[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"blog-post-bilgisayarla-goru-terimleri-konvolusyon-ozellik-ve-segmentasyon":3},{"dataItem":4,"heading":36,"metaData":38,"schema":81},["Reactive",5],{"id":6,"title":7,"summary":8,"content":9,"seo_title":10,"seo_description":11,"seo_keywords":12,"slug":13,"createdAt":14,"updatedAt":14,"blog_categories":15,"authors":19,"image":24,"thumb":25,"image_webp":26,"thumb_webp":27,"rating":28,"heading_title":7,"heading_sub_title":17,"readingTime":29,"url":34,"comments":35,"meta_cover":24},28742,"Bilgisayarla Görü Terimleri: Konvolüsyon, Özellik ve Segmentasyon","Bu rehber, bilgisayarla görü ve görüntü işleme alanındaki temel terimleri (konvolüsyon, özellik çıkarma, segmentasyon, IoU ve Canny) tanımlar ve her bir kavramın nasıl uygulandığına dair pratik örnekler ve kontrol listeleri sunar.","\u003Ch2>Bilgisayarla Görü ve Görüntü İşleme: Kısa Bir Giriş\u003C/h2>\n\u003Cp>Bilgisayarla görü (computer vision), bilgisayarların dijital görüntülerden veya videolardan anlamlı bilgi çıkarmasını sağlayan alanı ifade eder. Temel amaç; nesne tanıma, segmentasyon, izleme, ölçüm ve görselleştirme gibi görevlerde görüntü içeriğini sayısal olarak temsil etmek ve yorumlamaktır. (Daha fazla tanım için bkz. \u003Ca href=\"https://aws.amazon.com/tr/what-is/computer-vision/\">AWS — What is Computer Vision\u003C/a>.)\u003C/p>\n\n\u003Ch3>Bu rehberde neler öğreneceksiniz?\u003C/h3>\n\u003Cul>\n  \u003Cli>Konvolüsyonun ne olduğu ve görüntülerde nasıl kullanıldığı,\u003C/li>\n  \u003Cli>Özellik çıkarma (feature extraction) yaklaşımları,\u003C/li>\n  \u003Cli>Segmentasyon türleri ve uygulama adımları,\u003C/li>\n  \u003Cli>IoU metriğinin ne olduğu ve nasıl hesaplandığı,\u003C/li>\n  \u003Cli>Canny kenar algılama adımları ve pratik ipuçları.\u003C/li>\n\u003C/ul>\n\n\u003Chr>\n\n\u003Ch3>Konvolüsyon (Convolution): Temel İşlem\u003C/h3>\n\u003Cp>Konvolüsyon, görüntü işlemekte en temel operasyondur: küçük bir çekirdek (kernel) görüntü üzerinde kaydırılır ve her pozisyonda çekirdeğin ağırlıkları ile pikseller çarpılıp toplanarak yeni bir değer üretilir. Bu işlem kenar algılama, bulanıklaştırma, keskinleştirme ve CNN tabanlı öğrenmede kullanılır. Teknik ve uygulamalı açıklama için \u003Ca href=\"https://www.ultralytics.com/tr/glossary/convolution\">Ultralytics — Convolution\u003C/a> kaynağı faydalıdır.\u003C/p>\n\n\u003Cp>Konvolüsyonun ana parametreleri:\u003C/p>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Kernel (çekirdek) boyutu\u003C/strong>: genellikle 3x3, 5x5 gibi küçük matrisler.\u003C/li>\n  \u003Cli>\u003Cstrong>Stride\u003C/strong>: çekirdeğin her adımda ne kadar ilerlediği (hızı) — stride arttıkça çıktı boyutu küçülür.\u003C/li>\n  \u003Cli>\u003Cstrong>Padding\u003C/strong>: kenarlara eklenen sıfır veya yansıtma gibi değerler; çıktı boyutunu kontrol eder.\u003C/li>\n  \u003Cli>\u003Cstrong>Filtre sayısı\u003C/strong>: CNN'lerde farklı filtreler farklı özellik haritaları üretir.\u003C/li>\n\u003C/ul>\n\n\u003Cp>Basit bir örnek (görsel kavrama için): 3x3 görüntü yaması ve 3x3 keskinleştirme çekirdeği uygulandığında, merkezi piksel için ağırlıklı toplam hesaplanır. Örnek çekirdek: [[0,-1,0],[-1,5,-1],[0,-1,0]]; bu çekirdek kenarları vurgular ve detayları öne çıkarır. Konvolüsyon sonucu kliplenerek (ör. 0–255 aralığına) piksel değeri elde edilir.\u003C/p>\n\n\u003Ch4>Konvolüsyon neden CNN'lerde önemli?\u003C/h4>\n\u003Cp>CNN mimarilerinde konvolüsyon katmanları, görüntüden yerel desenleri (kenar, doku, köşe) otomatik olarak öğrenir ve katmanlarla birleşik olarak daha yüksek seviyeli soyutlamalar (ör. yüz, araba) oluşturulur. Bu yüzden konvolüsyon hem klasik görüntü işlem hem de modern derin öğrenme uygulamalarının temelidir.\u003C/p>\n\n\u003Chr>\n\n\u003Ch3>Özellik Çıkarma (Feature Extraction)\u003C/h3>\n\u003Cp>Özellik çıkarma, görüntüden sınıflandırma veya tespit gibi görevlerde kullanılacak anlamlı özniteliklerin belirlenmesi sürecidir. İki yaygın yaklaşım vardır:\u003C/p>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Klasik yöntemler\u003C/strong>: Kenar ve köşe dedektörleri (ör. Sobel, Harris), HOG, SIFT/ORB gibi tanımlayıcılar. Bu yöntemler hızlı prototipleme ve düşük veri senaryolarında işe yarar.\u003C/li>\n  \u003Cli>\u003Cstrong>Öğrenilen özellikler\u003C/strong>: CNN'ler veriden filtreleri öğrenir; alt katmanlar basit kenar/doku bilgisi, üst katmanlar daha karmaşık nesne parçaları temsil eder.\u003C/li>\n\u003C/ul>\n\n\u003Cp>Özellik çıkarma pratiği için dikkat edilecekler:\u003C/p>\n\u003Cul>\n  \u003Cli>Özniteliklerin ölçek ve yönelim duyarlılığı (sınıfa özel normalize etme),\u003C/li>\n  \u003Cli>Gürültüye karşı dayanıklılık (ön işleme ile azaltılabilir),\u003C/li>\n  \u003Cli>Özellik boyutunun hesaplama ve bellek maliyetiyle dengelenmesi.\u003C/li>\n\u003C/ul>\n\n\u003Chr>\n\n\u003Ch3>Segmentasyon: Piksel Seviyesinde Anlama\u003C/h3>\n\u003Cp>Segmentasyon, bir görüntüyü pikseller seviyesinde bölümlere ayırır; böylece her pikselin hangi nesneye veya sınıfa ait olduğu belirlenir. AWS belgelerinde bu görevlerin bilgisayarla görü içindeki rolü özetlenir (\u003Ca href=\"https://aws.amazon.com/tr/what-is/computer-vision/\">AWS — Computer Vision\u003C/a>).\u003C/p>\n\n\u003Cp>Temel segmentasyon türleri:\u003C/p>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Semantic segmentation\u003C/strong>: Her piksel bir sınıf etiketine sahiptir (ör. yol, bina, insan), farklı örnekler aynı etiketle gösterilir.\u003C/li>\n  \u003Cli>\u003Cstrong>Instance segmentation\u003C/strong>: Aynı sınıftaki farklı nesniler ayrı örnekler olarak ayırt edilir (ör. iki ayrı insan farklı instance).\u003C/li>\n  \u003Cli>\u003Cstrong>Panoptic segmentation\u003C/strong>: Semantic ve instance segmentasyonu birleştirir; sahnenin hem sınıf hem örnek bazlı tam görüntüsünü verir.\u003C/li>\n\u003C/ul>\n\n\u003Cp>Uygulama adımları (yüksek seviye): veri etiketleme → model seçimi → eğitim → değerlendirme (IoU vb.) → dağıtım.\u003C/p>\n\n\u003Chr>\n\n\u003Ch3>IoU (Intersection over Union): Değerlendirme Metriği\u003C/h3>\n\u003Cp>IoU, tahmin edilen alan ile gerçek alan arasındaki örtüşmeyi ölçer: IoU = (kesişim alanı) / (birleşim alanı). Nesne tespiti ve segmentasyon değerlendirmelerinde standart bir metriktir. Daha gelişmiş varyantlar ve kayıp fonksiyonları akademik literatürde tartışılmıştır (ör. Generalized IoU) — bakınız \u003Ca href=\"https://arxiv.org/abs/1902.09630\">arXiv — Generalized IoU\u003C/a>.\u003C/p>\n\n\u003Cp>Kısa örnek (hayali sayılarla): Gerçek kutu alanı = 50 px, tahmin kutusu alanı = 40 px, kesişim = 30 px. Birleşim = 50 + 40 - 30 = 60 px. IoU = 30 / 60 = 0.5. Çoğu uygulamada 0.5 eşik bir başlangıç noktasıdır, fakat görev ve uygulamaya göre arttırılabilir.\u003C/p>\n\n\u003Chr>\n\n\u003Ch3>Canny Kenar Algılama: Adım Adım\u003C/h3>\n\u003Cp>Canny, klasik ve güvenilir bir kenar algılama işlemdir; görüntüdeki güçlü, ince kenarları tespit etmek için bir dizi adım uygular. Adımlar özetle şunlardır (ayrıntılar için bkz. \u003Ca href=\"https://www.ultralytics.com/tr/blog/edge-detection-in-image-processing-explained\">Ultralytics — Edge Detection\u003C/a>):\u003C/p>\n\u003Col>\n  \u003Cli>Gaussian filtre ile gürültü azaltma,\u003C/li>\n  \u003Cli>Gx, Gy gradyanlarının hesaplanması (magnitude ve yön),\u003C/li>\n  \u003Cli>Non-maximum suppression: kenarları inceltme,\u003C/li>\n  \u003Cli>Çift eşik (double threshold) uygulama,\u003C/li>\n  \u003Cli>Hysteresis ile zayıf kenarların güçlü kenarlarla ilişkilendirilmesi.\u003C/li>\n\u003C/ol>\n\n\u003Cp>Pratik ipucu: Canny eşiklerini (low/high) veri setinize göre ayarlamak çoğu durumda kaliteyi belirgin biçimde değiştirir.\u003C/p>\n\n\u003Chr>\n\n\u003Ch3>Pratik Başlangıç: Kısa Deney Rehberi (OpenCV ile)\u003C/h3>\n\u003Cp>Hızlı bir deneme için adımlar:\u003C/p>\n\u003Col>\n  \u003Cli>Ortam: Python + OpenCV kurun (pip install opencv-python).\u003C/li>\n  \u003Cli>Görüntüyü yükleyin ve griye çevirin.\u003C/li>\n  \u003Cli>Gürültüyü azaltmak için Gaussian blur uygulayın.\u003C/li>\n  \u003Cli>Konvolüsyon: cv2.filter2D ile özelleştirilmiş kernel deneyin (ör. kenar veya keskinleştirme çekirdekleri).\u003C/li>\n  \u003Cli>Kenar algılama: cv2.Canny ile Canny algoritmasını çalıştırın; eşikleri değiştirerek sonuçları karşılaştırın.\u003C/li>\n  \u003Cli>Basit segmentasyon için eşikleme (threshold) veya k-means gibi yöntemleri deneyin; daha ileri için CNN tabanlı modeller inceleyin.\u003C/li>\n\u003C/ol>\n\n\u003Cp>Not: Bu adımlar konsepte giriş içindir; üretim uygulamaları için veri boyutu, etiket kalitesi ve model optimizasyonu ek çalışmayı gerektirir.\u003C/p>\n\n\u003Chr>\n\n\u003Ch3>Hızlı Sözlük — Uygulamada Kullanışlı İfadeler\u003C/h3>\n\u003Cul>\n  \u003Cli>\u003Cstrong>Sobel\u003C/strong>: Yatay/düşey gradyanları hesaplamak için yaygın bir kenar filtresi.\u003C/li>\n  \u003Cli>\u003Cstrong>Laplacian\u003C/strong>: İkinci türev bazlı kenar dedektörü (nokta ve ince kenarlar için).\u003C/li>\n  \u003Cli>\u003Cstrong>Pooling\u003C/strong>: Özellik boyutunu küçültüp lokal özet çıkarır (max/avg pooling).\u003C/li>\n  \u003Cli>\u003Cstrong>mIoU\u003C/strong>: Sınıflar üzerinden ortalama IoU; segmentasyon performansında sık kullanılır.\u003C/li>\n\u003C/ul>\n\n\u003Chr>\n\n\u003Ch3>Kontrol Listesi: Bir Modeli Hızlı Değerlendirme\u003C/h3>\n\u003Cul>\n  \u003Cli>Veri etiketlerinin doğruluğunu ve tutarlılığını gözden geçirin.\u003C/li>\n  \u003Cli>Ön işlem (normalizasyon, boyutlandırma) tutarlı mı?\u003C/li>\n  \u003Cli>Modelin overfitting/underfitting belirtileri var mı?\u003C/li>\n  \u003Cli>IoU/metrikler görev için anlamlı eşiklerle raporlanıyor mu?\u003C/li>\n  \u003Cli>Gerçeklikten uzak olmayan örneklerle kalite kontrolü yapıldı mı?\u003C/li>\n\u003C/ul>\n\n\u003Chr>\n\n\u003Ch3>Yaygın Hatalar ve İpuçları\u003C/h3>\n\u003Cul>\n  \u003Cli>Çekirdek normalizasyonunu atlamak; bazı filtreler çıktı ölçeğini değiştirir—normalizasyon önemlidir.\u003C/li>\n  \u003Cli>Kenarlarda uygun padding kullanılmaması; kenar etkileri görüntüyü bozabilir.\u003C/li>\n  \u003Cli>Segmentasyon için dengesiz sınıf dağılımı; sınıf ağırlıklandırması veya örnekleme gerekebilir.\u003C/li>\n  \u003Cli>IoU eşiklerini sabit bir dogma olarak almamak; uygulamaya göre ayarlayın.\u003C/li>\n\u003C/ul>\n\n\u003Chr>\n\n\u003Ch3>Kaynaklar ve İleri Okuma\u003C/h3>\n\u003Cul>\n  \u003Cli>\u003Ca href=\"https://www.ultralytics.com/tr/glossary/convolution\">Ultralytics — Derin Öğrenmede Konvolüsyon Nedir?\u003C/a> (konvolüsyon tanımı ve CNN bağlamı)\u003C/li>\n  \u003Cli>\u003Ca href=\"https://www.ultralytics.com/tr/blog/edge-detection-in-image-processing-explained\">Ultralytics — Görüntü İşlemede Kenar Algılama\u003C/a> (Canny ve diğer kenar algılama yöntemleri)\u003C/li>\n  \u003Cli>\u003Ca href=\"https://aws.amazon.com/tr/what-is/computer-vision/\">AWS — Bilgisayarla Görü Nedir?\u003C/a> (alanın genel tanımı ve uygulama örnekleri)\u003C/li>\n  \u003Cli>\u003Ca href=\"https://arxiv.org/abs/1902.09630\">arXiv — Generalized Intersection over Union\u003C/a> (IoU ve gelişmiş metrikler için akademik kaynak)\u003C/li>\n\u003C/ul>\n\n\u003Chr>\n\n\u003Ch3>Sonuç\u003C/h3>\n\u003Cp>Konvolüsyon, özellik çıkarma, segmentasyon, IoU ve Canny kenar algılama bilgisayarla görü dünyasının temel taşlarıdır. Temel kavramları anlamak, hızlı prototipleme ve daha ileri modelleme için sağlam bir zemin sağlar. Bu makaledeki adımlar ve kontrol listeleri, ilk deneyleriniz ve temel değerlendirmeleriniz için pratik bir rehber sunar; daha derin uygulamalar için kaynaklardaki teknik dökümantasyon ve akademik makaleler takip edilmelidir.\u003C/p>","Bilgisayarla Görü ve Görüntü İşleme: Konvolüsyon, Özellik, İ","Bilgisayarla görüün temel terimleri — konvolüsyon, özellik çıkarma, segmentasyon, IoU ve Canny kenar algılama — uygulamalı örnekler ve pratik ipuçlarıyla açıkla","Bilgisayarla Görü ve Görüntü İşleme, konvolüsyon, özellik çıkarma, segmentasyon, IoU, Canny kenar algılama, OpenCV, derin öğrenme","bilgisayarla-goru-terimleri-konvolusyon-ozellik-ve-segmentasyon","2026-04-17T18:19:48.000Z",{"id":16,"title":17,"slug":18},635,"Bilgisayarla Görü ve Görüntü İşleme","bilgisayarla-goru-ve-goruntu-isleme",{"id":20,"name":21,"nickname":22,"slug":23},161,"Serkan Korkut","TechSage","serkan-korkut","/media/blog/ecd06f77c9ee6e8e07aac7a8587bdc18.jpg","/media/blog/ecd06f77c9ee6e8e07aac7a8587bdc18_thumb.jpg","/media/blog/ecd06f77c9ee6e8e07aac7a8587bdc18.webp","/media/blog/ecd06f77c9ee6e8e07aac7a8587bdc18_thumb.webp",null,{"minutes":30,"wordCount":31,"imageCount":32,"formatted":33},5,962,0,"5 dk okuma süresi","/blog/bilgisayarla-goru-ve-goruntu-isleme/bilgisayarla-goru-terimleri-konvolusyon-ozellik-ve-segmentasyon",[],["Reactive",37],{"title":7,"subTitle":17,"image":24},["Reactive",39],{"title":10,"meta":40,"link":75},[41,43,45,48,51,54,57,60,63,66,69,71,73],{"hid":42,"name":42,"content":11},"description",{"hid":44,"name":44,"content":12},"keywords",{"hid":46,"name":46,"content":47},"author","Ai Terimler",{"hid":49,"name":49,"content":50},"robots","index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1",{"hid":52,"property":52,"content":53},"og:type","website",{"hid":55,"property":55,"content":56},"og:title","Ai Terimler - Blog Yazarları İçin Güncel Yapay Zeka Terimleri",{"hid":58,"property":58,"content":59},"og:description","Ai Terimler, blog yazarları ve sosyal medya içericileri için güncel yapay zeka terimleri ve açıklamalar sunan rehber bilgi blogudur.",{"hid":61,"property":61,"content":62},"og:image","https://aisozluk.net/media/blog/ecd06f77c9ee6e8e07aac7a8587bdc18.jpg",{"hid":64,"property":64,"content":65},"og:url","https://aisozluk.net/blog/bilgisayarla-goru-ve-goruntu-isleme/bilgisayarla-goru-terimleri-konvolusyon-ozellik-ve-segmentasyon",{"hid":67,"name":67,"content":68},"twitter:card","summary_large_image",{"hid":70,"name":70,"content":56},"twitter:title",{"hid":72,"name":72,"content":59},"twitter:description",{"hid":74,"name":74,"content":62},"twitter:image",[76,78],{"rel":77,"href":65},"canonical",{"rel":79,"href":80},"amphtml","https://amp.aisozluk.net/blog/bilgisayarla-goru-ve-goruntu-isleme/bilgisayarla-goru-terimleri-konvolusyon-ozellik-ve-segmentasyon",["Reactive",82],{"@context":83,"@graph":84},"https://schema.org",[85,98],{"@type":86,"headline":10,"image":62,"author":87,"publisher":90,"datePublished":14,"dateModified":14,"mainEntityOfPage":96,"description":11},"BlogPosting",{"@type":88,"name":21,"url":89},"Person","https://aisozluk.net/yazarlar/serkan-korkut",{"@type":91,"name":47,"logo":92},"Organization",{"@type":93,"url":94,"width":95,"height":95},"ImageObject","https://aisozluk.net/img/icons/favicon.png",32,{"@type":97,"@id":65},"WebPage",{"@type":99,"itemListElement":100},"BreadcrumbList",[101,106,110,113],{"@type":102,"position":103,"name":104,"item":105},"ListItem",1,"Ana Sayfa","https://aisozluk.net",{"@type":102,"position":107,"name":108,"item":109},2,"Blog","https://aisozluk.net/blog",{"@type":102,"position":111,"name":17,"item":112},3,"https://aisozluk.net/blog/bilgisayarla-goru-ve-goruntu-isleme",{"@type":102,"position":114,"name":7,"item":65},4]