# Object Detection (D-FINE)

## 📥 Girdiler

`Image` Analiz edilecek giriş görüntüsü. Renkli veya gri tonlamalı görüntüleri kabul eder.

## 📤 Çıktılar

`Result` Renk kodlu sınırlayıcı kutularla (bounding boxes) açıklanmış görüntü. `Draw Boxes` etkinleştirildiğinde görünür.\
`Boxes` Her tespit için sınırlayıcı kutu koordinatlarının listesi.\
`Labels` Tespit edilen sınıf isimlerinin metin olarak listesi.\
`Scores` Her tespit için güven skorları.

## 🕹️ Kontroller

`Model Size` Hız ile doğruluk arasında denge kurmak için model boyutunu seçin (örnekler: Nano / Small / Medium / Large / XLarge). Daha küçük modeller daha hızlı; daha büyük modeller daha iyi lokalizasyon sağlar.\
`Select Classes` Hangi nesne sınıflarının tespit edileceğini seçin. Hiçbir sınıf seçilmezse, tüm kullanılabilir sınıflar dikkate alınır.\
`Draw Boxes` Çıktı görüntüsünde sınırlayıcı kutuların ve etiketlerin çizilip çizilmeyeceğini açıp kapatır.\
`Threshold` Tespitleri filtrelemek için kullanılan güven eşiğini ayarlar (0–100%). Daha yüksek değerler daha az ama daha güvenilir tespit üretir.

## 🎯 Temel Özellikler

* Gecikme ve tespit kalitesi arasında denge kurmak için birden çok model boyutu.
* Sadece ilgilendiğiniz nesnelere odaklanmak için sınıf düzeyi filtreleme.
* Hassasiyet kontrolü için güven eşiği ayarı.
* Renkli kutular ve metin etiketleri ile yerleşik, okunması kolay görselleştirme.
* Mümkün olduğunda daha hızlı çıkarım için mevcut donanım hızlandırmasını kullanır.

## 📝 Nasıl Kullanılır

1. Giriş görüntüsünü `Image` girişine verin.
2. Ortamınıza uygun bir `Model Size` seçin (hızlı vs. doğru).
3. İstenirse yanlış pozitifleri azaltmak ve işlemi hızlandırmak için `Select Classes` ile belirli sınıfları seçin.
4. Tespit hassasiyetini kontrol etmek için `Threshold` değerini ayarlayın. Yaklaşık 30 ile başlayın ve yukarı/aşağı ayarlayın.
5. Önizleme için `Draw Boxes` seçeneğini açın ve `Result` çıktısını izleyin.

## 📊 Blok Ne Yapar

Blok çalıştırıldığında gelen görüntüyü analiz eder, tespit edilen nesnelerin sınırlayıcı kutularını, etiketlerini ve güven skorlarını döndürür ve isteğe bağlı olarak kutular ve etiket metinleriyle açıklanmış bir görselleştirme görüntüsü üretir.

## 💡 İpuçları ve Püf Noktaları

* Giriş görüntüleriniz çok büyükse ve işlem yavaşsa, bu bloktan önce `Image Resize` ekleyerek çözünürlüğü düşürün.
* Küçük, düşük çözünürlüklü görüntülerde tanıma oranını artırmak için önce `Super Resolution` deneyin.
* Sonuçları UI'da görüntülemek için bu bloğu `Show Image` ile bağlayın veya `Draw Boxes` açarak `Result` çıktısını kullanın.
* Çok kareli iş akışlarında tespitleri zaman içinde izlemek istiyorsanız `Boxes` ve `Labels` çıktısını `Object_Detection_Tracker` bloğuna besleyin.
* Tespit görüntülerini veya örnekleri veri seti oluşturma veya hata ayıklama için `Image Logger` veya `Image Write` ile kaydedin.
* Tespit meta verilerini (labels, scores, positions) raporlama veya diğer sistemlere aktarma için `Data to JSON` veya `CSV Export` kullanın.
* Sadece belirli alanlarla ilgileniyorsanız, hatalı pozitifleri azaltmak ve hızı artırmak için tespit öncesi `Image ROI` veya `Image ROI Select` ile kırpma yapın.

## 🛠️ Sorun Giderme

* Hiç tespit yoksa: `Threshold` değerini düşürmeyi ve/veya daha az sınıf seçmeyi deneyin. Giriş görüntüsü kalitesini kontrol edin; gerekirse `Super Resolution` veya daha iyi aydınlatma kullanın.
* Çok fazla yanlış pozitif varsa: `Threshold` değerini artırın ve `Select Classes` ile ilgili sınıflarla sınırlandırın.
* Performans yavaşsa: daha küçük bir `Model Size` seçin veya giriş çözünürlüğünü azaltmak için `Image Resize` ekleyin. GPU kullanılabiliyorsa ortamınızda etkinleştirildiğinden emin olun.
* Görselleştirme eksikse: açıklamalı görüntü almak için `Draw Boxes` etkin olduğundan emin olun veya çıktıları önizlemek için `Show Image` bağlayın.


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://docs.augelab.com/turkish/fonksiyon-bloklari/ai-blocks/object-detection-d-fine.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.