Görüntülerden metin çıkarın: Vision AI ile OCR
OCR 2024-2026'da tamamen değişti
Geleneksel OCR (Tesseract, 1985'ten beri) 2 adımda çalışır:
1. Algılama: görüntüde metin içeren bölgeleri bulur
2. Tanıma: her harfi tek tek sınıflandırır
Temiz baskı belgelerinde, yaygın yazı tipleriyle ve İngilizce metinlerde iyi çalışır. Diğer senaryolarda (el yazısı, eğri tabelalar, fotoğraflardaki metinler, egzotik diller, karmaşık düzenler) doğruluk %60-70'e kadar düşer.
Modern vision-language modeller (Claude Sonnet, GPT-5, Gemini 3 Pro) OCR'ı kökten değiştirdi. Harfi harfe sınıflandırmak yerine görüntüyü bir bütün olarak yorumlarlar — bağlamı tanır, anlama dayalı hataları düzeltir ve rastgele düzenlerle başa çıkarlar.
Hangi aracı ne zaman kullanmalı
Tesseract (açık kaynak, yerel CPU):
- Standart baskı belgeler (faturalar, taranmış PDF'ler)
- Gecikmenin önemli olduğu yüksek hacimli işler (günde 10.000+ sayfa)
- Gizlilik nedeniyle buluta gönderilemeyen veriler
- Maliyet: neredeyse sıfır
Vision-LLM (API üzerinden):
- El yazısı metinler
- Tabelalar, afişler, sokak fotoğrafları
- 3D nesnelerdeki metinler (kutular, eğri etiketler)
- Karmaşık düzenli belgeler (tablolar, çoklu sütunlar, dipnotlar)
- Az kaynaklı diller (Arapça, Çince, İbranice)
- Maliyet: görüntü başına yaklaşık 0,001 - 0,01 $
Whisper-OCR (özel model):
- Çok sayıda tablo içeren belgeler
- Matematiksel denklemler
- Bilimsel düzenler (akademik makaleler)
Etkili bir istek nasıl hazırlanır
Vision-LLM'den en iyi sonucu almak için prompt'unuzu şu şekilde yapılandırın:
Kötü:
> "OCR this"
İyi:
> "Bu görüntüdeki tüm görünür metni çıkar; hiyerarşik yapıyı koru (başlık, alt başlıklar, paragraflar). Tablo varsa markdown formatında göster. Okunamayan bölgeler için [okunamıyor] yaz. Birden fazla dil varsa ayrı ayrı belirt."
Kalite farkı çarpıcıdır. LLM, yapıyı "anlayarak" çıktıyı düzenler.
Pratik kullanım senaryoları
- Tarihi arşiv dijitalleştirme: el yazısı mektuplar, eski tutanaklar
- Tıbbi reçeteler: el yazısıyla yazılmış reçeteleri yapılandırılmış metne dönüştürme
- Turistik fotoğraflardaki tabelalar: "Bu tabelada ne yazıyor?"
- Kartvizitler: bir fotoğraftan ad, e-posta ve telefon bilgilerini çıkarma
- Beyaz tahtalar: toplantı beyin fırtınası fotoğrafı → dijital metin
- Fotoğraflı faturalar: uygulamada hızlıca işlenen fatura
- Endüstriyel denetim: saha fotoğraflarındaki ekipman etiketlerini okuma
Teknik tuzaklar
- Çözünürlük: Vision-LLM'ler en az 512×512 piksel gerektirir. Modern akıllı telefon fotoğrafları idealdir; düşük çözünürlüklü ekran görüntüleri başarısız olabilir.
- Yönlendirme: 90° döndürülmüş görüntüler çalışır ancak doğruluk düşer — önceden döndürün
- Yüksek kontrast yardımcı olur: beyaz üzerine siyah > beyaz üzerine açık gri > gri üzerine gri
- Odak: bulanık görüntüler doğruluğu ciddi ölçüde düşürür; iyi çekim yapın veya profesyonel kamera kullanın
- Yansımalar: yansıma veya gölgeli ekran fotoğrafları sorun yaratır. Doğrudan çekim veya ekran görüntüsü tercih edin
API üzerinden entegrasyon
`python
import httpx, base64
with open("foto.jpg", "rb") as f:
img_b64 = base64.b64encode(f.read()).decode()
r = httpx.post(
"https://api.brainiall.com/v1/chat/completions",
json={
"model": "claude-sonnet-4-6",
"messages": [{
"role": "user",
"content": [
{"type": "text", "text": "Extraia o texto desta imagem em markdown, preservando estrutura."},
{"type": "image_url", "image_url": {"url": f"data:image/jpeg;base64,{img_b64}"}}
]
}]
},
headers={"Authorization": "Bearer brnl-xxx"}
)
print(r.json()["choices"][0]["message"]["content"])`
Hemen deneyin
Brainiall sohbet arayüzünde dosya ekleme simgesine tıklayın, metin içeren bir görüntü yükleyin ve "bu görüntüdeki metni çıkar" yazın. Sonuç 2-5 saniyede gelir. Pro plan ayda 100 analiz içerir; Business plan toplu işleme özelliğinin kilidini açar.