Bilişim Ders Notları
Yapay Zekâ · 12. hafta · Yapay Zekâ Geliştirme Ortamları

Temel Bileşenler 1: Nesne Algılama

Yapay Zekâ Uygulamaları · 12. hafta ders notu · YZU1.2.3

Öğrenme çıktıları
YZU1.2.3
  • Görüntü tanıma ile nesne algılama arasındaki farkı örnekle açıklar.
  • Nesne algılama sonucundaki sınırlayıcı kutu, etiket ve güven değerinin anlamını söyler.
  • Güven değeri için bir eşik belirleyerek modelin emin olmadığı tahminleri ayırır.
  • Kameradaki nesneyi tanıyıp adını yazan ve seslendiren bir kukla betiği oluşturur.
Bilgisayarsız sınıf alternatifi

İnsan kamera

Bir öğrenci "kamera" olur ve kartondan kesilmiş bir çerçeveyi nesnenin önüne tutar. "Model" rolündeki öğrenci çerçeveden gördüğü nesnenin adını yapışkan nota yazar ve 0–100 arası bir güven puanı verir. Sınıf eşiği 70 olarak belirler; 70'in altındaki notlar tahtada "emin değil" sütununa yapıştırılır. Sonra çerçeve nesnenin yalnızca bir köşesini gösterecek şekilde küçültülüp oyun tekrarlanır.

Konu anlatımı

Önce konuyu aç, sonra sorulara dokun: cevap altında açılır. Soru işaretli kutulara dokununca cevap görünür.

01Görüntü tanıma ve nesne algılama
?Görüntü tanıma ile nesne algılamanın farkı nedir?
Görüntü tanıma bütün resme tek bir etiket verir: "bu bir kedi fotoğrafı". Nesne algılama ise resimdeki her nesneyi ayrı ayrı bulur, adını verir ve çevresine bir kutu çizer.
?Bilgisayar bir görüntüyü nasıl "görür"?
Görüntü küçük karelerden (piksellerden) oluşur ve her piksel renk miktarlarını gösteren sayılarla saklanır. Model bu sayılardaki kenar, köşe, renk ve şekil örüntülerini arar.
?Hazır nesne algılama modeli nasıl eğitilmiştir?
Mühendisler yüz binlerce fotoğraftaki nesnelerin çevresine kutu çizip adını yazarak etiketli veri hazırlamıştır. Model bu örneklerden öğrenmiştir; biz yalnızca kullanırız.
Anahtar kavramlar: Görüntü tanımaNesne algılamaPiksel
Görüntü tanıma bir saniyede kaç kez olur?Kamera her karede bu zinciri yeniden çalıştırır. Kamerakare yakalarPiksellersayılara dönerModelörüntü ararSonuçşişe · %94Kukla"Bu bir şişe!" Girdi: görüntüİşlem: modelÇıktı: etiket
02Nesne algılama ekranını okuyalım
CANLI şişe %94 elma %88 diş fırçası %61 Tanınan nesneler şişe%94elma%88diş fırçası%61 eşik %70 nesne sayısı: 3emin olunan: 2 Şişe ve elmagörüyorum!
  1. 1Kamera görüntüsüModel her karede bu görüntüyü inceler.Dokun, adını gör
  2. 2Sınırlayıcı kutuNesnenin görüntüde nerede olduğunu gösteren çerçeve.Dokun, adını gör
  3. 3EtiketModelin nesneye verdiği sınıf adı: şişe.Dokun, adını gör
  4. 4Güven değeriModelin tahmininden ne kadar emin olduğu (yüzde).Dokun, adını gör
  5. 5EşikBu değerin altındaki tahminler dikkate alınmaz.Dokun, adını gör
  6. 6Kararsız tahminGüveni eşiğin altında kaldığı için kesik çizgiyle gösterilir.Dokun, adını gör
  7. 7Nesne sayısıKarede kaç nesne bulunduğunu verir.Dokun, adını gör

Numaralara dokun; her parçanın adı ve görevi açılır.

?Etiket ve güven değeri ne anlama gelir?
Etiket modelin nesneye verdiği sınıf adıdır (şişe). Güven değeri modelin bu tahminden ne kadar emin olduğunu yüzde olarak gösterir (%94).
?Kalem neden "diş fırçası" diye tanındı?
Kullanılan hazır modelin sınıf listesinde kalem yoktur. Model tanımadığı bir nesneyi, bildikleri arasında en çok benzeyene yakıştırır; ince, uzun ve renkli olduğu için diş fırçası der. Güvenin düşük (%61) olması bu kararsızlığı ele verir.
03Güven değeri ve eşik

Soru işaretli kutulara dokun.

?Eşik nedir, neden kullanılır?
Eşik, bir tahmini kabul etmek için gereken en düşük güven değeridir. Eşiğin altında kalan tahminleri yok sayarak kuklanın yanlış şeyler söylemesini önleriz.
?Güven değerini neler düşürür?
Karanlık ortam, bulanık görüntü, nesnenin yarısının görünmesi, kalabalık arka plan ve nesnenin alışılmadık bir açıdan tutulması güveni düşürür.
Biliyor muydun?

Eşik için tek doğru sayı yoktur; projeyi deneyerek en iyi sonucu veren değeri bulmak gerekir.

EşikNe olur?Risk
%30
%70
%95
04Betik: nesneyi tanı, adını söyle
?Bu betikte iç içe iki "eğer" bloğu neden var?
Dıştaki blok şişe bulunup bulunmadığını, içteki blok ise modelin ne kadar emin olduğunu denetler. Böylece kukla üç farklı durum için üç farklı cevap verir.
bayrağa tıklanınca
videoyu açık ▾ yap
sürekli tekrarla
kamera ▾ görüntüsünde nesneleri analiz et
eğer [şişe] algılandı mı? ise
eğer (70) < (nesne 1 güven değeri) ise
Bu bir şişe, eminim! de
değilse
Şişe olabilir, emin değilim. de
değilse
Şişe göremiyorum. de
Anahtar kavramlar: EtiketGüven değeriEşikSınırlayıcı kutu

Ders akışı

40 dakikalık bir ders saati için planlandı. Adımın başlığına dokun, ayrıntılar açılsın.

5dk

Isınma: Bu ne?

Bir torbadan nesneleri yavaş yavaş çıkar; yalnızca bir köşesi göründüğünde öğrenciler tahmin etsin ve "yüzde kaç eminsin?" sorusuna parmakla cevap versin. Nesne tamamen çıkınca güvenin nasıl arttığını konuşun. Bilgisayarın da görüntüye bakıp böyle bir yüzde verdiğini söyle.

10dk

Keşif: Kamera ne görüyor?

Nesne algılama ekranını tahtada aç ve numaralara sırayla dokun: kamera görüntüsü, kutu, etiket, güven değeri, eşik. Kalemin "diş fırçası" diye tanınmasına dikkat çek: model yalnızca eğitildiği sınıfları bilir; kalem o listede yoksa ona en çok benzeyen sınıfı söyler.

CANLI şişe %94 elma %88 diş fırçası %61 Tanınan nesneler şişe%94elma%88diş fırçası%61 eşik %70 nesne sayısı: 3emin olunan: 2 Şişe ve elmagörüyorum!
7dk

Keşif: Bir karede neler olur?

Zincir çizimiyle kameradan kuklaya giden yolu anlat: kare yakalanır, pikseller sayıya döner, model örüntü arar, sonuç etiket ve yüzde olarak gelir. Bu zincirin saniyede birkaç kez yeniden çalıştığını, bu yüzden nesne hareket edince kutunun da kaydığını göster.

Görüntü tanıma bir saniyede kaç kez olur?Kamera her karede bu zinciri yeniden çalıştırır. Kamerakare yakalarPiksellersayılara dönerModelörüntü ararSonuçşişe · %94Kukla"Bu bir şişe!" Girdi: görüntüİşlem: modelÇıktı: etiket
13dk

Etkinlik: Nesneyi tanı, adını söyle

Nesne Algılama ve Metinden Konuşmaya uzantılarını ekle. Öğrenciler sırayla tahtaya gelip betiği kurar; sonra sınıftan getirilen nesneler kameraya tutulur. Her denemede tahtaya "nesne – etiket – güven" üçlüsü yazılır; tanınmayan ya da yanlış tanınan nesneler ayrıca işaretlenir.

bayrağa tıklanınca
videoyu açık ▾ yap
konuşma dilini Türkçe ▾ yap
sürekli tekrarla
kamera ▾ görüntüsünde nesneleri analiz et
eğer (0) < (nesne sayısı) ise
nesne 1 sınıfı de 2 saniye
nesne 1 sınıfı seslendir
değilse
Kameraya bir nesne göster. de
5dk

Değerlendirme: Eşik tartışması

Tahtadaki tabloya bakarak "Eşiği %90 yaparsak hangi tahminler elenir? %30 yaparsak ne olur?" diye sor. Öğrenciler çıkış kartına modelin tanıyamadığı bir nesneyi ve bunun olası nedenini yazar.

Doğru mu, yanlış mı?

Dersin sonunda tahtada ya da öğrencinin kendi cihazında çözülür.

1. Nesne algılama, görüntüdeki nesnenin ne olduğunu ve nerede olduğunu birlikte verir.

Cevabı gösterDoğru · Görüntü tanıma yalnızca "bu resimde ne var?" sorusunu cevaplar; nesne algılama ayrıca her nesnenin çevresine kutu çizer.

2. Güven değeri %94 ise modelin cevabı kesinlikle doğrudur.

Cevabı gösterYanlış · Güven değeri modelin kendi tahminine ne kadar güvendiğini gösterir; yüksek güvenle de yanılabilir. Gerçek doğru cevabı bilen, test eden insandır.

3. Hazır nesne algılama modeli, eğitilmediği bir nesneyi de doğru adıyla tanır.

Cevabı gösterYanlış · Model yalnızca eğitimde gördüğü sınıfları bilir. Listede olmayan bir nesneyi en çok benzeyen sınıfla karıştırır; kalemi diş fırçası sanması gibi.

4. Sınırlayıcı kutu, nesnenin görüntüdeki yerini ve büyüklüğünü gösterir.

Cevabı gösterDoğru

5. Eşik değeri yükseltilirse model daha az ama daha emin tahminleri kabul eder.

Cevabı gösterDoğru

6. Kamera görüntüsü model için sayılardan oluşan bir tablodur.

Cevabı gösterDoğru · Her piksel kırmızı, yeşil ve mavi miktarını gösteren sayılarla saklanır; model bu sayılardaki örüntüleri inceler.

7. Bir karede yalnızca tek bir nesne algılanabilir.

Cevabı gösterYanlış · Nesne algılama aynı karede birden çok nesne bulabilir; "nesne sayısı" bloğu kaç nesne bulunduğunu verir.

8. Işığın azalması ya da nesnenin yarısının görünmesi güven değerini düşürebilir.

Cevabı gösterDoğru

9. "nesne sayısı" bloğu, analiz bloğu çalıştıktan sonra güncel değeri verir.

Cevabı gösterDoğru
← Önceki haftaBlok Tabanlı YZ Ortamını Tanıyalım Sonraki hafta →Temel Bileşenler 2: Yüz ve Duygu

12. hafta günlük planı

2026–2027 1. düzey Seçmeli Yapay Zekâ Uygulamaları dersi 12. hafta günlük planı. Okul ve öğretmen bilgileriyle doldurulmuş Word dosyası için etkileşimli sürümde Evraklar › Günlük planlar bölümünü kullanın.

2026–2027 EĞİTİM ÖĞRETİM YILI …………………………

SEÇMELİ YAPAY ZEKÂ UYGULAMALARI 1. SEVİYE DERSİ GÜNLÜK PLANI · 12. HAFTA

BÖLÜM I · DERSE İLİŞKİN BİLGİLER
DersSeçmeli Yapay Zekâ Uygulamaları 1. SeviyeSınıf / Düzey1. düzey (seçmeli)
Hafta / Tarih12. Hafta · 7–11 Aralık (ARALIK)Süre2 ders saati (40' + 40')
TemaYAPAY ZEKÂ GELİŞTİRME ORTAMLARI
KonuTemel Bileşenler 1: Nesne Algılama
BÖLÜM II · ÖĞRENME ÇIKTILARI VE KAYNAKLAR
Öğrenme çıktısıYZU1.2.3 Yapay zekâ uygulamalarının temel bileşenlerinden yararlanma
Süreç bileşenleri
  • Görüntü tanıma ile nesne algılama arasındaki farkı örnekle açıklar.
  • Nesne algılama sonucundaki sınırlayıcı kutu, etiket ve güven değerinin anlamını söyler.
  • Güven değeri için bir eşik belirleyerek modelin emin olmadığı tahminleri ayırır.
  • Kameradaki nesneyi tanıyıp adını yazan ve seslendiren bir kukla betiği oluşturur.
Araç, gereç ve kaynaklarAkıllı tahtada PictoBlox (Nesne Algılama ve Metinden Konuşmaya uzantıları) · Kamera ve hoparlör · Sınıftan günlük nesneler: su şişesi, elma, bardak, kitap, makas, kalem · Yapışkan not kâğıtları ve kalın kalem (etiket ve güven yazmak için) · Bilişim Ders Notları ders sayfası, sunum ve etkinlikler (bilisimdersnotlari.com)
BÖLÜM III · ÖĞRENME-ÖĞRETME UYGULAMALARI
SüreEtkinlik akışı
1. ders
5 dk		Isınma: Bu ne?
Bir torbadan nesneleri yavaş yavaş çıkar; yalnızca bir köşesi göründüğünde öğrenciler tahmin etsin ve "yüzde kaç eminsin?" sorusuna parmakla cevap versin. Nesne tamamen çıkınca güvenin nasıl arttığını konuşun. Bilgisayarın da görüntüye bakıp böyle bir yüzde verdiğini söyle.
1. ders
10 dk		Keşif: Kamera ne görüyor?
Nesne algılama ekranını tahtada aç ve numaralara sırayla dokun: kamera görüntüsü, kutu, etiket, güven değeri, eşik. Kalemin "diş fırçası" diye tanınmasına dikkat çek: model yalnızca eğitildiği sınıfları bilir; kalem o listede yoksa ona en çok benzeyen sınıfı söyler.
1. ders
7 dk		Keşif: Bir karede neler olur?
Zincir çizimiyle kameradan kuklaya giden yolu anlat: kare yakalanır, pikseller sayıya döner, model örüntü arar, sonuç etiket ve yüzde olarak gelir. Bu zincirin saniyede birkaç kez yeniden çalıştığını, bu yüzden nesne hareket edince kutunun da kaydığını göster.
1. ders
13 dk		Etkinlik: Nesneyi tanı, adını söyle
Nesne Algılama ve Metinden Konuşmaya uzantılarını ekle. Öğrenciler sırayla tahtaya gelip betiği kurar; sonra sınıftan getirilen nesneler kameraya tutulur. Her denemede tahtaya "nesne – etiket – güven" üçlüsü yazılır; tanınmayan ya da yanlış tanınan nesneler ayrıca işaretlenir.
1. ders
5 dk		Değerlendirme: Eşik tartışması
Tahtadaki tabloya bakarak "Eşiği %90 yaparsak hangi tahminler elenir? %30 yaparsak ne olur?" diye sor. Öğrenciler çıkış kartına modelin tanıyamadığı bir nesneyi ve bunun olası nedenini yazar.
2. ders
10 dk		Tekrar: Sunum
9 slaytlık ders sunumu akıllı tahtada açılır; önceki saatte öğrenilen kavramlar öğrencilerle birlikte tekrar edilir.
2. ders
20 dk		Uygulama: Etkinlikler
Akıllı tahtada etkileşimli etkinlikler oynanır: Ekrandaki numarayı adıyla eşleştir; Eşik %70: kabul mü, ret mi?; Bir karede nesne algılama; Doğru mu, yanlış mı?; Kutuyu aç: konu soruları; Harf karıştırma: anahtar kavramlar.
2. ders
10 dk		Değerlendirme
9 soruluk doğru-yanlış testi tahtada birlikte çözülür; yanlış cevaplar gerekçeleriyle tartışılır.
FarklılaştırmaBilgisayarsız sınıf alternatifi: İnsan kamera. Bir öğrenci "kamera" olur ve kartondan kesilmiş bir çerçeveyi nesnenin önüne tutar. "Model" rolündeki öğrenci çerçeveden gördüğü nesnenin adını yapışkan nota yazar ve 0–100 arası bir güven puanı verir. Sınıf eşiği 70 olarak belirler; 70'in altındaki notlar tahtada "emin değil" sütununa yapıştırılır. Sonra çerçeve nesnenin yalnızca bir köşesini gösterecek şekilde küçültülüp oyun tekrarlanır.
BÖLÜM IV · ÖLÇME VE DEĞERLENDİRME
Ölçme araçlarıKontrol listesi, dereceli puanlama anahtarı, öz ve akran değerlendirme
Doğru-yanlış soruları
  1. Nesne algılama, görüntüdeki nesnenin ne olduğunu ve nerede olduğunu birlikte verir. (D)
  2. Güven değeri %94 ise modelin cevabı kesinlikle doğrudur. (Y)
  3. Hazır nesne algılama modeli, eğitilmediği bir nesneyi de doğru adıyla tanır. (Y)
  4. Sınırlayıcı kutu, nesnenin görüntüdeki yerini ve büyüklüğünü gösterir. (D)
  5. Eşik değeri yükseltilirse model daha az ama daha emin tahminleri kabul eder. (D)
  6. Kamera görüntüsü model için sayılardan oluşan bir tablodur. (D)
  7. Bir karede yalnızca tek bir nesne algılanabilir. (Y)
  8. Işığın azalması ya da nesnenin yarısının görünmesi güven değerini düşürebilir. (D)
  9. "nesne sayısı" bloğu, analiz bloğu çalıştıktan sonra güncel değeri verir. (D)
Dersin uygulanmasına ilişkin açıklamalarNesne algılama modelleri insan, şişe, bardak, kitap, sandalye, elma gibi yaygın nesnelerde iyi sonuç verir. Dersten önce sınıftaki nesneleri deneyip en iyi tanınan 4–5 tanesini seçin; bir tane de "tanınmayan" nesne ayırın.
…………………………Bilişim Teknolojileri Öğretmeni
UYGUNDUR07.12.2026…………………………Okul Müdürü
Bu dersi sınıfta işleyinSunum, tahta modu ve etkileşimli etkinlikler için.
Etkileşimli sürümü aç →