> For the complete documentation index, see [llms.txt](https://docs.augelab.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.augelab.com/turkish/fonksiyon-bloklari/blocks-reference/ai-blocks/object-detection-d-fine.md).

# Object Detection (D-FINE)

Bu fonksiyon bloğu, bir giriş görüntüsünde gerçek zamanlı nesne tespiti gerçekleştirir. Model boyutu seçimi (hız ile doğruluk arasında bir denge), tespit edilecek nesne sınıflarını filtreleme, bir güven eşiği belirleme ve isteğe bağlı olarak çıkış görüntüsünde renk kodlu sınırlayıcı kutular çizme seçenekleri sunar.

## 📥 Girdiler <a href="#inputs" id="inputs"></a>

`Image` Analiz edilecek giriş görüntüsü.

## 📤 Çıktılar <a href="#outputs" id="outputs"></a>

`Result` Sınırlayıcı kutular ve etiketlerle açıklanmış görüntü (çizim etkinse mevcut).

`Boxes` Her tespit için sınırlayıcı kutu koordinatlarının listesi (format: \[x1, y1, x2, y2]).

`Labels` Tespit edilen her nesne için sınıf isimleri.

`Scores` Her tespitin güven skoru.

## 🕹️ Kontroller <a href="#controls" id="controls"></a>

`Model` Çıkarım hızı ile doğruluk arasında denge kurmak için model boyutunu seçin (örnekler: Nano / Small / Medium / Large / XLarge).

`Select Classes` Bloğun raporlamasını istediğiniz COCO sınıflarını işaretlemek için kullanılan tablo (hepsini boş bırakmak tüm sınıflara izin verir).

`Draw Boxes` Çıkış görüntüsünde renkli sınırlayıcı kutular ve etiketler çizmek için açık/kapalı anahtarı.

`Threshold` Tespitleri kabul etmek için güven skoru eşiğini (0–100) ayarlayan kaydırıcı.

## 🎨 Özellikler <a href="#features" id="features"></a>

* Hız veya doğruluk önceliği için model boyutu seçimi.
* Sadece ilgilendiğiniz tespitleri almak için sınıf filtreleme.
* Yanlış pozitifleri azaltmak için güven eşiği kontrolü.
* İsteğe bağlı renk kodlu sınırlayıcı kutular ve okunabilir etiketlerle görsel çıktı.
* Hem görsel (görüntü) hem de yapılandırılmış tespit verilerini (boxes, labels, scores) döndürerek sonraki işlemler için uygun veri sağlar.

## 📝 Kullanım Talimatları <a href="#usage" id="usage"></a>

1. `Image` girişine görüntü üreten bir bloğu bağlayın.
2. Daha hızlı sonuç mu yoksa daha yüksek doğruluk mu istediğinize göre `Model` boyutunu seçin.
3. Sadece ihtiyaç duyduğunuz nesne tiplerini tespit etmek için `Select Classes` alanını kullanın (tüm sınıfları kabul etmek için boş bırakın).
4. Tespit hassasiyetini ayarlamak için `Threshold` kaydırıcısını düzenleyin.
5. Görsel bir sonuç almak istiyorsanız `Draw Boxes` öğesini etkinleştirin; böylece `Result` çıktısında açıklamalı görüntü elde edersiniz.
6. `Boxes`, `Labels` ve `Scores` çıktılarını sonraki işleme veya kayıt bloklarında kullanın.

## 📊 Değerlendirme <a href="#evaluation" id="evaluation"></a>

Çalıştırıldığında blok, seçilen `Model` ve `Threshold` ayarlarına göre gelen görüntüyü işler ve tespit sonuçlarını verir. `Draw Boxes` etkinse, açıklamalı bir görüntü `Result` üzerinde mevcut olur; tespit meta verileri ise her zaman diğer çıktılarda (`Boxes`, `Labels`, `Scores`) yer alır.

## 💡 İpuçları ve Püf Noktaları <a href="#tips-and-tricks" id="tips-and-tricks"></a>

* Küçük nesneler kaçıyorsa, `Super Resolution` kullanarak daha fazla detaylı bir giriş sağlayın veya `Image Resize` ile resmi küçültmemeye çalışın.
* İşlem süresini azaltmak için doğruluk pahasına daha küçük bir `Model` (Nano/Small) seçin.
* Hızı artırmak ve yanlış pozitifleri azaltmak için tespit öncesi ilgi alanını `Image ROI Select` veya `Image ROI` ile kırpın.
* Görsel hata ayıklama için `Result` çıktısını `Show Image` bloğuna bağlayarak tespitleri interaktif olarak inceleyin.
* Frameler arasında tespitleri korumak (takip) istiyorsanız, çıktıları `Object_Detection_Tracker` ile birleştirin.
* Tespitli görüntüleri daha sonra incelemek için `Image Logger`, `Image Write` veya `Record Video` ile kaydedin.
* Tespit meta verilerini analiz ve raporlama için `CSV Export` veya `Data to JSON` ile dışa aktarın.
* Deney yaparken sistem kullanımını `GPU Statistics` ile izleyerek donanımınıza uygun bir `Model` boyutu seçin.
* Farklı davranışlar veya modeller denemek isterseniz, `Object Detection - Custom` veya diğer nesne algılama alternatifleriyle karşılaştırma yapın.

## 🛠️ Sorun Giderme <a href="#troubleshooting" id="troubleshooting"></a>

* Hiç tespit görmüyorsanız, `Threshold` değerini düşürün veya `Select Classes` içinde istenen sınıfın işaretli olduğundan emin olun.
* Tespitler gürültülüysa (çok fazla yanlış pozitif varsa), `Threshold` değerini yükseltin veya `Select Classes` ile sınıfları sınırlandırın.
* İşlem çok yavaşsa, daha küçük bir `Model` seçin veya giriş görüntüsünü `Image ROI Select` ile kırpın.
* Diğer çıktılar veri içerirken görüntü boş görünüyorsa, görsel sonuç alabilmek için `Draw Boxes` öğesinin etkin olduğundan emin olun.