> 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/detections-shapes/detectors/custom-cnn-model.md).

# Custom CNN Model

Bu fonksiyon bloğu, giriş görüntülerine dayanarak tahminler yapmak için bir TensorFlow AI modelini yüklemek amacıyla kullanılır. Kullanıcıların iş akışlarına makine öğrenimi modellerini kolayca entegre etmelerine olanak tanır.

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

`Image Any` Tahmin için AI modeline beslenen bir görüntü girişi.

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

`Class Index (Detected)` Bu çıktı, modelin tahminine dayanan tespit edilen sınıfın indeksini sağlar.

`Class Name (Detected)` Bu çıktı, modelin çıktısından tespit edilen sınıfın adını sağlar.

`Detection Result (Raw Output)` Bu çıktı, modelden gelen ham sonuçları içerir; ileri analiz veya hata ayıklama için faydalıdır.

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

`Load Model` Kullanıcıların sistemlerinden önceden eğitilmiş bir TensorFlow veya TensorFlow Lite modelini yüklemelerine olanak tanıyan bir düğme.

`Classes Text` Bu metin alanı, AI modelinin tespit edebileceği sınıfların listesini görüntüler ve modelin hangi konularda eğitildiği hakkında bilgi verir.

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

`Support for Multiple Model Formats` Bu blok, TensorFlow `.h5` modelleri ve TensorFlow Lite `.tflite` modellerini yükleyebilir, bu da model seçiminde esneklik sağlar.

`Detection Results Visualization` Çıktı, tespit edilen sınıf indeksini ve adını gösterir, sonucu anlamayı kolaylaştırır.

`Error Handling` Geçersiz yollar veya yapılandırmalar gibi yükleme hataları hakkında bilgi sağlar ve sorun gidermeye yardımcı olur.

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

1. **Load Model**: AI modelinizi seçmek ve yüklemek için `Load Model` düğmesine tıklayın. TensorFlow modelini (`*.h5`) veya TensorFlow Lite modelini (`*.tflite`) seçebilirsiniz.
2. **Input Image**: `Image Any` girişine bir görüntü üreten bloku bağlayın.
3. **Run the Block**: Yüklenen model ile giriş görüntüsünü işlemek için bloğu çalıştırın. Çıktılar, tahmin edilen sınıf indeksini, sınıf adını ve ham çıktıyı sağlayacaktır.

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

Çalıştırıldığında, bu fonksiyon bloğu yüklenen modeli kullanarak giriş görüntüsünün sınıfını tahmin eder ve tahmin edilen sınıf indeksi, adı ve ham çıktı verilerini içeren sonuçlar döndürür.

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

<details>

<summary>Model Uyumluluğu</summary>

Yüklediğiniz modelin beklenen giriş formatı ile uyumlu olduğundan emin olun. Belirli giriş boyutları veya türleri üzerinde eğitilmiş modeller, giriş görüntüsü eşleşmiyorsa başarısız olabilir.

</details>

<details>

<summary>Sınıf Adları Görselleştirmesi</summary>

Modeli yükledikten sonra, modelin tespit edebileceği sınıfları görmek için `Classes Text` alanını kontrol edin. Bu bilgi, sonuçları doğru yorumlamak için kritik öneme sahiptir.

</details>

<details>

<summary>Ham Çıktı Analizi</summary>

Modelin tahminleri hakkında daha derin bilgi edinmek için ham çıktı verilerini inceleyin. Bu, belirli girişler için model davranışını hata ayıklamakta yardımcı olabilir.

</details>

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

<details>

<summary>Model Yüklenmedi Hatası</summary>

Eğer modelin yüklenmediği ile ilgili bir hata alıyorsanız, `Load Model` düğmesine tıkladığınızdan ve geçerli bir model dosyası seçtiğinizden emin olun.

</details>

<details>

<summary>Geçersiz Sınıf İndeksi</summary>

Eğer `Class Index (Detected)` çıktısı beklenmedik bir değer döndürürse, giriş görüntüsünün modelin gerektirdiği formatı karşıladığından ve modelin bu tür bir girişi tanımak üzere eğitildiğinden emin olun.

</details>