> 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/feature-detector.md).

# Feature Detector

Bu fonksiyon bloğu, bir eğitim görüntüsünden çıkarılan özelliklere dayanarak giriş görüntüsündeki nesneleri bulur ve tanımlar. Güçlü tanımlama yetenekleri sağlamak için çeşitli tespit yöntemlerini kullanır.

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

`Train Image` Giriş görüntüsünde tespit etmek istediğiniz nesne veya özelliği içeren bir görüntü.

`Input Image From Camera` Eğitim görüntüsüne dayalı olarak özellikleri tespit etmek için analiz edilecek gerçek zamanlı görüntü.

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

`Detected Image` Tespit edilen özellikler veya nesneleri vurgulayan çıktı görüntüsü.

`Detect Status` Tespitin başarılı olup olmadığını gösteren bir boolean çıkışı.

`Center` Tespit edilen nesnenin merkez noktası, koordinatlarıyla temsil edilir.

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

`Homography Type` Eşleştirme için kullanılacak homografi yöntemini seçmek üzere bir açılır menü (örn. RANSAC, LMEDS, RHO).

`Compute Type` Özellik eşleştirme için hesaplama türünü seçmeye yönelik bir açılır menü (örn. STABLE, PERFORMANCE).

`Number of Features` Eşleştirme sürecinde dikkate alınacak özellik sayısını belirlemek için bir kaydırıcı.

`Distance Threshold` Eşleştirilen özellikler için mesafe eşiğini tanımlamak üzere bir kaydırıcı; ne kadar sıkı eşleşmelerin belirleneceğini etkiler.

`K nearest` Tespitte değerlendirilecek en yakın komşu sayısını ayarlamak için bir kaydırıcı.

`Pyramid Decimation Ratio` Çok ölçekli özellik eşleştirme için piramit inceltme oranını ayarlamak için bir kaydırıcı.

`Number of Pyramid Levels` Tespitte kullanılacak piramit seviyesi sayısını belirlemek için bir kaydırıcı.

`Point Comparison Type` Özellikleri değerlendirirken kullanılacak karşılaştırma yöntemini tanımlamak için bir kaydırıcı.

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

`Multiple Detection Algorithms` Kullanıcı ihtiyaçlarına bağlı olarak çeşitli homografi türleri ve hesaplama yöntemleri arasında seçim yapılmasına olanak tanır.

`Real-time Detection` Giriş görüntülerini gerçek zamanlı olarak analiz eder, bu da gözetim veya nesne takibi gibi dinamik ortamlara uygun hale getirir.

`Visual Feedback` Tespit edilen nesneleri görsel olarak vurgulayan bir çıktı görüntüsü sağlar ve sonuçların kolayca yorumlanmasını sağlar.

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

1. **Connect Input Images**: Eğitim görüntüsünü `Train Image` girişine ve canlı görüntüyü (kamera veya dosyadan) `Input Image From Camera` girişine bağlayın.
2. **Choose Detection Parameters**: Eşleştirme stratejisini istediğiniz gibi yapılandırmak için kaydırıcıları ve açılır menüleri ayarlayın. Bu, `Homography Type`, `Compute Type` seçimini ve özellik tespit ayarları için kaydırıcı ayarlamalarını içerir.
3. **Run the Block**: Özellik tespitini gerçekleştirmek için bloğu çalıştırın.
4. **Retrieve Results**: Tespit edilen özellikler için `Detected Image` çıktılarına, başarı onayı için `Detect Status` yı ve tespit edilen nesnenin merkez koordinatları için `Center` çıktılarına göz atın.

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

Çalıştırıldığında, bu fonksiyon bloğu, giriş görüntüsündeki özellikleri eğitim görüntüsündeki özelliklerle eşleştirerek analiz edecek, değiştirilmiş bir görüntü, tespit durumu ve tespit edilen özelliğin merkezini çıktı olarak verecektir.

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

<details>

<summary>Use High-Quality Training Image</summary>

Eğitim görüntüsünün net ve iyi aydınlatılmış olduğundan emin olun, böylece tespit doğruluğunu artırın.

</details>

<details>

<summary>Tuning Parameters</summary>

Kaydırıcıları deneyerek belirli görüntüler ve nesneler için en iyi yapılandırmayı bulmaya çalışın. `Distance Threshold` ayarını değiştirmek, tespit performansını önemli ölçüde etkileyebilir.

</details>

<details>

<summary>Monitoring Detection Status</summary>

`Detect Status` çıktılarını izlemek önemlidir; eğer tespit başarısız olursa, özellik parametrelerinizi ayarlayın ve eğitim görüntüsünün kalitesini doğrulayın.

</details>

<details>

<summary>Testing on Different Inputs</summary>

Farklı giriş görüntüleri ile yapılandırmanızı test ederek sağlamlığını doğrulayın. Bu, tespit ayarınızın farklı senaryolar üzerinde iyi bir şekilde genelleşmesini sağlamaya yardımcı olacaktır.

</details>

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

<details>

<summary>No Detection Occurred</summary>

Hiçbir özellik tespit edilmezse, eğitim görüntünüzün kalitesini doğrulayın ve `Distance Threshold` gibi parametrelerin çok sıkı olup olmadığını kontrol edin.

Eşleşmelere daha esneklik sağlamak için `Number of Features` ayarını değiştirmeyi düşünün.

</details>

<details>

<summary>Detection Performance Issues</summary>

Eğer performans yavaş veya tutarsızsa, özellik sayısını azaltmayı veya doğruluk ve işleme hızı arasında denge kurmak için `Compute Type` ayarını değiştirmeyi deneyin.

</details>