# 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>


---

# 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/detections-shapes/detectors/feature-detector.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.