</strong>: Hisse senedi tahmini</li><li><strong>Öneri Sistemleri</strong>: Kullanıcı tercihlerine göre ürün önerisi</li><li><strong>Sağlık</strong>: Tıbbi görüntü analizi</li></ol><h3>Sonuç</h3><p>Bu basit örnekte TensorFlow kullanarak bir sinir ağı oluşturduk ve el yazısı rakamları tanımayı başardık. TensorFlow, ölçeklenebilirliği ve esnekliği sayesinde basit modellerden karmaşık üretken AI sistemlerine kadar geniş bir yelpazede kullanılabilir.</p><p>MNIST, derin öğrenmeye başlamak için mükemmel bir veri setidir. Daha karmaşık modeller deneyerek (CNN’ler gibi) doğruluk oranını artırabilirsiniz. TensorFlow ekosistemi, model geliştirme sürecini kolaylaştıran birçok araç sunar.</p><h3>GITHUB</h3><p><a href="https://github.com/suleymancetiner81/AI-Discovery-Journey/tree/main/mnist-tensorflow-beginner">https://github.com/suleymancetiner81/AI-Discovery-Journey/tree/main/mnist-tensorflow-beginner</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=0d6e8753e7e4" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Python ile Yapay Zeka Destekli Gerçek Zamanlı (Kamera - Stream) Yaş ve Cinsiyet Tahmini Uygulaması]]></title>
            <link>https://suleymancetiner81.medium.com/python-ile-yapay-zeka-destekli-ger%C3%A7ek-zamanl%C4%B1-kamera-stream-ya%C5%9F-ve-cinsiyet-tahmini-uygulamas%C4%B1-5908964be75c?source=rss-7772c445c6d5------2</link>
            <guid isPermaLink="false">https://medium.com/p/5908964be75c</guid>
            <category><![CDATA[opencv]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[face-recognition]]></category>
            <category><![CDATA[computer-vision]]></category>
            <dc:creator><![CDATA[Süleyman Çetiner]]></dc:creator>
            <pubDate>Thu, 24 Apr 2025 20:17:14 GMT</pubDate>
            <atom:updated>2025-04-24T20:18:44.490Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*nSaBxGjsNIiM-TfQJCbHDw.png" /><figcaption>Yapay zeka algoritması beni 25–32 yaş aralığında görüyor :) Sanırım biraz torpil geçti :)</figcaption></figure><p>Bu yazımda, Python ve OpenCV kullanarak bir webcam görüntüsü üzerinden gerçek zamanlı yüz tespiti ile yaş ve cinsiyet tahmini yapan bir yapay zeka uygulaması geliştirdim. Hadi şimdi kodları adım adım ele alalım ve bu tarz uygulamaların nerelerde kullanılacağını ve nasıl geliştirileceğini birlikte değerlendirelim…</p><h3>📌 Giriş: Bu Proje Nedir?</h3><p>Bu proje, gerçek zamanlı olarak yüzleri tespit edip, her yüz için yaş ve cinsiyet tahmini yapabilen bir uygulamadır. Bilgisayarınızın kamerası üzerinden gelen görüntüyü analiz eder ve tahmin sonuçlarını ekran üzerinde anlık olarak gösterir.</p><p>🔍 <strong>Bu uygulama neler yapabilir?</strong></p><ul><li>Yüzleri algılar</li><li>Her yüz için yaş aralığını tahmin eder</li><li>Cinsiyeti tahmin eder</li><li>Sonuçları görsel olarak ekran üzerine yansıtır</li></ul><h3>🧠 Kullanılan Teknolojiler</h3><ul><li><strong>Python 3.x</strong></li><li><strong>OpenCV</strong> (görüntü işleme için)</li><li><strong>Deep Learning modelleri (Caffe formatında)</strong></li></ul><h3>🧰 Gerekli Dosyalar ve Kurulum</h3><p>Aşağıdaki dosyaları aynı klasöre indirmeniz gerekiyor:</p><ul><li>haarcascade_frontalface_default.xml</li><li>deploy_age.prototxt, age_net.caffemodel</li><li>deploy_gender.prototxt, gender_net.caffemodel</li></ul><p>Kurulması gereken Python kütüphaneleri:</p><pre>pip install opencv-python numpy</pre><h3>🧑‍💻 Adım Adım Kod Açıklaması</h3><p>🔹 1. Gerekli kütüphaneleri içe aktarıyoruz</p><pre>import cv2<br>import numpy as np</pre><ul><li>cv2: OpenCV kütüphanesi</li><li>numpy: Görüntü verilerini işlemek için gerekli</li></ul><p>🔹 2. Yüz tespiti için Haar Cascade modelini yüklüyoruz</p><pre>face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + &#39;haarcascade_frontalface_default.xml&#39;)</pre><p>OpenCV’nin içinde gömülü gelen yüz tanıma modeli.</p><p>🔹 3. Yaş ve cinsiyet tahmini için Caffe modellerini yüklüyoruz</p><pre>age_net = cv2.dnn.readNetFromCaffe(&quot;deploy_age.prototxt&quot;, &quot;age_net.caffemodel&quot;)<br>gender_net = cv2.dnn.readNetFromCaffe(&quot;deploy_gender.prototxt&quot;, &quot;gender_net.caffemodel&quot;)</pre><p>Bu modeller eğitilmiş derin öğrenme ağlarıdır.</p><p>🔹 4. Sınıf etiketleri tanımlıyoruz</p><pre>age_list = [&#39;(0-2)&#39;, &#39;(4-6)&#39;, &#39;(8-12)&#39;, &#39;(15-20)&#39;, &#39;(25-32)&#39;, &#39;(38-43)&#39;, &#39;(48-53)&#39;, &#39;(60-100)&#39;]<br>gender_list = [&#39;Male&#39;, &#39;Female&#39;]</pre><p>🔹 5. Kamerayı başlatıyoruz</p><pre>cap = cv2.VideoCapture(0)</pre><p>0: varsayılan kamerayı temsil eder.</p><p>🔹 6. Ana döngü: Görüntü al, işle, tahmin et ve göster</p><pre>while True:<br>    ret, frame = cap.read()</pre><ul><li>ret: Görüntü alınıp alınmadığını kontrol eder.</li><li>frame: Kameradan gelen görüntü karesi</li></ul><p>🔹 7. Görüntüyü griye çevirip yüzleri buluyoruz</p><pre>gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)<br>faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5)</pre><p>🔹 8. Her yüz için yaş ve cinsiyet tahmini yapıyoruz</p><pre>face = frame[y:y + h, x:x + w]<br>blob = cv2.dnn.blobFromImage(face, 1.0, (227, 227), (78.5, 87.5, 114), swapRB=False)</pre><p>Görüntüyü modelin istediği formata dönüştürüyoruz.</p><pre>age_net.setInput(blob)<br>age = age_list[age_net.forward().argmax()]<br><br>gender_net.setInput(blob)<br>gender = gender_list[gender_net.forward().argmax()]</pre><p>Modelleri çalıştırarak tahminleri alıyoruz.</p><p>🔹 9. Tahmin sonuçlarını ekrana yazdırıyoruz</p><pre>label = f&quot;{gender}, {age}&quot;<br>cv2.putText(frame, label, (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 0), 2)</pre><p>🔹 10. Ekranı göster ve çıkmak için ‘q’ tuşuna basmayı bekle</p><pre>cv2.imshow(&quot;Face Detection - Age and Gender Prediction&quot;, frame)<br><br>if cv2.waitKey(1) &amp; 0xFF == ord(&#39;q&#39;):<br>    break</pre><p>🔚 11. Kamera ve pencereleri kapatıyoruz</p><pre>cap.release()<br>cv2.destroyAllWindows()</pre><h3>📄<strong> </strong>KAYNAK KODUN TAMAMI</h3><pre>import cv2<br>import numpy as np<br><br># OpenCV&#39;nin hazır yüz tespit modeli (Haar cascade)<br>face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + &#39;haarcascade_frontalface_default.xml&#39;)<br><br># Cinsiyet ve yaş tahmini için modelleri yükle<br>age_net = cv2.dnn.readNetFromCaffe(&quot;deploy_age.prototxt&quot;, &quot;age_net.caffemodel&quot;)<br>gender_net = cv2.dnn.readNetFromCaffe(&quot;deploy_gender.prototxt&quot;, &quot;gender_net.caffemodel&quot;)<br><br># Yaş ve cinsiyet için sınıf etiketleri<br>age_list = [&#39;(0-2)&#39;, &#39;(4-6)&#39;, &#39;(8-12)&#39;, &#39;(15-20)&#39;, &#39;(25-32)&#39;, &#39;(38-43)&#39;, &#39;(48-53)&#39;, &#39;(60-100)&#39;]<br>gender_list = [&#39;Male&#39;, &#39;Female&#39;]<br><br># Kamerayı başlat (0 = varsayılan webcam)<br>cap = cv2.VideoCapture(0)<br><br>if not cap.isOpened():<br>    print(&quot;Kamera açılamadı.&quot;)<br>    exit()<br><br>while True:<br>    ret, frame = cap.read()<br>    if not ret:<br>        print(&quot;Görüntü alınamadı.&quot;)<br>        break<br><br>    # Gri tonlamaya çevir (yüz tespiti için daha uygun)<br>    gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)<br><br>    # Yüzleri tespit et<br>    faces = face_cascade.detectMultiScale(gray, scaleFactor=1.1, minNeighbors=5)<br><br>    # Tespit edilen yüzlerin etrafına dikdörtgen çiz<br>    for (x, y, w, h) in faces:<br>        cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2)<br><br>        # Yüzün bölgesini al<br>        face = frame[y:y + h, x:x + w]<br>        blob = cv2.dnn.blobFromImage(face, 1.0, (227, 227), (78.5, 87.5, 114), swapRB=False)<br><br>        # Yaş tahminini yap<br>        age_net.setInput(blob)<br>        age_preds = age_net.forward()<br>        age = age_list[age_preds.argmax()]<br><br>        # Cinsiyet tahminini yap<br>        gender_net.setInput(blob)<br>        gender_preds = gender_net.forward()<br>        gender = gender_list[gender_preds.argmax()]<br><br>        # Sonuçları ekranda göster<br>        label = f&quot;{gender}, {age}&quot;<br>        cv2.putText(frame, label, (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 0), 2)<br><br>    # Ekrana görüntüyü bastır<br>    cv2.imshow(&quot;Face Detection - Age and Gender Prediction&quot;, frame)<br><br>    # &#39;q&#39; tuşuna basılırsa döngüden çık<br>    if cv2.waitKey(1) &amp; 0xFF == ord(&#39;q&#39;):<br>        break<br><br># Kaynakları serbest bırak<br>cap.release()<br>cv2.destroyAllWindows()</pre><h3>📌 Bu Uygulama Nerelerde Kullanılabilir?</h3><ul><li><strong>Akıllı reklam panoları</strong>: Hedef kitlenin yaş/cinsiyetine göre reklam sunumu</li><li><strong>Perakende mağazalar</strong>: Müşteri demografisini analiz etme</li><li><strong>Güvenlik sistemleri</strong>: İnsan profili çıkarma</li><li><strong>Eğitim veya demo projeleri</strong>: Yapay zeka ve görüntü işleme tanıtımı</li></ul><h3>🔧 Nasıl Geliştirilebilir?</h3><ul><li>Daha isabetli modellerle değiştirilebilir (örneğin TensorFlow, PyTorch modelleri)</li><li>Maskeli yüz tanıma desteği eklenebilir</li><li>Yaş ve cinsiyet dışında duygusal analiz (emotion recognition) entegre edilebilir</li><li>Çoklu yüz desteği geliştirilip kayıt/loglama sistemi yapılabilir</li></ul><h3>📦 GITHUB</h3><p><a href="https://github.com/suleymancetiner81/AI-Discovery-Journey/tree/main/face-insight">https://github.com/suleymancetiner81/AI-Discovery-Journey/tree/main/face-insight</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=5908964be75c" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Yapay Zeka ile Yüz İfadesi Tanıyıp Gösteren Uygulama (Python + OpenCV + DeepFace)]]></title>
            <link>https://suleymancetiner81.medium.com/yapay-zeka-ile-y%C3%BCz-i%CC%87fadesi-tan%C4%B1y%C4%B1p-g%C3%B6steren-uygulama-python-opencv-deepface-ed2204031ca0?source=rss-7772c445c6d5------2</link>
            <guid isPermaLink="false">https://medium.com/p/ed2204031ca0</guid>
            <category><![CDATA[duygu-tanıma]]></category>
            <category><![CDATA[yüz-tanıma]]></category>
            <category><![CDATA[görüntü-i̇şleme]]></category>
            <category><![CDATA[yapay-zeka]]></category>
            <category><![CDATA[python]]></category>
            <dc:creator><![CDATA[Süleyman Çetiner]]></dc:creator>
            <pubDate>Wed, 16 Apr 2025 21:07:20 GMT</pubDate>
            <atom:updated>2025-04-16T21:07:20.347Z</atom:updated>
            <content:encoded><![CDATA[<p>Bu yazımda yapay zekaya atacağımız eğlenceli adımlardan birini paylaşacağım. Python kullanarak çok basit ama etkileyici bir uygulama yaptım: <strong>kameradan yüz ifadesi algılayarak ekrana emoji bastıran bir sistem!</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*W3Z1aT2BT2gMGqUAmCEA4A.gif" /></figure><h3>🎯 Yapay Zeka ile Yüz Tanıma Projesinin Amacı</h3><p>Kamera üzerinden gerçek zamanlı görüntü alıp kişinin yüz ifadesini yapay zeka ile analiz ediyoruz. Daha sonra bu ifadeyi bir emojiye çevirip ekranın üzerine bastırıyoruz. Örneğin, mutluysanız 😄, üzgünseniz 😢 gibi.</p><h3>🔧 Python ile Yüz Tanıma İçin Kullanılan Teknolojiler</h3><ul><li><strong>Python</strong> — Geliştirme dili</li><li><strong>OpenCV</strong> — Kamera ve görüntü işlemleri için</li><li><strong>DeepFace</strong> — Yüz tanıma ve duygu analizi için güçlü bir Python kütüphanesi</li></ul><h3>📦 Yüz Tanıma Kodu İçin Gereksinimler</h3><p>Kurulması gereken paketler:</p><pre>pip install opencv-python<br>pip install deepface<br>pip install tf-keras  # Eğer tensorflow 2.19 ve sonrası kullanıyorsanız</pre><p>Bazı sistemlerde TensorFlow uyumsuzluğu olabileceğinden tf-keras paketini yüklemek gerekebilir. Alternatif olarak TensorFlow sürümünü düşürebilirsiniz.</p><h3>💻 İşte Yapay Zeka ile Yüz Tanıma Kodunun Tamamı</h3><pre>import cv2<br>from deepface import DeepFace<br><br>emoji_map = {<br>    &#39;happy&#39;: &#39;😄&#39;, &#39;sad&#39;: &#39;😢&#39;, &#39;angry&#39;: &#39;😠&#39;,<br>    &#39;surprise&#39;: &#39;😲&#39;, &#39;neutral&#39;: &#39;😐&#39;, &#39;fear&#39;: &#39;😱&#39;,<br>    &#39;disgust&#39;: &#39;🤢&#39;<br>}<br><br>cap = cv2.VideoCapture(0)<br><br>while True:<br>    ret, frame = cap.read()<br>    if not ret:<br>        break<br><br>    try:<br>        result = DeepFace.analyze(frame, actions=[&#39;emotion&#39;], enforce_detection=False)<br>        emotion = result[0][&#39;dominant_emotion&#39;]<br>        emoji = emoji_map.get(emotion, &#39;&#39;)<br>        cv2.putText(frame, f&quot;{emotion} {emoji}&quot;, (50, 50),<br>                    cv2.FONT_HERSHEY_SIMPLEX, 1.5, (0, 255, 0), 2)<br>    except Exception as e:<br>        print(&quot;Yüz algılanamadı:&quot;, e)<br><br>    cv2.imshow(&quot;Face Mood Detector&quot;, frame)<br>    if cv2.waitKey(1) &amp; 0xFF == ord(&#39;q&#39;):<br>        break<br><br>cap.release()<br>cv2.destroyAllWindows()</pre><h3>🔍 Python ile Yüz Tanıma Kodunu İnceleyelim</h3><p><strong>📸 1. Kamera Açılıyor</strong></p><pre>cap = cv2.VideoCapture(0)</pre><p>Bu satırla bilgisayarın kamerası açılır. 0, varsayılan kamerayı temsil eder.</p><p><strong>🧠 2. Yapay Zeka ile Yüz İfadesi Analizi</strong></p><pre>result = DeepFace.analyze(frame, actions=[&#39;emotion&#39;], enforce_detection=False)<br>emotion = result[0][&#39;dominant_emotion&#39;]</pre><p>Burada DeepFace kütüphanesi kullanılarak görüntüdeki baskın duygu (happy, sad vs.) tespit edilir.</p><p><strong>😍 3. Emoji ile Ekrana Yazma</strong></p><pre>emoji = emoji_map.get(emotion, &#39;&#39;)<br>cv2.putText(frame, f&quot;{emotion} {emoji}&quot;, (50, 50), ...)</pre><p>Duyguya uygun emoji seçilir ve görüntünün üzerine yazılır.</p><p><strong>👋 4. Uygulamadan Çıkış</strong></p><pre>if cv2.waitKey(1) &amp; 0xFF == ord(&#39;q&#39;):<br>    break</pre><p>Kullanıcı q tuşuna basarsa uygulama kapanır.</p><h3><strong>🎯 Yüz İfadesini Tanıma Projesi Neden Önemli?</strong></h3><p>Yüz ifadesi tanıma teknolojisi, sadece bir “görüntü işleme oyuncağı” değil. Gerçek dünyada çok geniş bir kullanım alanı var ve bu projeyle bu teknolojinin temelini kavrıyorsun.</p><h3>🌍 Yüz Tanımanın Gerçek Hayatta Kullanım Alanları</h3><h4>🎓 Eğitim Teknolojilerinde Yüz İfadesi Algılama Teknolojisi</h4><p>Öğrencilerin canlı dersteki tepkileri (sıkıldı mı, mutlu mu, kafası karıştı mı?) analiz edilerek öğretmenlere geri bildirim sağlanabilir.</p><h4>🛒 E-Ticaret ve Reklamlarda Yüz İfadesi Algılama Teknolojisi</h4><p>Web kamerası izni olan bir e-ticaret sitesinde, ürünlere bakan kullanıcının duygusal tepkisi ölçülerek daha iyi kişiselleştirme yapılabilir.</p><h4>🎮 Oyun ve Eğlence Sektöründe Yüz İfadesi Algılama Teknolojisi</h4><p>Oyun karakteri, oyuncunun yüz ifadesine göre tepki verebilir ya da hikaye yönü değişebilir.</p><h4>🏥 Sağlık ve Terapi Seanslarında Yüz İfadesi Algılama Teknolojisi</h4><p>Otizm, anksiyete ya da depresyon gibi duygusal bozukluklarda duygu analizi desteği sağlayan uygulamalar geliştirilebilir.</p><h4>🛂 Güvenlik Denetim Sektöründe Yüz İfadesi Algılama Teknolojisi</h4><p>Kritik yerlerde, yüz ifadesi değişimi şüpheli bir durumu işaret edebilir. Örneğin; gerginlik, öfke veya korku gibi ifadeler belirli güvenlik sistemlerini tetikleyebilir.</p><h3>GITHUP</h3><p><a href="https://github.com/suleymancetiner81/AI-Discovery-Journey/tree/6d8743a57d1beb5d7b1eef3ac26a60cc7f7080c6/face-mood-detector">https://github.com/suleymancetiner81/AI-Discovery-Journey/tree/6d8743a57d1beb5d7b1eef3ac26a60cc7f7080c6/face-mood-detector</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ed2204031ca0" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Basit Düzeyde Python ile Web Sayfası SEO Analizi]]></title>
            <link>https://suleymancetiner81.medium.com/basit-d%C3%BCzeyde-python-ile-web-sayfas%C4%B1-seo-analizi-e47395db9b81?source=rss-7772c445c6d5------2</link>
            <guid isPermaLink="false">https://medium.com/p/e47395db9b81</guid>
            <category><![CDATA[web-development]]></category>
            <category><![CDATA[google]]></category>
            <category><![CDATA[seo-analysis]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[seo]]></category>
            <dc:creator><![CDATA[Süleyman Çetiner]]></dc:creator>
            <pubDate>Thu, 10 Apr 2025 15:18:09 GMT</pubDate>
            <atom:updated>2025-04-10T15:35:36.416Z</atom:updated>
            <content:encoded><![CDATA[<blockquote><strong><em>Web sayfalarının arama motorlarında nasıl göründüğünü analiz etmek, SEO açısından hayati önemdedir. Bu yazıda, Python ile çok basit düzeyde SEO analiz aracını paylaşıyorum. Meta etiketlerden structured data’ya kadar sayfayı inceleyen bu araç, hem geliştiricilere hem de dijital pazarlamacılar için ilham olabilir.</em></strong></blockquote><h3>Neler Yapacağız?</h3><ul><li>Python ile hedef sayfanın HTML’ini çekeceğiz</li><li>&lt;title&gt;, meta description, meta robots etiketlerini inceleyeceğiz</li><li>Sayfadaki JSON-LD formatındaki structured data’ları çıkaracağız</li><li>Terminalde zengin çıktılar alacağız (renkli, tablolu)</li><li>Projenin nasıl geliştirilebileceğini konuşacağız</li></ul><h3>Kullanılan Teknolojiler</h3><p>requestsWeb sayfasını çekmek için</p><p>BeautifulSoupHTML parse işlemleri için</p><p>extructJSON-LD structured data verisini çıkarmak için</p><p>richTerminal çıktısını görsel olarak zenginleştirmek için</p><h3>Fonksiyon Fonksiyon Çalışma Mekanizması</h3><p>Kodunuzu bu bölümde parça parça anlatacağız. Her fonksiyonun ardından kısa açıklamalar yazacağız.</p><p><strong>fetch_html()</strong> – Sayfayı çekme</p><pre>def fetch_html(url):<br>    try:<br>        headers = {&quot;User-Agent&quot;: &quot;SEOlyzerBot/1.0&quot;}<br>        response = requests.get(url, headers=headers)<br>        response.raise_for_status()<br>        return response.text, response.url<br>    except Exception as e:<br>        print(f&quot;[red]Hata oluştu: {e}[/red]&quot;)<br>        return None, None</pre><p>Bu fonksiyon, kullanıcıdan alınan URL’yi indiriyor. User-Agent header’ı vererek basit bot engellemelerini geçiyoruz. response.url, yönlendirme varsa onu da yakalıyor.</p><p><strong>analyze_metatags()</strong> – Meta etiketleri analiz etme</p><pre>def analyze_metatags(soup):<br>    print()<br>    print(Panel(&quot;🎯 [bold cyan]Meta Tag Analizi[/bold cyan]&quot;, expand=False))<br><br>    title = soup.title.string.strip() if soup.title else None<br>    meta_desc = soup.find(&quot;meta&quot;, attrs={&quot;name&quot;: &quot;description&quot;})<br>    robots = soup.find(&quot;meta&quot;, attrs={&quot;name&quot;: &quot;robots&quot;})<br><br>    if title:<br>        print(f&quot;[green]Title:[/green] {title} ({len(title)} karakter)&quot;)<br>    else:<br>        print(&quot;[red]Eksik:[/red] &lt;title&gt; etiketi bulunamadı.&quot;)<br><br>    if meta_desc:<br>        content = meta_desc.get(&quot;content&quot;, &quot;&quot;)<br>        print(f&quot;[green]Meta Description:[/green] {content} ({len(content)} karakter)&quot;)<br>    else:<br>        print(&quot;[red]Eksik:[/red] Meta description bulunamadı.&quot;)<br><br>    if robots:<br>        print(f&quot;[green]Meta Robots:[/green] {robots.get(&#39;content&#39;)}&quot;)<br>    else:<br>        print(&quot;[yellow]Uyarı:[/yellow] robots etiketi yok (isteğe bağlı).&quot;)</pre><p>&lt;title&gt;, meta description ve meta robots etiketlerini kontrol ediyoruz. Eksik olanları belirgin bir şekilde işaretliyoruz.<br> rich kütüphanesi ile bu analizleri terminalde daha okunabilir şekilde sunuyoruz.</p><p><strong>analyze_structured_data()</strong> – Structured Data (JSON-LD)</p><pre>def analyze_structured_data(html, url):<br>    print()<br>    print(Panel(&quot;🔎 [bold cyan]Structured Data (JSON-LD)[/bold cyan]&quot;, expand=False))<br><br>    data = extruct.extract(html, base_url=get_base_url(https://medium.com/html,%20url), syntaxes=[&#39;json-ld&#39;])<br>    jsonld = data.get(&quot;json-ld&quot;, [])<br><br>    if not jsonld:<br>        print(&quot;[red]JSON-LD structured data bulunamadı.[/red]&quot;)<br>    else:<br>        table = Table(title=&quot;Bulunan JSON-LD Nesneleri&quot;)<br>        table.add_column(&quot;Tip&quot;, style=&quot;cyan&quot;)<br>        table.add_column(&quot;Alanlar&quot;, style=&quot;green&quot;)<br><br>        for entry in jsonld:<br>            entry_type = entry.get(&quot;@type&quot;, &quot;Bilinmiyor&quot;)<br>            fields = &quot;, &quot;.join(entry.keys())<br>            table.add_row(str(entry_type), fields)<br><br>        print(table)</pre><p>Structured data, SEO’nun geleceği. Google, sayfa hakkında daha zengin bilgiye structured data ile ulaşıyor.<br>Burada extruct modülü ile sayfadaki application/ld+json bloklarını parse ediyoruz ve @type bilgileriyle beraber tablo şeklinde sunuyoruz.</p><p><strong>main()</strong> – Ana akış</p><pre>def main():<br>    url = input(&quot;🔗 SEO analizi yapılacak URL: &quot;).strip()<br>    html, final_url = fetch_html(url)<br>    if html:<br>        soup = BeautifulSoup(html, &quot;lxml&quot;)<br>        analyze_metatags(soup)<br>        analyze_structured_data(html, final_url)</pre><p>Tüm akış burada birleşiyor. Kullanıcıdan URL alıyoruz, verileri çekiyor ve analiz fonksiyonlarını sırayla çağırıyoruz.<br> Her şey __main__ bloğunda çalışıyor, dışarıdan modül olarak da çağrılabilir.</p><h3>Ekran Çıktısı</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*h3AK1DvxU0UtlNsvAG6KdQ.png" /></figure><h3>Nasıl Geliştirilebilir?</h3><p>Bu kod fikir verme açısından geliştirdiğim bir kod. Bu kod ile kendinize farklı şekilde geliştirmeler yapıp, kapsamlı bir SEO aracı tool’u yapabilirsiniz. Veya OpenAI ile içerik önerileri alabilirsiniz. Kısaca aşağıda maddelerdirmek gerekirse;</p><ul><li>📄 HTML çıktısı üretebiliriz (bir önceki mesajlarımızda yaptık!)</li><li>💬 OpenAI API ile içerik önerileri alınabilir</li><li>📈 Lighthouse skorlarını çekmek için headless browser entegre edilebilir (örneğin Playwright ile)</li><li>📦 Bir Flask veya FastAPI servisine dönüştürülebilir</li><li>🌐 GitHub’da basit bir web arayüzü ile entegre edilebilir</li></ul><h3>GITHUP</h3><p><a href="https://github.com/suleymancetiner81/AI-Discovery-Journey/tree/main/seo_analyzer">https://github.com/suleymancetiner81/AI-Discovery-Journey/tree/main/seo_analyzer</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e47395db9b81" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>