> 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/temel-ozellikler/annotate-data-for-object-detection/annotation-window-how-to.md).
# Annotation Window Basics
## Nesne Tespiti için Veri Etiketleme
### İlk Bakış
{% hint style="info" %}
Uyumlu bir [Nvidia GPU](/turkish/giris/system-requirements.md) bulunan bir bilgisayara, AugeLab Studio AI/GPU desteğinin etkinleştirilmiş olmasına ve gereksinim duyulan paketin [Module Downloader Window](/turkish/augelab-studio-arayuzu/external-features/module-downloader.md#installing-the-ai-bundle) üzerinden yüklenmiş olmasına ihtiyacınız olacak.
{% endhint %}
AugeLab Studio Image Annotation Window, kullanıcıların ilgi alanındaki nesnelerin etrafına bounding box (sınırlayıcı kutu) çizerek görüntüleri etiketlemesine ve bu kutuları belirli sınıflarla ilişkilendirmesine olanak sağlar.
### Başlarken
Image Annotation Window'ı açmak için üst menüden `AI Tools` ➡️ `Image Annotation` öğesine tıklayın.
Görüntü etiketlemek için iki şeye ihtiyacınız var:
1. `.class` dosyası
2. Veri seti (Dataset)
### Class Dosyası
Verilerinizi etiketlemek için öncelikle `classes.names` adlı bir dosyaya ihtiyacınız var; bu, *.names* uzantılı standart bir metin dosyasıdır. Normal bir class dosyası şu şekilde görünür:
```
Human
Dog
Cat
Cup
```
Böyle bir dosyanız yoksa, `Classes` bölümünü kullanarak kendi dosyanızı oluşturabilirsiniz:
Kendi classes dosyanızı oluşturmak için:
1. Bir sınıf adı yazın
2. `+` butonuna tıklayıp sınıflarınızı ekleyin.
3. `Save Classes` (üçüncü buton) üzerine tıklayın ve bir klasör seçmeye hazır olun.
İstenmeyen sınıfları kaldırmak için `-` butonuna da tıklayabilirsiniz.
### Görüntü Klasörü Yükleme
{% hint style="warning" %}
Dataset yolunun içinde İngilizce olmayan karakterler bulunmadığından emin olun.
{% endhint %}
Ekranın üst kısmındaki `Open Folder` düğmesine tıklayın ve tüm görüntülerinizi içeren klasörü seçin:
`Open Folder` seçildikten sonra, bir klasör ve bir class dosyası seçmeniz istenecek:
Klasör yüklendikten sonra mevcut görüntülerin listesi gösterilecektir. Etiketlemek istediğiniz görüntüye tıklayarak seçin:
### Görüntüleri Etiketleme
Görüntüleri etiketlemek oldukça basittir. Etiketlemek istediğiniz nesnenin sol üst köşesine tıklayın, fareyi sürükleyin ve işlem bittiğinde bırakın!
Bounding box'ların nesne etrafına sıkıca yerleştirilmesi, çok fazla arka plan içermemesi gerekir. Bu, modelin nesnenin ilgili özelliklerine odaklanmasını sağlar.
{% tabs %}
{% tab title="Kötü Etiketleme" %}
{% endtab %}
{% tab title="İyi Etiketleme" %}
{% endtab %}
{% endtabs %}
### Dataset Panelini Kullanma
Dataset paneli birkaç işlev sunar:
1. `Filter` işlevi ile görüntüleri sınıflara göre filtreleyebilirsiniz:
* `All` — Etiketli ve etiketsiz tüm görüntüler
* `Annotated` — Etiketlenmiş görüntüler
* `Empty` — Etiket içermeyen ancak eğitimde dahil edilen görüntüler. Etiketlenmemiş nesneler eğitimi olumsuz etkileyebilir.
* `Excluded` — Etiket dosyası bulunmayan görüntüler. Bu görüntüler eğitimi etkilemez.
2. `Search` işlevi, görüntüleri isimlerine göre filtrelemenizi sağlar.
### Video Etiketleme
Pencerenin üst kısmındaki **Video** modunu kullanarak video dosyalarını da etiketleyebilirsiniz:
Video moduna geçildiğinde bir dosya yolu sorulacaktır. Videoyu seçmek, bir klasör gibi video üzerinde etiketleme yapmanızı sağlar.
### Araçlar
Annotation Tool içinde veri seti hazırlarken yardımcı olacak çeşitli araçlar bulunmaktadır:
#### Class Frequency Analysis
Class frequency analysis'a tıklamak, veri setinizde kaç tane sınıf olduğunu analiz eder ve gösterir. Bu, veri setinin dengeli olup olmadığını kontrol etmek için yararlıdır.
#### Augment Dataset
AugeLab Studio otomatik olarak veri artırma (augmentation) uygular. Augmentation, benzer veriler yapay olarak oluşturma sürecidir.
Bu konu [**Augmenting Your Dataset**](/turkish/temel-ozellikler/annotate-data-for-object-detection/augment-dataset.md) sayfasında ayrıntılı olarak ele alınmıştır.
***
## 🛠️ AI Vision Sorun Giderme
AI modelleriniz beklenildiği gibi çalışmıyorsa, performansı ayarlamak için hızlı düzeltme yolları:
🚫 "Hiçbir şey etiketlemiyor" (Sıfır Tespit)
AI çok "utangaç" davranıyorsa genellikle eşik veya açıklama (description) sorunudur.
* **Confidence'i düşürün:** `Confidence Threshold` değerini biraz azaltın.
* **Metin Hassasiyeti:** Grounding DINO kullanıyorsanız, kelime eşleşmesini gevşetmek için `Text Threshold`'u düşürün.
* **Daha spesifik olun:** "part" yerine "silver metal bolt" veya "red plastic cap" gibi görsel özellikleri içeren açıklamalar kullanın.
* **Listeleri kontrol edin:** Class listenizin gerçekten node ayarlarında yüklü olduğundan ve boş olmadığından emin olun.
📦 "Çok fazla yanlış kutu" (Yanlış Pozitifler)
Ekranda çok sayıda yanlış pozitif görüyorsanız, modelin "katılığını" artırmanız gerekir.
* **Confidence'i yükseltin:** Düşük güvene sahip tahminleri filtrelemek için `Confidence Threshold` değerini artırın.
* **Metin Katılığını artırın:** Görüntü ve prompt arasındaki daha yakın eşleşmeyi zorlamak için `Text Threshold` değerini yükseltin.
* **Belirsizliği kaldırın:** "object" veya "item" gibi geniş tanımlardan kaçının. AI gölgeleri "parts" olarak etiketliyorsa, parçanın benzersiz renk veya dokusunu açıklayın.
❓ "YOLO modeli sınıfımı algılamıyor"
Standart YOLO modelleri belirli veri setleri üzerinde ön-eğitilmiştir.
* **COCO Standardı:** Temel YOLO modelleri sadece 80 COCO kategorisini tanır. Etiketlerinizin COCO isimleriyle tam eşleştiğinden emin olun (örn. `person`, `cell phone`, `chair`, `bottle`).
* **Özel Gereksinimler:** Spesifik bir şeyi tespit etmeniz gerekiyorsa (örn. "çizik devre kartı"), **Text-Prompt** modellerine (Grounding DINO gibi) geçin veya **Custom YOLO** modeli eğitin.
🐌 "İşlem yavaş veya takılıyor"
Görsel modeller hesaplama açısından maliyetlidir.
* **İlk Çalıştırma Gecikmesi:** Modeller indirildiğinde ve belleğe alındığında ilk çalıştırma yavaş olabilir — bu normaldir.
* **Model Boyutu:** Grounding DINO Base ve OWLv2 Large yüksek doğruluklu ancak "ağır" modellerdir. Daha hızlı sonuç için "Tiny" veya "Small" varyantlarını deneyin.
* **Donanım:** AugeLab'ın **GPU** kullanıp kullanmadığını kontrol edin. Büyük AI modellerini CPU'da çalıştırmak gecikmeye neden olur.
***
#### 💡 Hala takıldınız mı?
AugeLab Studio içindeki **AI Assistant**'ı deneyin. Kamera görünümünüzü ve kutuların şu an nasıl göründüğünü tarif edin; çoğu zaman eşik için tam ondalık değer önerisi bile sunabilir.
Augmentation işlemi etiketleme tamamlandıktan sonra yapılmalıdır.
{% hint style="warning" %}
Augmentation işlemi etiketleme tamamlandıktan sonra yapılmalıdır.
{% endhint %}
{% hint style="warning" %}
Augmentation işlemi veri setinizin disk boyutunu 10 kata kadar artırabilir.
{% endhint %}
#### Preprocess Image
Preprocess Image aracı, pencerede gösterilen görüntülerin kontrastını, parlaklığını ve gamma değerini değiştirme imkânı verir. Çok karanlık veya çok parlak görüntülerle çalışırken bu özellik faydalıdır.
#### Change Class Id
Change Class Id aracı, tüm etiketlenmiş sınıf örneklerini başka bir sınıfa değiştirme olanağı sağlar.
Bu araç, iki farklı veri setini birleştirirken özellikle işe yarar.
#### Kısayollar ve Yardım
Kısayollar ve yardım için üst menüdeki `Help` butonuna tıklayabilirsiniz.
* `D`: Sonraki görüntü veya kareyi göster.
* `A`: Önceki görüntü veya kareyi göster.
* `Shift + D`: 10 görüntü/kare ileri git.
* `Shift + A`: 10 görüntü/kare geri git.
* `W`: Sınıf seçimini azalt.
* `S`: Sınıf seçimini artır.
* `Shift + W`: Sınıf seçimini 3 azalt.
* `Shift + S`: Sınıf seçimini 3 artır.
* `X`: Son bounding box etiketlemesini kaldır.
* `Shift + C`: Tüm etiketleri temizle.
* `O`: Boş bir etiket dosyası ekle veya etiketleri temizle.
* `P`: Etiketleri kaldır ve dosyayı temizle.
* `M`: Görüntüyü başka bir klasöre taşı veya hariç tut (Folder Mode yalnızca).
* `Shift + Delete`: Görüntüyü ve etiketini bilgisayardan sil (Folder Mode yalnızca).
#### Training With Custom AI Object Detection Model
Özel bir nesne tespit modeli eğitmek için lütfen [**Object Detection Train**](/turkish/temel-ozellikler/train-custom-ai-models-with-training-window.md) sayfasına bakın.