Bilişim Ders Notları
Yapay Zekâ · 20. hafta · Yapay Zekâ Uygulamaları Geliştirme

Veri Toplama ve Etiketleme

Yapay Zekâ Uygulamaları · 20. hafta ders notu · YZU1.3.1

Öğrenme çıktıları
YZU1.3.1
  • Görüntü verisi toplarken ışık, açı, arka plan ve uzaklığı bilinçli olarak değiştirir.
  • Kişisel veri içeren görüntüler için izin almanın ve yüz, isim gibi bilgileri dışarıda bırakmanın gerekçesini açıklar.
  • Toplanan her örneği doğru etiketle klasörler ve bir veri kartına kaydeder.
  • Sınıflandırma etiketi ile nesne kutusu etiketi arasındaki farkı örnekle açıklar.
Bilgisayarsız sınıf alternatifi

Çizimle veri toplama

Kamera yoksa her öğrenci atıkları kâğıda farklı açılardan çizer (üstten, yandan, yatık, uzaktan). Çizimlerin arkasına etiket ve koşul yazılır, ardından sınıf panosunda dört klasör zarfına yerleştirilir. Kayıtçılar zarfların üstündeki sayım tablosunu günceller; zarflardan biri "Test" olarak mühürlenir.

Konu anlatımı

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

01İyi görüntü verisi nasıl toplanır?

Kartlara dokun.

?Neden gerçek kullanıma benzeyen fotoğraflar toplamalıyız?
Model yalnızca eğitimde gördüğüne benzeyen durumları iyi tanır. Oyunu sınıfta, tahta kamerasının önünde oynayacaksak veriyi de oradan toplamak en doğrusudur.
?Kaç farklı koşul yeterlidir?
Kesin bir sayı yoktur. Ekip olarak her sınıf için en az 15 farklı koşul hedefleyin; bir koşul değişince modelin şaşırdığını görürseniz o koşuldan daha çok örnek eklersiniz.
Anahtar kavramlar: Veri toplamaÇeşitlilikKoşul
Aynı pet şişe, 8 farklı koşul Aydınlık Loş ışık Yan açı Eğik açı Düz masa Karışık arka plan Yakın Uzak
02Etik: izin ve kişisel veri
?Kişisel veri nedir?
Bir kişiyi tanımlayan ya da tanımlamaya yarayan her bilgidir: yüz, ad soyad, ses, adres, okul numarası. Bir fotoğrafta bunlardan biri varsa o fotoğraf kişisel veri içerir.
?Veri toplarken hangi izinler gerekir?
Fotoğrafı çekilen kişinin izni, öğrenciler için velinin izni ve eşyanın sahibinin izni gerekir. Ayrıca verinin yalnızca bu proje için kullanılacağı ve işi bitince silineceği söylenmelidir.
?Yüzü göstermeden nasıl veri toplarız?
Kamerayı masaya doğru eğik tutar, yalnızca atığı ve eli çekeriz. Yanlışlıkla yüz giren fotoğraflar temizlik aşamasında silinir.
Biliyor muydun?

Veri kartı, verinin "kimliğidir": etiket, çeken ekip, koşul ve kişisel veri kontrolü tek bakışta görülür.

VERİ KARTI#017 Etiket:PlastikÇeken:3. grupKoşul:loş ışık · yan açıKişisel veri:yüz ve isim yok Etik kontrol listesi Fotoğrafta yüz, isim, adres yokFotoğraflanan kişi izin verdiEşyanın sahibinden izin alındıVeri yalnızca bu proje içinSaklama ve silme yeri belli
03Etiketleme ve klasör düzeni
Dosya gezgini geri_donusum_veri egitim kagit · 48 plastik · 48 metal · 48 bos · 48 test kagit · 12 diğer sınıflar egitim › plastik plastik_012 plastik_013 plastik_014 plastik_015 plastik_016 plastik_017
  1. 1Ana klasörProjenin bütün verisi tek klasörde durur.Dokun, adını gör
  2. 2egitim klasörüModelin öğreneceği örnekler; her sınıfa bir alt klasör.Dokun, adını gör
  3. 3Sınıf klasörüKlasör adı etikettir: içindeki her fotoğraf "plastik" sayılır.Dokun, adını gör
  4. 4test klasörüEğitimde kullanılmayan, sınav için ayrılmış örnekler.Dokun, adını gör
  5. 5Örnek fotoğraflarFarklı açı, ışık ve arka planda çekilmiş şişe ve kaplar.Dokun, adını gör
  6. 6Dosya adı kuralısinif_numara.jpg biçimi sıralamayı ve kontrolü kolaylaştırır.Dokun, adını gör

Görseldeki numaralara dokun.

?Etiket nedir?
Bir örneğin doğru cevabıdır: "Bu fotoğraf Plastik." Model eğitimde fotoğrafla etiketi birlikte görür ve aradaki ilişkiyi öğrenir.
?Dosya adlarını neden bir kurala göre veririz?
"plastik_012.jpg" gibi adlar hangi sınıfa ait olduğunu ve sırasını gösterir. Yanlış klasöre düşen bir dosya adından hemen fark edilir; yüzlerce fotoğrafta düzen böyle korunur.
04Farklı etiketleme türleri

Soru işaretli kutulara dokun.

?Bizim projemiz hangi türdür?
Geri dönüşüm projesi görüntü sınıflandırmadır: kameraya tek atık gösterilir ve resmin tamamına tek bir etiket verilir. Masada birden çok atık varsa nesne tespiti gerekirdi.
Anahtar kavramlar: EtiketSınıflandırmaNesne tespiti
TürEtiket neye verilir?Örnek
Görüntü sınıflandırma
Nesne tespiti
Ses sınıflandırma
Metin sınıflandırma
Poz sınıflandırma

Ders akışı

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

5dk

Isınma: Aynı şişe, sekiz fotoğraf

Sekiz koşul çizimini göster ve "Bu sekiz fotoğraf modele aynı şeyi mi öğretir?" diye sor. Öğrenciler her karede neyin değiştiğini söyler: ışık, açı, arka plan, uzaklık. Hangi karenin gerçek kullanımda en çok karşımıza çıkacağını tartışın.

Aynı pet şişe, 8 farklı koşul Aydınlık Loş ışık Yan açı Eğik açı Düz masa Karışık arka plan Yakın Uzak
8dk

Keşif: Etik ve izin

Veri kartını ve etik kontrol listesini aç. Fotoğrafta bir arkadaşın yüzü, adı ya da okul adresi görünürse bunun kişisel veri olduğunu, izinsiz toplanamayacağını anlat. Kuralı koy: atık fotoğraflarında yalnızca atık ve el görünecek, yüz görünmeyecek.

VERİ KARTI#017 Etiket:PlastikÇeken:3. grupKoşul:loş ışık · yan açıKişisel veri:yüz ve isim yok Etik kontrol listesi Fotoğrafta yüz, isim, adres yokFotoğraflanan kişi izin verdiEşyanın sahibinden izin alındıVeri yalnızca bu proje içinSaklama ve silme yeri belli
7dk

Keşif: Klasör = etiket

Numaralı klasör çizimini aç. Her sınıfın bir klasör, klasör adının da etiket olduğunu; dosyaların "plastik_012.jpg" gibi adlandırıldığını göster. Teachable Machine'de sınıf kartına yüklenen her fotoğrafın o sınıfın etiketini aldığını hatırlat.

Dosya gezgini geri_donusum_veri egitim kagit · 48 plastik · 48 metal · 48 bos · 48 test kagit · 12 diğer sınıflar egitim › plastik plastik_012 plastik_013 plastik_014 plastik_015 plastik_016 plastik_017
15dk

Etkinlik: Veri toplama ekibi

Sınıfı dört ekibe böl: her ekip bir sınıfın (Kâğıt, Plastik, Metal, Boş) fotoğraflarından sorumludur. Her ekipte bir çekimci, bir ışıkçı, bir fon sorumlusu ve bir kayıtçı olur. Öğretmen telefonu ya da tahta kamerasıyla her ekip en az 15 farklı koşulda çekim yapar; kayıtçı her çekimi veri kartına işler.

5dk

Değerlendirme: Kart kontrolü

Ekipler veri kartlarını değiştirir ve kontrol listesine göre birbirini denetler: etiket doğru mu, koşul yazılmış mı, yüzü görünen fotoğraf var mı? Bulunan her sorun tahtaya yazılır; gelecek haftanın temizlik dersinde bu listeye dönülecek.

Doğru mu, yanlış mı?

Dersin sonunda tahtada ya da öğrencinin kendi cihazında çözülür.

1. Aynı nesneyi farklı ışık ve açılardan çekmek modelin yeni koşullara uyum sağlamasına yardım eder.

Cevabı gösterDoğru

2. Veri toplarken tüm fotoğrafları aynı masada, aynı ışıkta çekmek en iyi sonucu verir.

Cevabı gösterYanlış · Tek koşulda çekilen fotoğraflarla eğitilen model o masaya ve ışığa bağımlı olur; başka ortamda şaşırır.

3. Bir kişinin yüzünün göründüğü fotoğraf kişisel veridir ve izin alınmadan kullanılmamalıdır.

Cevabı gösterDoğru · Türkiye'de kişisel veriler 6698 sayılı Kişisel Verilerin Korunması Kanunu ile korunur; öğrenciler için veli izni de gerekir.

4. İnternette bulduğumuz her fotoğrafı veri setimize serbestçe ekleyebiliriz.

Cevabı gösterYanlış · İnternetteki fotoğrafların sahibi vardır; telif ve kişisel veri kurallarına uyulmalıdır. Mümkünse verimizi kendimiz üretiriz.

5. Görüntü sınıflandırmada etiket, fotoğrafın hangi sınıfa ait olduğunu söyleyen addır.

Cevabı gösterDoğru

6. Klasörle çalışırken fotoğrafı yanlış klasöre koymak, ona yanlış etiket vermek demektir.

Cevabı gösterDoğru

7. Nesne tespitinde etiketleme, nesnenin çevresine bir kutu çizip kutuya ad vermektir.

Cevabı gösterDoğru · Sınıflandırmada tüm resme tek etiket verilir; nesne tespitinde ise her nesnenin yeri de kutuyla işaretlenir.

8. Teachable Machine'de "Hold to Record" ile saniyede birçok kare çekildiği için bu örnekler birbirinden çok farklıdır.

Cevabı gösterYanlış · Art arda çekilen kareler birbirine çok benzer. Kayıt sırasında nesneyi yavaşça döndürüp uzaklaştırmak gerekir; yoksa 100 örnek aslında tek bir durumu tekrar eder.

9. Veri kartı, bir örneğin etiketini, kim tarafından ve hangi koşulda toplandığını kaydeder.

Cevabı gösterDoğru
← Önceki haftaVeri Seti Planlama Sonraki hafta →Veri Temizleme ve Kalite

20. hafta günlük planı

2026–2027 1. düzey Seçmeli Yapay Zekâ Uygulamaları dersi 20. 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 · 20. HAFTA

BÖLÜM I · DERSE İLİŞKİN BİLGİLER
DersSeçmeli Yapay Zekâ Uygulamaları 1. SeviyeSınıf / Düzey1. düzey (seçmeli)
Hafta / Tarih20. Hafta · 15–19 Şubat (ŞUBAT)Süre2 ders saati (40' + 40')
TemaYAPAY ZEKÂ UYGULAMALARI GELİŞTİRME
KonuVeri Toplama ve Etiketleme
BÖLÜM II · ÖĞRENME ÇIKTILARI VE KAYNAKLAR
Öğrenme çıktısıYZU1.3.1 – YZU1.3.2 Yapay zekâ modelinin girdilerini hazırlama ve model geliştirme
Süreç bileşenleri
  • Görüntü verisi toplarken ışık, açı, arka plan ve uzaklığı bilinçli olarak değiştirir.
  • Kişisel veri içeren görüntüler için izin almanın ve yüz, isim gibi bilgileri dışarıda bırakmanın gerekçesini açıklar.
  • Toplanan her örneği doğru etiketle klasörler ve bir veri kartına kaydeder.
  • Sınıflandırma etiketi ile nesne kutusu etiketi arasındaki farkı örnekle açıklar.
Araç, gereç ve kaynaklarAkıllı tahta ve tahtaya bağlı kamera ya da öğretmen telefonu · Temiz atıklar: gazete, karton kutu, pet şişe, yoğurt kabı, içecek kutusu, konserve kutusu · Farklı renkte 3 fon kartonu (düz, desenli, koyu) · Veri kartı çıktıları ve etik kontrol listesi · Bilişim Ders Notları ders sayfası, sunum ve etkinlikler (bilisimdersnotlari.com)
BÖLÜM III · ÖĞRENME-ÖĞRETME UYGULAMALARI
SüreEtkinlik akışı
1. ders
5 dk		Isınma: Aynı şişe, sekiz fotoğraf
Sekiz koşul çizimini göster ve "Bu sekiz fotoğraf modele aynı şeyi mi öğretir?" diye sor. Öğrenciler her karede neyin değiştiğini söyler: ışık, açı, arka plan, uzaklık. Hangi karenin gerçek kullanımda en çok karşımıza çıkacağını tartışın.
1. ders
8 dk		Keşif: Etik ve izin
Veri kartını ve etik kontrol listesini aç. Fotoğrafta bir arkadaşın yüzü, adı ya da okul adresi görünürse bunun kişisel veri olduğunu, izinsiz toplanamayacağını anlat. Kuralı koy: atık fotoğraflarında yalnızca atık ve el görünecek, yüz görünmeyecek.
1. ders
7 dk		Keşif: Klasör = etiket
Numaralı klasör çizimini aç. Her sınıfın bir klasör, klasör adının da etiket olduğunu; dosyaların "plastik_012.jpg" gibi adlandırıldığını göster. Teachable Machine'de sınıf kartına yüklenen her fotoğrafın o sınıfın etiketini aldığını hatırlat.
1. ders
15 dk		Etkinlik: Veri toplama ekibi
Sınıfı dört ekibe böl: her ekip bir sınıfın (Kâğıt, Plastik, Metal, Boş) fotoğraflarından sorumludur. Her ekipte bir çekimci, bir ışıkçı, bir fon sorumlusu ve bir kayıtçı olur. Öğretmen telefonu ya da tahta kamerasıyla her ekip en az 15 farklı koşulda çekim yapar; kayıtçı her çekimi veri kartına işler.
1. ders
5 dk		Değerlendirme: Kart kontrolü
Ekipler veri kartlarını değiştirir ve kontrol listesine göre birbirini denetler: etiket doğru mu, koşul yazılmış mı, yüzü görünen fotoğraf var mı? Bulunan her sorun tahtaya yazılır; gelecek haftanın temizlik dersinde bu listeye dönülecek.
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: Veri setine girer mi?; Etiketleme türünü eşleştir; Klasörler: numarayı eşleştir; 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: Çizimle veri toplama. Kamera yoksa her öğrenci atıkları kâğıda farklı açılardan çizer (üstten, yandan, yatık, uzaktan). Çizimlerin arkasına etiket ve koşul yazılır, ardından sınıf panosunda dört klasör zarfına yerleştirilir. Kayıtçılar zarfların üstündeki sayım tablosunu günceller; zarflardan biri "Test" olarak mühürlenir.
BÖLÜM IV · ÖLÇME VE DEĞERLENDİRME
Ölçme araçlarıKontrol listesi, dereceli puanlama anahtarı, öz ve akran değerlendirme
Doğru-yanlış soruları
  1. Aynı nesneyi farklı ışık ve açılardan çekmek modelin yeni koşullara uyum sağlamasına yardım eder. (D)
  2. Veri toplarken tüm fotoğrafları aynı masada, aynı ışıkta çekmek en iyi sonucu verir. (Y)
  3. Bir kişinin yüzünün göründüğü fotoğraf kişisel veridir ve izin alınmadan kullanılmamalıdır. (D)
  4. İnternette bulduğumuz her fotoğrafı veri setimize serbestçe ekleyebiliriz. (Y)
  5. Görüntü sınıflandırmada etiket, fotoğrafın hangi sınıfa ait olduğunu söyleyen addır. (D)
  6. Klasörle çalışırken fotoğrafı yanlış klasöre koymak, ona yanlış etiket vermek demektir. (D)
  7. Nesne tespitinde etiketleme, nesnenin çevresine bir kutu çizip kutuya ad vermektir. (D)
  8. Teachable Machine'de "Hold to Record" ile saniyede birçok kare çekildiği için bu örnekler birbirinden çok farklıdır. (Y)
  9. Veri kartı, bir örneğin etiketini, kim tarafından ve hangi koşulda toplandığını kaydeder. (D)
Dersin uygulanmasına ilişkin açıklamalarÇekimlerde el görünebilir ama yüz görünmemelidir; kamerayı masaya doğru eğik tutmak bunu kolaylaştırır. Fotoğrafları öğretmen cihazında "geri_donusum_veri" klasöründe toplayıp 22. haftaya kadar saklayın.
…………………………Bilişim Teknolojileri Öğretmeni
UYGUNDUR15.02.2027…………………………Okul Müdürü
Bu dersi sınıfta işleyinSunum, tahta modu ve etkileşimli etkinlikler için.
Etkileşimli sürümü aç →