ProcessEye Studio Kullanım Kılavuzu

PROCESSEYE STUDİO KULLANIM KILAVUZU
2020
PROCESSEYE STUDİO
KULLANIM KILAVUZU
1
1. Giriş.................................................................................................................................................. 9
1.1. ProcessEye Studio.................................................................................................................... 9
1.2. Sistem Gereksinimleri............................................................................................................ 10
1.3. Ürün İçerikleri ....................................................................................................................... 10
1.3.1. Görüntü İşleme Modulü ................................................................................................ 10
1.3.2. Derin Öğrenme Modulü ................................................................................................ 10
1.4. Kurulum ve Lisanslama .......................................................................................................... 10
1.4.1. Microsoft Visual Studio ................................................................................................. 11
1.4.2. CUDA Toolkit ................................................................................................................. 13
1.4.3. CuDNN Kurulumu .......................................................................................................... 18
1.4.4. CUDA Ortam Değişkenlerinin Kontrol Edilmesi ve Eklenmesi ....................................... 20
1.4.5. ProcessEye Studio.......................................................................................................... 22
1.4.6. Lisans ............................................................................................................................. 25
2. Kullanıcı Ara Yüzü .......................................................................................................................... 27
2.1. Ara yüz bileşenleri ................................................................................................................. 27
2.1.1. Grid Area (1): ................................................................................................................. 27
2.1.2. Log Window (2): ............................................................................................................ 27
2.1.3. Blocks Toolbar (3): ......................................................................................................... 28
2.1.4. Generic Blocks (4): ......................................................................................................... 28
2.1.5. Image Blocks (5): ........................................................................................................... 28
2.1.6. AI Blocks (6): .................................................................................................................. 28
2.1.7. File Butonu (7): .............................................................................................................. 28
2.1.8. Edit Butonu (8): ............................................................................................................. 28
2.1.9. Window Butonu (9): ...................................................................................................... 29
2.1.10. Run Butonu (10): ........................................................................................................... 29
2.1.11. View Butonu (11): .......................................................................................................... 29
2.2. Senaryo kurulum ................................................................................................................... 30
2.3. Klavye Kısa Yolları .................................................................................................................. 30
3. Genel Bloklar ................................................................................................................................. 30
3.1. Inputs ..................................................................................................................................... 31
3.1.1. Camera IP ...................................................................................................................... 31
2
3.1.2. Camera USB ................................................................................................................... 31
3.1.3. Input .............................................................................................................................. 32
3.1.4. Load Image .................................................................................................................... 32
3.1.5. Logic Input ..................................................................................................................... 32
3.2. Basit Operatörler ................................................................................................................... 32
3.2.1. Add ................................................................................................................................ 32
3.2.2. Substract ........................................................................................................................ 33
3.2.3. Multiply ......................................................................................................................... 33
3.2.4. Divide ............................................................................................................................. 33
3.2.5. And ................................................................................................................................ 33
3.2.6. Or ................................................................................................................................... 33
3.2.7. Choose Folder ................................................................................................................ 34
3.2.8. Data Type Converter...................................................................................................... 34
3.2.9. Date-Time ...................................................................................................................... 34
3.2.10. Datetime Compare ........................................................................................................ 35
3.2.11. Date-Time List................................................................................................................ 35
3.2.12. Demux............................................................................................................................ 35
3.2.13. Edge Falling .................................................................................................................... 35
3.2.14. Edge Rising..................................................................................................................... 36
3.2.15. Equals ............................................................................................................................ 36
3.2.16. Not Equals...................................................................................................................... 36
3.2.17. Greater .......................................................................................................................... 36
3.2.18. Smaller ........................................................................................................................... 37
3.2.19. Multi Port Switch ........................................................................................................... 37
3.2.20. Off Delay ........................................................................................................................ 37
3.2.21. On Delay ........................................................................................................................ 37
3.2.22. REST API – Get ............................................................................................................... 38
3.2.23. Set-Reset........................................................................................................................ 38
3.2.24. String Input .................................................................................................................... 38
3.2.25. String Merge .................................................................................................................. 38
3.2.26. Tag From ........................................................................................................................ 38
3
3.2.27. Tag To ............................................................................................................................ 39
3.3. Outputs .................................................................................................................................. 39
3.3.1. Output ........................................................................................................................... 39
3.3.2. Led Output ..................................................................................................................... 39
3.3.3. Show Image ................................................................................................................... 40
3.3.4. Mean Value of Image .................................................................................................... 40
3.3.5. Arduino .......................................................................................................................... 40
3.3.6. Arduino PIN Control ...................................................................................................... 41
3.3.7. CSV Export ..................................................................................................................... 41
3.3.8. Data to JSON .................................................................................................................. 42
3.3.9. GPU Statistics................................................................................................................. 42
3.3.10. Image Write ................................................................................................................... 42
3.3.11. Multi Image Write ......................................................................................................... 43
4. Görüntü İşleme Fonksiyon Blokları................................................................................................ 43
4.1. 2D Filter ................................................................................................................................. 43
4.1.1. Emboss........................................................................................................................... 44
4.1.2. Contour .......................................................................................................................... 44
4.1.3. Sharpen.......................................................................................................................... 44
4.1.4. Edge detection............................................................................................................... 44
4.1.5. Laplacian ........................................................................................................................ 44
4.1.6. Sobel .............................................................................................................................. 44
4.2. AI Model ................................................................................................................................ 44
4.3. Apply Mask ............................................................................................................................ 45
4.4. Approximate Contour ............................................................................................................ 45
4.5. Barcode Reader ..................................................................................................................... 45
4.6. Bilateral Filter ........................................................................................................................ 46
4.7. Blob Detector ........................................................................................................................ 46
4.8. Blur ........................................................................................................................................ 47
4.8.1. Average Blur .................................................................................................................. 47
4.8.2. Gausssian Blur ............................................................................................................... 47
4.8.3. Median Blur ................................................................................................................... 47
4
4.9. Choose Line ........................................................................................................................... 48
4.10. Circle Detector ................................................................................................................... 48
4.11. Color Density Percentage .................................................................................................. 49
4.12. Color Space ........................................................................................................................ 49
4.13. Contrast-Brightness-Gamma ............................................................................................. 50
4.14. Corner Detector ................................................................................................................. 50
4.15. Denoising ........................................................................................................................... 51
4.16. Distance Transformation ................................................................................................... 51
4.17. Draw Hull Convex .............................................................................................................. 51
4.18. Draw Line ........................................................................................................................... 52
4.19. Draw Point ......................................................................................................................... 52
4.20. Edge Filter .......................................................................................................................... 52
4.21. Find Contour ...................................................................................................................... 53
4.22. Find Object ........................................................................................................................ 54
4.23. Find Object – Multiple Image ............................................................................................ 54
4.24. Find Shape ......................................................................................................................... 55
4.25. FloodFill Algorthm ............................................................................................................. 55
4.26. Grab Cut Algorthm ............................................................................................................ 55
4.27. Harris Corner Filter ............................................................................................................ 56
4.28. Image Adaptive Threshold................................................................................................. 56
4.29. Image Memory .................................................................................................................. 57
4.30. Image Resizer..................................................................................................................... 57
4.31. Image ROI .......................................................................................................................... 57
4.32. Image ROI Polygon ............................................................................................................ 58
4.33. Image ROI Select................................................................................................................ 58
4.34. Image Threshold ................................................................................................................ 58
4.35. Invert Image ...................................................................................................................... 59
4.36. Line Detector ..................................................................................................................... 59
4.37. Load AI Model.................................................................................................................... 60
4.38. Match Shapes .................................................................................................................... 60
4.39. Mean Shift Filtering ........................................................................................................... 60
5
4.40. Measure Distance .............................................................................................................. 60
4.41. Minimum Circle ................................................................................................................. 61
4.42. Minimum Ellipse ................................................................................................................ 61
4.43. Minimum Rectangle .......................................................................................................... 62
4.44. Minimum Rotated Rectangle ............................................................................................ 62
4.45. Morphological Transformations ........................................................................................ 63
4.45.1. Erode ............................................................................................................................. 63
4.45.2. Dilate ............................................................................................................................. 63
4.45.3. Open .............................................................................................................................. 63
4.45.4. Close .............................................................................................................................. 63
4.45.5. Gradient ......................................................................................................................... 63
4.45.6. Tophat ........................................................................................................................... 64
4.45.7. Blackhat ......................................................................................................................... 64
4.45.8. Hitmiss ........................................................................................................................... 64
4.46. Normalize Image................................................................................................................ 64
4.47. Perspective Transform ...................................................................................................... 64
4.48. Point Polygon Test ............................................................................................................. 65
4.49. RGB Mask........................................................................................................................... 65
4.50. Rotate Image ..................................................................................................................... 65
4.51. Rotate Image Angle ........................................................................................................... 66
4.52. Slice Image ......................................................................................................................... 66
4.53. Sobel Filter ......................................................................................................................... 66
4.54. Structural Similarity ........................................................................................................... 67
4.55. Watershed Algorithm ........................................................................................................ 67
4.56. Wavelet Transforms .......................................................................................................... 67
4.57. Write Date On Image ......................................................................................................... 68
4.58. Write Text On Image ......................................................................................................... 68
5. Derin Öğrenme Model Blokları...................................................................................................... 68
5.1. AI Model Elements ................................................................................................................ 68
5.1.1. Average Pooling 2D ....................................................................................................... 68
5.1.2. Batch Normalization ...................................................................................................... 69
6
5.1.3. Choose Folder 2D .......................................................................................................... 69
5.1.4. Compile Model .............................................................................................................. 69
5.1.5. Convolutional Layer 2D ................................................................................................. 70
5.1.6. Convolutional Sep. Layer 2D.......................................................................................... 71
5.1.7. Convolutional Trans. Layer 2D....................................................................................... 71
5.1.8. Dropout Layer ................................................................................................................ 72
5.1.9. Flatten Layer 2D............................................................................................................. 72
5.1.10. Fully Connected ............................................................................................................. 72
5.1.11. Global Average Pooling 2D ............................................................................................ 73
5.1.12. Global Max Pooling 2D .................................................................................................. 73
5.1.13. Input Layer 2D ............................................................................................................... 73
5.1.14. Loss CCE ......................................................................................................................... 73
5.1.15. Loss SCCE ....................................................................................................................... 74
5.1.16. Max Pooling 2D.............................................................................................................. 74
5.1.17. Metrics Accuracy ........................................................................................................... 74
5.1.18. Optimizer AdaGrad ........................................................................................................ 75
5.1.19. Optimizer Adadelta ....................................................................................................... 75
5.1.20. Optimizer RMSprop ....................................................................................................... 76
5.1.21. Optimizer Adam............................................................................................................. 76
5.1.22. Optimizer Adamax ......................................................................................................... 77
5.1.23. Optimizer Nadam .......................................................................................................... 78
5.1.24. Optimizer FTRL .............................................................................................................. 78
5.1.25. Optimizer SGD ............................................................................................................... 79
5.1.26. ReLU Layer ..................................................................................................................... 79
5.1.27. Softmax Layer ................................................................................................................ 80
5.1.28. Training Parameters ...................................................................................................... 80
5.2. AI Applications ....................................................................................................................... 80
5.2.1. Face Detection ............................................................................................................... 80
5.2.2. Human Detection HOG .................................................................................................. 81
5.2.3. Mask Detection ............................................................................................................. 81
5.2.4. Mood Detection ............................................................................................................ 81
7
5.2.5. Object Detection ........................................................................................................... 82
5.2.6. Safety Equipment Detection ......................................................................................... 83
5.2.7. Social Distance Detector................................................................................................ 84
6. DESIGNER WINDOW ...................................................................................................................... 87
6.1. Konfigurasyon Bölümü ....................................................................................................... 88
6.2. Fonksiyon Blok Özellikleri Bölümü ................................................................................... 88
6.3. Fonksiyon Blok Parametreleri Ekleme Bölümü .............................................................. 88
6.4. Blok kaynak kodu düzenleme bölümü ............................................................................. 91
6.4.1. Blok kaynak kodu örneği ..................................................................................................... 93
6.4.2. Component kullanımı ......................................................................................................... 94
7. IMPORT PACKAGE WINDOW ......................................................................................................... 96
8. Teknik Destek ................................................................................................................................ 98
8
1. Giriş
Bu kullanım kılavuzu ProcessEye Studio’yu daha etkili ve verimli bir şekilde kullanmanız için
hazırlanmıştır. Kılavuz içerisinde ürünün kullanım alanları, içeriği, ara yüzü, mevcut fonksiyonların nasıl
kullanıldığı ile ilgili detaylı bilgilere ulaşabilirsiniz.
ProcessEye Studio, ProcessEye Görüntü İşleme ve Endüstriyel Otomasyon Sanayi Anonim Şirketi
tarafından geliştirilmektedir.
1.1. ProcessEye Studio
ProcessEye Studio en hızlı ve en kolay yoldan kodlama bilgisine ihtiyaç duymadan kendi görüntü işleme
ve yapay zeka sistemlerinizi geliştirmenizi sağlar.
ProcessEye Studio sayesinde projenizin Ar&Ge faaliyetlerini hızlandırmak ve geliştirdiğiniz hızlı

çözümünüzü endüstriyel sistemlere basit bir şekilde entegre edilmesini sağlayarak ticarileştirebilmenizi
amaçlamaktadır.
Sahip olduğu modüller ile yalnızca ihtiyacınız olan görüntü işleme ve yapay zeka fonksiyonlarını
sürekleyip bırakarak kullanmaya başlayabilirsiniz
ProcessEye Studio ile;
- Otomotiv - Lojistik - Paketleme

- Tüketici ürünleri - Tıbbi cihazlar - Akıllı tarım
- Elektronik - Medikal - Güneş Enerjisi
- Yiyecek ve içecek - İlaç Sistemleri
Ve diğer sektörler için uygulamalar geliştirebilirsiniz.
9
1.2. Sistem Gereksinimleri
İşlemci: i5 2.5 GHz 4 çekirdek
Bellek: 8GB
Ekran Kartı: Dahili Ekran Kartı
İşletim Sistemi: Windows 7 ,8 veya 10
Depolama: 1GB kullanılabilir alan
Ağ bağlantısı: Aktivasyon için internet bağlantısı gerekmektedir.
1.3. Ürün İçerikleri
1.3.1. Görüntü İşleme Modulü
Ürün içerisinde bulabileceğiniz Fonksiyonlar;
- Görüntü Filtreleri - Görüntü Analiz Histogramları

- Karakter, Yazı, Barkod Okuma - Görüntü Yapısal Analizi ve Şekil
- Geometrik Görüntü Dönüşümleri Tanımlayıcıları
- Çeşitli Görüntü Dönüşümleri - Hareket Analizi ve Nesne Takibi
- Görüntü Üzerinde Çizim Fonksiyonları - Nesne Özellik Tespiti
- Renk Uzayı Dönüşümleri - Nesne Bulma
- Renk Haritaları - Donanım Hızlandırma Katmanı
1.3.2. Derin Öğrenme Modulü
Tam sürüm içerisinde bulabileceğiniz Fonksiyonlar;
- CNN Mimari Şablonu

- Optimizasyon Modülleri
- Aktivasyon Modülleri
1.4. Kurulum ve Lisanslama
ProcessEye Studio yazılımını çalıştırabilmek için gerekli ortamların hazırlanması gerekmektedir. Bu

ortamı hazırlamak için;
10
• Microsoft Visual Studio
• NVIDIA CUDA Toolkit
• NVIDIA cuDNN
Yazılımlarının kurulu olması gerekmektedir.
1.4.1. Microsoft Visual Studio
Microsoft Visual Studio, CUDA toolkit için ön koşuldur. Microsoft Visual Studio’yu ilk olarak kurmadan
CUDA Toolkit’i kurmaya çalışırsanız Şekil 1.1’de gösterilen mesajı alırsınız.
Şekil 1.1. CUDA Toolkit’ Visual Studio olmadan yüklemeye çalışırken mesaj
Visual Studio’nun en son sürümü Visual Studio Community 2019’dur. Visual Studio Dev Essentials’ a
katılarak Visual studio’nun istediğiniz sürümünü ücretsiz olarak indirebilirsiniz.
Visual Studio Community’i indirdikten sonra kurulumuna başlarken Şekil 1.2’de indirme olarak
aldığınız yürütülebilir dosyayı göstermektedir.
11
Şekil 1.2. Visual Studio Community yürütülebilir dosyası
Şekil 1.2’ deki ‘dosyayı kaydet’ butonuna bastıktan sonra kurulum seçeneklerini ayarlayabileceğiniz
Şekil 1.3’ deki pencere görünecektir.
Şekil 1.3. Visual Studio Community 2019 için yükleme penceresi
İndirme seçeneklerini varsayılan olarak bırakarak devam edebilirsiniz. Yükleme sırasında Visual
Studio, iş yükleri olmadan devam etmek isteyip istemediğinizi sorar. İş yüklerine ProcessEye Studio’yu
kullanmak için gerek olmadığından Şekil 1.4 de devam butonuna basabilirsiniz.
12
Şekil 1.4. Visual Studio iş yükleri
Visual Studio kurulumunu bitirdikten sonra başka bir işleme geçmeden önce bilgisayarınızı yeniden
başlatmanız gerekmektedir.
1.4.2. CUDA Toolkit
CUDA Toolkit, NVIDIA Developer sitesinden ücretsiz olarak indirilebilmektedir. CUDA Toolkit’in
varsayılan sürümü Şekil 1.5’te gösterildiği gibi 11.1 sürümüdür.
Şekil 1.5. Windows için CUDA Toolkit en son sürüm penceresi
13
ProcessEye Studio için gerekli olan sürüm CUDA Toolkit 10.1 sürümüdür. Eski sürümlere erişebilmek
için Şekil 1.6’da gösterilen ve sayfanın altında bulunan “Resources” bölümünden CUDA Releases
sekmesine gidilmesi gerekmektedir.
Şekil 1.6. Eski Sürümlere erişmek için CUDA Releases sekmesi
Şekil 1.7’de gösterilen sayfadan kurulmak istenen CUDA Toolkit sürümü seçilerek indirilebilir.
ProcessEye Studio için CUDA Toolkit 10.1 sürümü indirilmelidir.
Şekil 1.7. CUDA Toolkit için listelenmiş sürümler
CUDA Toolkit 10.1 sürümünü kurmak için Şekil 1.8 de gösterildiği gibi bir ekran karşınıza çıkmaktadır.
Windows 10 için indirme seçenekleri Şekil 1.8 üzerinde gösterilmiştir.
14
Şekil 1.8. CUDA Toolkit 10.1 sürümü için indirme seçenekleri
İndirme işlemi bittikten sonra indirilen .exe uzantılı temel yükleyici çalıştırıldığında karşınıza Şekil
1.9’da gösterilen kurulum paketi penceresi çıkmaktadır. Pencere üzerinden CUDA Toolkit yükleyicinin
indirileceği konum seçilebilmektedir. Dosya konumu varsayılan olarak bırakılmalıdır.
Şekil 1.9. CUDA Toolkit için kurulum paketi penceresi
Kurulum paketi CUDA yükleyiciyi bilgisayarınıza çıkarır ve tamamlandığında NVIDIA CUDA Toolkit
kurulumu başlayacaktır. Kurulum başladığında karşınıza şekil 1.10 da gösterilen pencere çıkacak ve
kurulum işlemi bu pencere üzerinden devam edecektir.
15
Şekil 1.10. NVIDIA CUDA Toolkit kurulum penceresi
Şekil 1.10 daki pencereden Hızlı kurulum seçeneği seçilerek kuruluma devam edilmelidir. Hızlı
kurulum seçeneği ile CUDA Toolkit varsayılan olarak “C:\Program Files\NVIDIA GPU Computing
Toolkit\CUDA\v10.1” dizin yolunu oluşturur ve dosyaları bu dizinin içerisine kurmaktadır.
Şekil 1.11 de daha önce kurulan Visual Studio’ya dayanan CUDA kurulumları gösterilmektedir.
16
Şekil 1.11. CUDA için Visual Studio’yu kullanan yüklemeleri gösteren pencere
Şekil 1.11 de gösterilen pencerede ileri butonuna basmak, NVIDIA CUDA yükleyicisinin tamamlandı
olarak işaretlendiği Şekil 1.12 de gösterilen pencereyi göstermektedir.
17
Şekil 1.12. CUDA yükleyicisi için son kurulum penceresi
1.4.3. CuDNN Kurulumu
CUDA Toolkit 10.1 sürümünü indirdikten ve kurduktan sonra sıradaki adım uyumlu bir cuDNN sürümü
bulmaktır. CuDNN, NVIDIA Developer sitesinden ücretsiz olarak indirilebilmektedir. İndirme işlemine
başlamak için NVIDIA Developer’a üye olmanız gerekmektedir.
Bir hesap oluşturup oturum açtıktan sonra Şekil 1.13’te gösterilen indirme sayfası karşınıza
çıkmaktadır. Daha eski sürümlere erişebilmek için “Archived cuDNN Releases” ‘a tıklamanız
gerekmektedir.
18
Şekil 1.13. cuDNN indirme listesi
ProcessEye Studio için gerekli cuDNN sürümü 7.6.5’tir. Şekil 1.14’te gösterilen CUDA 10.1 için uyumlu
cuDNN 7.6.5 sürümü seçilerek indirilmelidir.
Şekil 1.14. CUDA 10.1 için cuDNN 7.6.5 sürümü
İndirme işlemi bittikten sonra zip içerisindeki dosyalar bir klasöre çıkarılmalıdır. Zip dosyasından
çıkarılan cuDNN klasörünün alt dizinlerinde CUDA Toolkit dizinlerine kopyalanacak üç dosya vardır.
1. cudnn64_7.dll
19
İndirilen cuDNN dosyasının alt dizinindeki “bin” klasörünün içerisindeki cudnn64_7.dll
dosyasını CUDA Toolkit’in kurulu olduğu dosya yolu (varsayılan olarak kurduysanız:
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1) içerisindeki “bin” klasörünün
içerisine (herhangi bir yeni klasör oluşturmadan) kopyalamanız gerekmektedir.
2. cudnn.h
Yukarıdaki dosyada olduğu gibi cuDNN klasörünün alt dizinindeki “include” klasörünün
içerisindeki cudnn.h dosyasını CUDA Toolkit’in kurulu olduğu aynı dosya yolunun (C:\Program
Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1) içerisindeki “include” klasörüne
kopyalamanız gerekmektedir.
3. cudnn.lib
İndirilen cuDNN klasörünün alt dizinindeki “lib” klasörü içerisindeki cudnn.lib dosyasını CUDA
Toolkit’in kurulu olduğu aynı dosya yolunun (C:\Program Files\NVIDIA GPU Computing
Toolkit\CUDA\v10.1) içerisindeki “lib” klasörüne kopyalamanız gerekmektedir.
1.4.4. CUDA Ortam Değişkenlerinin Kontrol Edilmesi ve Eklenmesi
CUDA Toolkit ve cuDNN bileşenlerinin kurulumu bittikten sonra CUDA ortam değişkenlerinin sistem
ayarlarına eklemesi gerekmektedir.
Ortam değişkenlerine erişmek için;
Denetim Masası  Sistem ve Güvenlik  Sistem  Gelişmiş Sistem Ayarları
Buradan Şekil 1.15’te gösterilen “Sistem Özellikleri” adlı bir pencere açılır. Bu pencereden “Ortam
Değişkenleri” açılabilmektedir.
20
Şekil 1.15. Sistem Özellikleri penceresi
Ortam Değişkenleri penceresi açıldığında “sistem değişkenleri” içerisinden “Path” üzerine tıklayarak
“düzenle” düğmesini seçiniz. Şekil 1.16’da gösterildiği gibi “Ortam değişkenini düzenle” adı verilen
yeni bir pencere açılmaktadır.
Ortam değişkenleri içerisinden kurmuş olduğumuz CUDA Toolkit’in dosya yolunu gösteren iki yol
içermesi gerekmektedir. Eğer bu iki yol bulunmuyor ise “Yeni” butonuna tıklayarak CUDA yollarını
eklemeniz gerekmektedir.
21
Şekil 1.16. Kurulum işleminden sonra oluşturulması gereken Ortam Değişkeni yolları
1.4.5. ProcessEye Studio
Resim 1.17. Kurulum ilk adım
ProcessEye Studio yazılımını kullanabilmek için gerekli olan CUDA ve cuDNN bileşenlerini kurduktan
sonra artık yazılımı kullanmak için son kurulum işlemine geçebiliriz. ProcessEye Studio için .exe uzantılı
kurulum dosyası çalıştırıldıktan sonra Resim 1.17’ deki ekran görünecektir.
22
Resim 1.18. Kullanıcı seçimi
İkinci adım olarak Resim 1.18’de gösterilen ekranda ProcessEye Studio yazılımının bilgisayardaki tüm
kullanıcılar için mi yoksa bir kullanıcı için mi kurulacağı seçilmektedir. Seçme işlemini yaptıktan sonra
bir sonraki adım için Next butonuna tıklayınız.
23
Resim 1.19. Dosyaların kurulacağı hedef klasör
Resim 1.19’ daki ekranda ProcessEye Studio’nun kurulacağı hedef klasör seçilmelidir. Klasör seçildikten
sonra dosyaların kurulması için Install butonuna tıklayınız.
24
Resim 1.20. Dosyaların Kurulum işlemi
Resim 1.20’de dosyaların hedef klasöre kurulma ekranı gösterilmiştir. Kurulum işlemi bittikten sonra
Finish butonuna tıklayarak kurulum tamamlanır.
ProcessEye Studio yazılımını çalıştırılarak projeleriniz için senaryolar oluşturmaya başlayabilirsiniz.
1.4.6. Lisans
Önemli: Bu lisans sözleşmesinde belirtilen hakları ve yükümlülükleri dikkatle okuyunuz. Kurulum

esnasında bu şartları kabul edip etmediğiniz size sorulacaktır. Eğer kabul etmiyorsanız yazılım
bilgisayarınıza yüklenmeyecektir. Programı bilgisayarınıza yüklemeniz, sözleşme şartlarını kabul
ettiğinizi gösterir. Bu sözleşme ProcessEye Studio Yazılımı için (YAZILIM), ProcessEye ile SON KULLANICI
(gerçek veya tüzel) arasında yapılan yasal bir sözleşmedir. YAZILIM' ı yüklemeniz bu sözleşmenin
hükümlerini kabul ettiğiniz anlamına gelir. Sözleşmeyi kabul etmediğiniz taktirde YAZILIM' ı yükleyemez
ve kullanamazsınız.
25
I- SON KULLANICI'NIN HAK VE YÜKÜMLÜLÜKLERİ:
1. SON KULLANICI, YAZILIM için gerekli olan minimum sistem gereksinimlerini (1.3 Sistem
Gereksinimleri başlığı altında tanımlanmıştır.) karşılamakla yükümlüdür. YAZILIM'ın çalışması için
gerekli olan alt yapı hizmetlerini (Örnek: İnternet, kamera sistemi veya donanım ürünlerinin tamamı
yazılımı kullanacak firmaya aittir) kullanmayı kabul, taahhüt ve beyan eder. SON KULLANICI, yukarıda
yazılı hükme aykırı davranması sebebi ile sözleşme konusu üründe meydana gelecek hasar ve
ziyanlardan dolayı iş bu sözleşmenin bent III- 1.b, 1.c madde hükümlerinden yararlanma hakkının
ortadan kalkacağını bildiğini beyan ve kabul eder.
2. SON KULLANICI, YAZILIM'ı tek lisans ile sadece tek bir bilgisayara yükleyeceğini ve yalnızca bu
ortamlarda kullanacağını, herhangi bir araçla ve herhangi bir şekilde sürekli veya geçici olarak başka bir
ortama aktarmayacağını kabul, taahhüt ve beyan eder.
3. SON KULLANICI; YAZILIM, çok kullanıcılı sistemi destekliyor ise ağda birden fazla bilgisayara kurup
çalıştırılabileceğini, ağdaki her bir bilgisayar için lisans alması gerektiği hususunu ve bir YAZILIM
lisansının paylaşılamayacağını ve YAZILIM'ın farklı bilgisayarlarda aynı anda kullanılamayacağını
bildiğini beyan ve kabul eder.
4. YAZILIM, çok kullanıcılı kullanılıyor ise; SON KULLANICI, çalıştırılabilecek maksimum programı lisans
alırken belirtilen, client sayısı kadar diğer bilgisayarlara kurma hakkına haizdir.
5. SON KULLANICI, community sürümünü, ProcessEye’ın belirlediği kayıt adedi ve süresince

kullanacağını, her ne sebeple olursa olsun, ticari veya mesleki amaçlarla veya diğer kar getirici
sebeplerle kullanmayacağını kabul, taahhüt ve beyan eder.
6. SON KULLANICI
a. Bu Lisans Sözleşmesi ile izin verilenler dışında YAZILIM ve dokümantasyonu çoğaltıp

kullanmayacağını, YAZILIM'ı kaynak koda dönüştürmeyeceğini ve tekrar derleme işlemi yapmayacağını,
b. ProcessEye’ın yazılı onayı olmadan YAZILIM'ın Premium versiyonunu, başka bir kişiye
dağıtmayacağını, ödünç vermeyeceğini, kiraya vermeyeceğini, satmayacağını, topluma iletmeyeceğini,
c. YAZILIM ve dokümantasyonunu değiştirmeyeceğini, uyarlamayacağını veya YAZILIM ve

dokümantasyondan yola çıkarak esinlenmiş eserler yaratmayacağını kabul, beyan ve taahhüt eder.
7. Processeye Görüntü İşleme ve Endüstriyel Otomasyon Teknolojileri Sanayi Anonim Şirketi bu yazılım
üzerindeki tüm haklarını saklı tutar. Hak sahibi bir sonraki YAZILIM versiyonlarında veya bu versiyon
üzerinde gerekli gördüğü özellikleri ücretli yapma veya lisanslama metodunu ve fiyatını değiştirme
hakkına sahiptir.
26
2. Kullanıcı Ara Yüzü
2.1. Ara yüz bileşenleri
2.1.1. Grid Area (1):
Fonksiyon bloklarının üzerine yerleştirildiği ve birbirine bağlandığı alandır. Bu alan üzerinde

kendi akış diyagramlarınızı kurabilir kolaylıkla hizalayabilirsiniz.
Mouse tekerleği ile zoom-in, zoom-out yapabilir, tekerlek üzerine basılı tutarak grid alanında
gezinebilirsiniz.
2.1.2. Log Window (2):
Yaptığınız işlemler sırasında herhangi bir uyarı veya hata meydana gelmesi durumunda
uyarı/hata mesajının görüntülendiği penceredir.
27
2.1.3. Blocks Toolbar (3):
Fonksiyon bloklarının bulunduğu penceredir. İhtiyacınız olan fonksiyona Mouse sol butonunu
kullanarak sürekle bırak metodu ile ana ekranda kullanabilirsiniz.
2.1.4. Generic Blocks (4):
Giriş, çıkış ve kullanılacak operatörlerin bulunduğu fonksiyon bloklarını içerir.
2.1.5. Image Blocks (5):
Görüntü işleme fonksiyonlarının bulunduğu blokları içerir.
2.1.6. AI Blocks (6):
Derin öğrenme fonksiyon bloklarını içerir.
2.1.7. File Butonu (7):
File menüsü altında;

New: Yeni proje dosyası oluşturma
Open: Kayıtlı proje dosyasını seçerek yükleme
Save: Mevcut proje dosyasını aynı dosya üzerine kaydetme
Save as: Mevcut proje dosyasını farklı ad ve konum ile
kaydetme
Exit: Çıkış
İşlemleri gerçekleştirilebilir.
2.1.8. Edit Butonu (8):
Edit menüsü altında;

Undo: Son işlemi geri alma
Redo: Son işleme geri dön
Cut: Kes
Copy: Kopyala
Paste: Yapıştır
Delete: Sil
28
2.1.9. Window Butonu (9):
Window menüsü altında;

Blocks Toolbar: Fonksiyon bloklarının bulunduğu
menüyü çalışma ekranında görünmesini
sağlayabilirsiniz.
Log Window: Uyarı/Hata mesajlarının
bulunduğu menüyü çalışma ekranında
görünmesini sağlayabilirsiniz.
Close: Mevcut proje sekmesini kapatır.
Close All: Tüm proje sekmelerini kapatır.
Next: Sonraki proje sekmesine geçiş yapar.
Previous: Önceki proje sekmesine geçiş yapar.
2.1.10. Run Butonu (10):
Run menüsü altında;

Run One Step: Programı tek bir döngü için
çalıştırır.
Run With Configuration: Programı ayarlanan
run parametreleri ile çalıştırır.
Stop: Programı durdurur.
2.1.11. View Butonu (11):
View menüsü altında;
Center: Grid alanındaki çalışılan blokları ortalar.
29
2.2. Senaryo kurulum
Projenize özel görüntü işleme senaryolarınızı kurgulamak için ihtiyacınız olan fonksiyon bloklarını grid
alanına ekleyiniz. Eklediğiniz bloklar arasında bağlantının kurulması ve data/görsel akışını sağlamak için
Resim 2.1’ deki gibi blokları birbirine bağlayınız.
Resim 2.1. Edge Filter Senaryosu
2.3. Klavye Kısa Yolları
Ctrl + N Yeni Çalışma Dosyası Açma

Ctrl + O Var olan Çalışma Dosyanı Açma
Ctrl + S Dosyayı Kaydetme
Ctrl + Shift + S Dosyayı Farklı Kaydetme
Ctrl + Q Çıkış
Ctrl + Z Geri Alma
Ctrl + Shift + Z Yineleme
Ctrl + X Kes
Ctrl + C Kopyala
Ctrl + V Yapıştır
Del Silme
Ctrl + Tab Sonraki Proje Sekmesine Geçme
Ctrl + Shift + Backtab Önceki Proje Sekmesine Geçme
F5 Bir Adım Çalıştırma
Ctrl + F5 Sürekli Çalıştırma
F4 Durdurma
Alt + C Merkeze Ortalama
Yön Tuşları Grid Alanında Gezinme
3. Genel Bloklar
30
3.1. Inputs
3.1.1. Camera IP
IP bilgileri girilerek kamera bağlantısının sağlanması için kullanılmaktadır.
3.1.2. Camera USB
Fonksiyon bloğu üzerindeki değişkenler:
- Video File: Dosya yolunu girerek video dosyası üzerinde çalışabilirsiniz.

- USB Camera: Kamera tipinin USB olarak seçilmesine olanak tanır.
- Camera Resolution: Kamera çözünürlüğünü değiştirmeye olanak tanır.
31
3.1.3. Input
Input bloğu, sayı girdisi için kullanılmaktadır. Çıkış olarak girilen sayıyı vermektedir.
3.1.4. Load Image
Load Image bloğu, tasarlanacak olan senaryo için sistem üzerinden görüntü girdisi almaya olanak tanır.
Load image butonu ile yüklenecek olan görüntü dosya yolundan seçilir. Çıktı olarak seçilen görüntüyü
vermektedir.
3.1.5. Logic Input
Logic Input bloğu, boolean değer girmek için kullanılmaktadır.
3.2. Basit Operatörler
3.2.1. Add
Add fonksiyon bloğu, iki sayısal değerin toplanması için kullanılmaktadır. Girdi olarak iki sayı değeri
almaktadır. Çıktı olarak hesaplanan sayı değerini vermektedir.
32
3.2.2. Substract
Substract fonksiyon bloğu, iki sayısal değerin çıkarılması için kullanılmaktadır. Girdi olarak iki sayı değeri
3.2.3. Multiply
Multiply fonksiyon bloğu, iki sayısal değerin çarpılması için kullanılmaktadır. Girdi olarak iki sayı değeri
3.2.4. Divide
Divide fonksiyon bloğu, iki sayısal değeri bölme işlemi yapmak için kullanılmaktadır. Girdi olarak iki sayı
değeri almaktadır. Çıktı olarak hesaplanan sayı değerini vermektedir.
3.2.5. And
And fonksiyon bloğu, mantıksal “ve” işleminin yapılması için kullanılmaktadır. Boole cebri temelinde
hesaplama yapmaktadır. Girdi olarak boolean iki değer almaktadır. Çıktı olarak hesaplanan boolean
değerini vermektedir.
3.2.6. Or
33
Or fonksiyon bloğu, mantıksal “veya” işleminin yapılması için kullanılmaktadır. Boole cebri temelinde
hesaplama yapılmaktadır. Girdi olarak boolean iki değer almaktadır. Çıktı olarak hesaplanan boolean
değeri vermektedir.
3.2.7. Choose Folder
3.2.8. Data Type Converter
Data Type Converter bloğu, veri tipleri arasında değişiklik yapmak için kullanılmaktadır.
Boolean  Int
Int  String
Int  Float
Veri tipleri birbirleri arasında değişiklik yapılabilmektedir. Girdi olarak değişiklik yapılacak tipte değer
almaktadır ve değiştirilen tipte çıktı vermektedir.
3.2.9. Date-Time
Date-Time bloğu, tarih ve saati text olarak çıktı vermektedir.
34
3.2.10. Datetime Compare
Datetime Compare bloğu, girdi olarak verilen tarih ve saati yine girdi olarak verilecek yıl, ay, gün, saat,
dakika ve saniye ile karşılaştırmak için kullanılmaktadır. Çıktı olarak boolean değer vermektedir.
3.2.11. Date-Time List
Date-Time List bloğu, tarih ve saati; yıl, ay, gün, saat, dakika, saniye parametrelerini farklı çıktılar
halinde alarak kullanmak için olanak tanır.
3.2.12. Demux
String olarak verilen giriş değerini parçalara bölerek çıkış olarak vermektedir.
3.2.13. Edge Falling
35
Girişten gelen bir sinyal olduğu durumda 1 değerini sinyal olmadığı durumda ise 0 değerinin olduğu
kabul edilmektedir. Bu şekilde 1 den 0’ a düşme durumuna Edge Falling(Düşen Kenar) denir.
Düşen kenar tespit edildiğinde çıktı olarak TRUE(Doğru) değeri vermektedir.
3.2.14. Edge Rising
Girişten gelen sinyalde 0’dan 1’ e geçiş tespit edilirse çıkıştan TRUE(Doğru) değer verir.
3.2.15. Equals
Equals fonksiyon bloğu, iki girdinin birbirine eşit olması koşuluyla TRUE(doğru) değerinde çıktı veren
ilişkisel operatördür.
3.2.16. Not Equals
Not Equals fonksiyon bloğu, iki girdinin birbirine eşit olması koşuluyla FALSE (yanlış) değerinde çıktı
veren ilişkisel operatördür.
3.2.17. Greater
Greater fonksiyon bloğu, ilk girdinin ikinci girdiden daha büyük olması koşuluyla TRUE (doğru)
değerinde çıktı veren ilişkisel operatördür.
36
3.2.18. Smaller
Smaller fonksiyon bloğu, ilk girdinin ikinci girdiden daha küçük olması koşuluyla TRUE (doğru)
değerinde çıktı veren ilişkisel operatördür.
3.2.19. Multi Port Switch
Inputlardan verilen farklı giriş değerlerini Switch e girilecek sayı değeri ile yönlendirerek istenilen girdi
değerini çıkışa vermek için kullanılmaktadır.
3.2.20. Off Delay
Girişten gelen sinyal kesildikten sonra içerisinde yazan süre kadar çıktı olarak TRUE değer
vermektedir.
3.2.21. On Delay
Girişine sinyal geldikten sonra içerisinde yazan süre kadar çıkışta TRUE değeri vermektedir.
37
3.2.22. REST API – Get
Rest API haberleşmesi için kullanılır. Girdi olarak server adresi ve data ID si gereklidir.
3.2.23. Set-Reset
Set girişinden TRUE değer geldiği zaman sürekli TRUE çıkış değeri vermektedir. Reset girişinden TRUE
değeri verildiği anda çıkış değeri FALSE olarak değişmektedir.
3.2.24. String Input
String Input bloğu, string değer atamak için kullanılmaktadır.
3.2.25. String Merge
String Merge bloğu, girdi olarak aldığı string değerlerini birleştirerek çıktı almak için kullanılmaktadır.
3.2.26. Tag From
38
3.2.27. Tag To
3.3. Outputs
3.3.1. Output
Output bloğu, genel olarak kullanılan string, integer veya boolean tiplerinde çıktı değerlerini almak için
kullanılmaktadır.
3.3.2. Led Output
Led output bloğu, çıktı değerinin bir lamba yardımıyla gösterilmesine olanak tanımaktadır.
39
3.3.3. Show Image
Show Image bloğu, görüntü olarak alınacak çıktı verisini görselleştirmek için kullanılmaktadır.
See Image butonu: Alınan görüntüyü kırpmak, üzerini çizmek, yeniden boyutlandırmak, kaydetmek ve
yazdırmak için kullanılabilmektedir.
3.3.4. Mean Value of Image
Mean Value of Image bloğu, görüntü çıktısının ortalama değerini hesaplamak için kullanılmaktadır.
Girdi olarak görüntü verilmelidir. Hesaplanan ortalama değer çıktı olarak alınabilir.
3.3.5. Arduino
Bağlanan COM port üzerinden seri haberleşerek veri alış-verişinde kullanılabilir.
40
3.3.6. Arduino PIN Control
Arduino üzerinden direk pinleri kontrol edebilir.
3.3.7. CSV Export
Excell Dosyası olarak veri kaydetmek için kullanılmaktadır.
Folder Path: Dosyanın kaydedileceği klasör yolu
File Name: Kaydedilecek dosyanın adı
Start Logging: Kaydetme durumu
Export File: Aktarma dosyası
41
3.3.8. Data to JSON
JSON formatında verileri kaydetmek için kullanılmaktadır.
3.3.9. GPU Statistics
GPU Statistics bloğu, kullanmakta olduğunuz GPU bilgilerini ve kullanım miktarını görmeye olanak
tanır.
3.3.10. Image Write
Görüntüyü kaydetmek için kullanılmaktadır.
Folder Path: Görüntünün kaydedileceği dosya yolu
42
File Name: Kaydedilecek görüntü için dosya adı
Write Condition: Görüntünün kaydedilmesi için gerekli şart; TRUE değer girildi olarak verildiği zaman
görüntü kaydedilecektir.
Input Image: Kaydedilecek olan görüntü
3.3.11. Multi Image Write
Birden fazla görüntüyü kaydetmek için kullanılmaktadır.
Folder Path: Görüntülerin kaydedileceği dosya yolu
File Name: Kaydedilecek görüntüler için dosya adı
Write Condition: Görüntülerin kaydedilmesi için gerekli şart; TRUE değer girildi olarak verildiği zaman
görüntü kaydedilecektir.
Input Image: Kaydedilecek olan görüntüler
4. Görüntü İşleme Fonksiyon Blokları
4.1. 2D Filter
43
2D Filter fonksiyon bloğu, görüntü girdisinin üzerinde filtreleme işlemleri yapmak için kullanılmaktadır.
Çıktı olarak filtrelenmiş görüntüyü vermektedir. Farklı filtre fonksiyonları kullanılabilmektedir. Bunlar;
4.1.1. Emboss
Emboss filtre fonksiyonu, giriş olarak aldığı görüntüyü kabartmalı görüntüye dönüştürmektedir.
Temelde her piksel gölge veya vurgu ile değiştirilmektedir. Düz özelliği bulunmayan bölgeleri gri,
kontrast bulunan bölgeleri ise kabartmanın yönüne göre beyaz piksel(vurgu) veya koyu piksel (gölge)
yaparak filtreleme işlemini gerçekleştirmektedir.
4.1.2. Contour
Contour filtre fonksiyonu, aynı renk veya yoğunluğa sahip tüm sürekli noktaları birleştiren bir eğri
oluşturmaktadır. Şekil analizi veya nesne algılama ve tanıma için kullanılabilmektedir.
4.1.3. Sharpen
Sharpen filtre fonksiyonu, girdi olarak verilen görüntüyü keskinleştirme işlemi yaparak çıktı
vermektedir. Görüntü üzerindeki kenarları geliştirmek, keskinleştirmek için kullanılabilmektedir.
4.1.4. Edge detection
Edge detection fonksiyonu, girdi olarak verilen görüntü üzerindeki keskin hatları, kenarları bulmak için
kullanılmaktadır.
4.1.5. Laplacian
Laplacian fonksiyonu, kenar algılama algoritmasıdır. Görüntü üzerindeki piksel değerlerinin ikinci
mertebeden türevlerini alarak kenar tespiti yapmak için kullanılmaktadır.
4.1.6. Sobel
Sobel fonksiyonu, kenar algılama algoritmasıdır. Görüntü üzerinde birinci dereceden türeve dayalı
gradyan tabanlı bir yöntemdir. Gradyanlar her eksen için ayrı olarak hesaplanabilmektedir.
4.2. AI Model
44
AI Model bloğu, daha önceden eğitilmiş derin öğrenme modellerinin kaydedilmiş ağırlıklarını tekrar
yükleyerek görüntüler üzerinde test etmek için kullanılmaktadır.
4.3. Apply Mask
Girdi olarak verilen görüntü bir maske eklemek için kullanılmaktadır. Çıktı olarak maskelenmiş görüntü
vermektedir.
4.4. Approximate Contour
Girdi olarak görüntü ve aynı görüntüde bulunan konturlar verilmektedir.
Epsilon değeri: Çizilen konturun yay uzunluğuna oranıyla oluşturulacak eğriyi belirlemek için
kullanılmaktadır. Epsilon değeri ne kadar yüksek olursa iki nokta arasındaki eğri o kadar azaltılarak düz
bir çizgi haline gelmeye başlamaktadır.
Çıktı olarak;
- Konturları çizili görüntü

- Kontur noktalarının piksel değerlerini
- Konturun merkez noktasının görüntü üzerindeki koordinatını
- Konturun çevresini
- Köşe nokta sayısını
Vermektedir.
4.5. Barcode Reader
Girdi olarak verilen görüntülerdeki barkodu tespit ederek çıktı olarak;

45
- Barkod işaretlenmiş görüntü
- Barkodun tipi
- Barkodun değerini
Vermektedir.
4.6. Bilateral Filter
Girdi olarak verilen görüntülerdeki gürültüyü azaltmak ve görüntüyü yumuşatmak için kullanılmaktadır.
Görüntüye yumuşatma yapılırken kenar noktaları koruyabilmek için bilateral(ikili) filtreleme
kullanılabilir. Çıktı olarak filtrelenmiş görüntü verilmektedir.
Kernel size: Filtreleme işlemi yapılırken kullanılacak çekirdeğin boyutu
Sigma Value: Filtreleme işlemi yapılırken kullanılan sigma değeri
4.7. Blob Detector
Girdi olarak verilen görüntü üzerindeki bazı ortak özellikleri paylaşan pikseller grubudur. Blob
detector’ün amacı bu bölgeleri belirlemek ve tespit etmektir.
Fonksiyon bloğu üzerindeki değişkenler;
- Min threshold: En düşük eşik değeri
46
- Max threshold: En yüksek eşik değeri
- Min area: Blobları boyuta göre filtrelemek için seçilecek en küçük alan değeri
- Min circularity: Bulunacak blobların bir daireye ne kadar yakın olduğunun oranıdır. Daireselliğe
göre filtreleme yapmaktadır.
- Min inertia ratio: Bir şeklin uzunluğunun ne kadar olduğunu ölçer. 0 ile 1 arasında değer
almaktadır.
4.8. Blur
Girdi olarak verilen görüntü üzerinde bir çekirdek filtre gezdirerek görüntüyü bulanıklaştırmak için
kullanılır. Görüntülerde bulunan gürültüleri gidermek için kullanılabilir.
Kernel size: Görüntü üzerinde gezdirilecek filtrenin boyutudur.
4.8.1. Average Blur
Çekirdek filtre alanı altındaki tüm piksellerin ortalamasını alır ve merkezdeki değeri bu ortalamayla
değiştirir.
4.8.2. Gausssian Blur
Eşit filtre katsayılarından oluşan kutu filtre yerine bir gauss çekirdeği kullanılmaktadır.
4.8.3. Median Blur
Çekirdek filtre alanı altındaki tüm piksellerin medyanını hesaplar ve merkezdeki piksel değerini bu
medyan değeri ile değiştirir.
47
4.9. Choose Line
Girdi olarak görüntü ve aynı görüntüde bulunan konturlar verilmektedir. Choose a Line bölümünden
seçilen çizgi hattının;
- Konturların çizili olduğu görüntü

- Uzunluğu
- Başlangıç noktası
- Bitiş noktası
- Oluşturduğu açı
Çıktı olarak alınabilmektedir.
4.10. Circle Detector
Girdi olarak verilen görüntü üzerindeki daire veya dairesellikleri tespit etmek için kullanılmaktadır.
- Parameter_1 ve Parameter_2 dairesellik oranını ayarlamak için kullanılan parametrelerdir.

- MinRadius ve MaxRadius parametreleri dairenin yarıçap uzunluğunun aralığını belirlemek için
kullanılır.
Çıktı olarak dairelerin tespit edilip çizildiği görüntüyü ve tespit edilen daire sayısını vermektedir.
48
4.11. Color Density Percentage
Girdi olarak verilen görüntü üzerindeki RGB renk yüzdelerini çıktı olarak vermektedir.
4.12. Color Space
Renk uzayları arasında değişiklik yaparak girdi olarak verilen görüntüyü farklı bir renk uzayına
dönüştürerek yeni görüntü olarak vermektedir.
Renk uzayları;
BGR  Gray BGR  HSV Gray  BGR
BGR  RGB BGR  LAB Gray  RGB
BGR  RGBA BGR  LUV
BGR  BGRA BGR  YcrCb
49
4.13. Contrast-Brightness-Gamma
Girdi olarak verilen görüntüdeki kontrast, parlaklık ve gamma değerlerinde değişiklik yaparak yeni
görüntü olarak çıktı vermektedir.
4.14. Corner Detector
Girdi olarak verilen görüntüler üzerindeki köşe noktaları tespit etmek için kullanılacak yöntemleri
içermektedir.
Threshold değeri: Köşe noktalar tespit edilirken kullanılmak üzere ayarlanan eşik değeri
Detector Type:
- Harris Corner: Köşelerin görüntüdeki tüm yönlerde büyük yoğunluk farklılıkları olan bölgelerde
olduğunu tespit ederek matematiksel formül ile köşe tespiti yapmak için kullanılmaktadır.
- SHI-Thomas Corner: Köşeler, her yönde önemli bir değişiklik arayarak tespit edilmektedir. Tüm
görüntü üzerinde bir filtre gezdirerek görüntüde büyük değişiklik yapan yerleri köşe olarak
nitelendirmiştir.
50
4.15. Denoising
Girdi olarak aldığı gri veya renkli görüntü üzerindeki gürültüleri engelleyerek yumuşatma yapmaktadır.
4.16. Distance Transformation
Girdi olarak verilen görüntü üzerindeki her bir pikselin değeri en yakın arka plan pikseline olan
uzaklığıyla değiştirilerek yeni görüntü çıktı olarak verilmektedir. Mesafe formülü değişen 3 farklı
değişkeni bulunmaktadır.
4.17. Draw Hull Convex
Girdi olarak verilen görüntü ve o görüntüdeki konturlar ile bir şeklin uç noktalarını takip ederek convex
bir gövde çizdirmektedir.
Convex gövdelerin çizildiği görüntü, konturlar, convex yapının merkezi ve alanı çıktı olarak
verilmektedir.
51
4.18. Draw Line
Girdi olarak verilen görüntüye çizgi çizmek için kullanılmaktadır. Yeni görüntü, çizgilerin koordinatları
ve dönme bilgisi çıktı olarak alınmaktadır.
4.19. Draw Point
Girdi olarak verilen görüntü üzerinde yine girdi olarak verilen koordinat noktalarını görüntü üzerinde
işaretlemek için kullanılmaktadır.
4.20. Edge Filter
Girdi olarak verilen görüntü üzerindeki kenarları bulmak için kullanılan algoritmadır. Filter
coefficient(Filtre kaysayısı) ayarı ile eşik değer değiştirilerek bulunacak kenarlar filtrelenir.
52
4.21. Find Contour
Girdi olarak verilen görüntü üzerindeki aynı renk veya yoğunluğa sahip tüm sürekli noktaları birleştiren
bir eğri oluşturmaktadır.
- Filter Coefficient: Filtre katsayısı sürekli noktalar için bir eşik değeri
- Minimum Contour Length: En küçük kontur uzunluğu
- Minimum Area: Konturlar ile oluşturulan en küçük alan değeri ile bulunan kontur alanlarını
filtrelemeye olanak tanır.
- Select Contour Object: Bulunan kontur objeleri arasında geçiş yapmaya olanak tanır.
Çıktı olarak;
- Konturları
- Konturlar ile çizilmiş görüntü
- Konturlar ile çevrelenmiş nesnenin pozisyonunu
- Konturlar ile çevrelenmiş nesnenin rotasyonunu
- Konturlar ile çevrelenmiş nesnenin alanını
- Konturlar ile çevrelenmiş nesne sayısını
Vermektedir.
53
4.22. Find Object
Girdi olarak ana görüntü ve bu görüntü içerisinde bulunması istenen objenin görüntüsü verilmelidir.
Çıktı olarak;
- Bulunan nesnelerin işaretlendiği görüntü

- Bulunan nesnelerin görüntü üzerindeki pozisyonları
- Bulunan nesne sayısı
Verilmektedir.
4.23. Find Object – Multiple Image
Girdi olarak ana görüntü ve bu görüntü içerisinde bulunması istenen objenin görüntüsü verilmelidir.
Görüntüyü yatay ve dikey eksenlerde parçalara bölerek çoklu görüntüde istenilen nesneyi
aramaktadır.
Çıktı olarak;
- Bulunan nesnelerin işaretlendiği görüntü

- Görüntünün kaç parçaya bölündüğünü sayı olarak vermektedir.
- Yatay ve dikey eksende verilen değerlere görüntünün tam olarak bölünebildiğini TRUE veya
FALSE olarak çıktı vermektedir.
54
4.24. Find Shape
Girdi olarak verilen görüntü ve konturları ile görüntü üzerindeki köşe noktaları tespit etmek için
kullanılmaktadır. Çıktı olarak köşe noktalarının sayısını vermektedir.
4.25. FloodFill Algorthm
Flood Fill algoritması, bağlı alanı belirli bir renkle doldurma ve bağlı piksellerin farklı alt ve üst sınırlarını
ayarlamak için kullanılmaktadır. Genellikle görüntünün bir bölümünü daha fazla işleme veya analiz için
kullanılmaktadır.
4.26. Grab Cut Algorthm
Girdi olarak verilen görüntü ile görüntü üzerindeki hangi alanın ön plan olarak tanımlanacağı da mask
veya ROI olarak verilmelidir. Grab Cut algoritması, görüntü üzerindeki ön planı arka plandan ayırmak
için kullanılmaktadır.
55
4.27. Harris Corner Filter
Girdi olarak verilen görüntü üzerindeki köşeleri bulmak için kullanılmaktadır. Harris Corner filtresi,
köşelerin görüntüdeki tüm yönlerde büyük yoğunluk farklılıkları olan bölgelerde olduğunu tespit
ederek matematiksel formül ile köşe tespiti yapmak için kullanılmaktadır.
4.28. Image Adaptive Threshold
Görüntülerin farklı alanlarda farklı aydınlatma koşullarına sahip olmalarından dolayı adaptive threshold
kullanılmaktadır. Adaptive threshold algoritması, görüntü üzerindeki küçük bölgeler için eşik değerini
hesaplar ve aynı görüntü üzerinde farklı noktalar için farklı eşik değerleri elde eder.
Mean: Belirlenen bölgelerin ortalamasına göre eşik değeri hesaplanır.
Gaussian: Belirlenen bölgelerin ağırlıklı toplamına göre eşik değeri hesaplanır.
Threshold Value: En yüksek eşik değeri ayarlanmaktadır.
Kernel size: Görüntü üzerindeki farklı eşik değerleri hesaplanacak bölge boyutu
56
4.29. Image Memory
4.30. Image Resizer
Girdi olarak verilen görüntüyü yeniden boyutlandırmak için kullanılmaktadır. Ölçek yüzdesine göre
görüntü yeniden boyutlandırılarak çıktı olarak verilmektedir.
4.31. Image ROI
Girdi olarak verilen görüntü üzerinde girilen koordinatlar doğrultusunda bir alan belirlenir. Çıktı olarak
belirlenen alanın görüntüsü ve koordinatları verilmektedir.
57
4.32. Image ROI Polygon
Girdi olarak verilen görüntü üzerinde çizeceğiniz bir alan ve o alanın koordinatları çıktı olarak
verilmektedir.
4.33. Image ROI Select
Girdi olarak verilen görüntü üzerinde dikdörtgen bir çerçeve yardımıyla seçilen alan ve o alanın
koordinatları çıktı olarak verilmektedir.
4.34. Image Threshold
58
Girdi olarak verilen görüntüdeki piksel değerleri seçilen eşik değerinden büyükse beyaz, küçük ise siyah
olarak değer atanabilir.
4.35. Invert Image
Girdi olarak verilen görüntüdeki piksel değerlerini ters çevirerek çıktı olarak vermektedir.
4.36. Line Detector
Görüntü üzerindeki çizgi tespiti için kullanılır. Çizginin fiziksel özellikleri outputlar ile alınabilir.
59
4.37. Load AI Model
Geliştirmiş olduğunuz yapay zeka modellerini kullanabilmenizi sağlar. Görüntüyü alarak mevcut
nesnenin hangi çıkışa ait olduğunu belirtir.
4.38. Match Shapes
4.39. Mean Shift Filtering
Mean shift filtering, videonun her bir örneğinin o karedeki piksel dağılımı biçiminde kontrol edilmesidir.
Bir videonun içerisindeki belirli bir nesneyi takip etmek için kullanılan bir yöntemdir.
4.40. Measure Distance
60
Girdi olarak verilen ana görüntünün yanında ana görüntü içerisindeki iki objenin görüntüsü de verilerek
aralarındaki mesafeyi bulmak için kullanılmaktadır.
Define measure factor: Görüntü üzerindeki ölçüm pikseller ile yapılmaktadır. Buraya girilecek katsayı
değeri ile gerçek ölçüm değerini elde etmek için kullanılmaktadır.
4.41. Minimum Circle
Girdi olarak verilen görüntü ve görüntü üzerindeki konturlar ile konturları çevreleyen minimum çember
bulunmaktadır.
Çıktı olarak;
- Çember çizilmiş yeni görüntü

- Çemberin orta noktası
- Çemberin yarıçapı
Verilmektedir.
4.42. Minimum Ellipse
Girdi olarak verilen görüntü ve görüntü üzerindeki konturlar ile konturları çevreleyen minimum elips
bulunmaktadır.
Çıktı olarak;
- Elips çizilmiş yeni görüntü

- Elipsin orta noktası
- Elipsin yarıçapları
- Elipsin açısı
Verilmektedir.
61
4.43. Minimum Rectangle
Girdi olarak verilen görüntü ve görüntü üzerindeki konturlar ile konturları çevreleyen minimum
dikdörtgen bulunmaktadır.
Çıktı olarak;
- Dikdörtgen çizilmiş yeni görüntü,

- Dikdörtgenin orta noktası
- Yüksekliği ve genişliği
Verilmektedir.
4.44. Minimum Rotated Rectangle
Girdi olarak verilen görüntü ve görüntü üzerindeki konturlar ile konturları çevreleyen minimum açıyla
dikdörtgen bulunmaktadır.
Çıktı olarak;
- Dikdörtgen çizilmiş yeni görüntü

- Dikdörtgenin orta noktası
- Yüksekliği, genişliği ve dönme açısı
Verilmektedir.
62
4.45. Morphological Transformations
Morfolojik dönüşümler, görüntü şekline dayalı basit işlemlerdir. İki girdi vardır birincisi orijinal resim,
ikincisi yapılandırma öğesidir.
İkili görüntülerde her zaman ön planı beyaz olarak alınız.
Kernel size: Yapılacak olan morfolojik işlemin çekirdek filtre boyutudur.
İteration: Uygulanacak morfolojik işlemin arka arkaya kaç kez tekrarlanacağıdır.
4.45.1. Erode
Ön plandaki nesnenin sınırlarını aşındırır. Orijinal görüntüdeki bir piksel, yalnızca çekirdeğin altındaki
tüm pikseller 1 ise 1 olarak kabul edilecektir, aksi takdirde aşınır (Sıfır yapılır).
4.45.2. Dilate
Erode’ un tam tersidir. İkili görüntüdeki beyaz bölgeyi arttırır veya ön plandaki nesnenin boyutu artar.
Gürültü giderme gibi durumlarda erode dan sonra kullanılır.
4.45.3. Open
Erode’un ardından dilate uygulanır. Gürültünün giderilmesinde faydalıdır.
4.45.4. Close
Open’in tersidir. Dilate’in ardından erode uygulanır. Ön plandaki nesnelerin içindeki gürültüleri
kapatmak için kullanılır.
4.45.5. Gradient
Bir görüntünün dilate ve erode’ u arasındaki farktır. Sonuç nesnenin ana hatları gibi görünecektir.
63
4.45.6. Tophat
Girdi görüntüsü ile open arasındaki farktır.
4.45.7. Blackhat
Gidi görüntüsü ile close arasındaki farktır.
4.45.8. Hitmiss
İkili görüntülerde örüntüleri bulmak için kullanılmaktadır.
4.46. Normalize Image
Girdi olarak verilen görüntünün piksel yoğunluğu değerlerinin aralığını değiştiren bir işlemdir.
Görüntüdeki verilerin parazitini gidermek için kullanılmaktadır. Yüksek frekanslı gürültüyü ve çok düşük
frekanslı gürültüyü görüntüden kaldırmaktadır.
4.47. Perspective Transform
Girdi olarak verilen görüntü üzerinden 4 adet referans noktası seçerek seçilmiş olan alanın kuş bakışı
görüntüsünü ve görüntü matrisini çıktı olarak almak için kullanılmaktadır.
64
4.48. Point Polygon Test
Girdi olarak verilen görüntüdeki bir nokta ile kontur arasındaki en kısa mesafeyi bulur. Nokta kontur
dışındayken negatif, nokta kontur içindeyken pozitif ve nokta kontur üzerindeyken sıfır olarak
mesafeyi verir.
Giriş değerleri;
- Görüntü
- Test Shape ve Enclosing Shape: Görüntü üzerindeki farklı kontur değerleri
4.49. RGB Mask
Girdi olarak verilen görüntüde RGB(Red-Green-Blue) renk uzayını kullanarak maskeleme işlemi yapmak
için kullanılmaktadır.
4.50. Rotate Image
Girdi olarak verilen görüntüye; sağ ve sola 90 derece, 180 derece, x ve y ekseninde döndürme işlemi
uygulamak için kullanılmaktadır.
65
4.51. Rotate Image Angle
Girdi olarak verilen görüntüyü istenilen açıda döndürmek için kullanılmaktadır.
4.52. Slice Image
Görüntüyü verilen değerler ile parçalara bölmektedir.
Giriş olarak;
- Input Image: Giriş görüntüsü

- Horizontal Slice Amount: Görüntüyü yatay olarak bölme miktarı, sayı olarak girdi alıyor
- Vertical Slice Amount: Görüntüyü dikey olarak bölme miktarı, sayı olarak girdi alıyor
Çıktı olarak;
- Output Main Image: Parçalara bölünmüş ana görüntü

- Sliced Images: Parçalara bölünmüş görüntülerin tümü
- Sliced Coordinates: Parçaların koordinatları
4.53. Sobel Filter
Sobel fonksiyonu, kenar algılama algoritmasıdır. Görüntü üzerinde birinci dereceden türeve dayalı
gradyan tabanlı bir yöntemdir. Gradyanlar her eksen için ayrı olarak hesaplanabilmektedir.
66
4.54. Structural Similarity
Girdi olarak verilen iki renkli görüntüdeki benzerlikleri karşılaştırarak çıktı olarak benzerlik yüzdesini
vermektedir.
4.55. Watershed Algorithm
Gri tonlamalı bir görüntüyü topografik bir yüzey olarak düşünürsek yüksek yoğunluklu bölgeler
zirveleri ve tepeleri temsil ederken, düşük yoğunluklu bölgeler vadileri temsil etmektedir. Ön plan ve
arka plan görüntüleri ile vadiler arasında engeller oluşturulmaktadır. İzole edilen her vadi yani yerel
minimum noktaları suyla doldurulmaya başlanır. Tüm zirveler su altında kalana kadar doldurma
işlemine devam edilir. Oluşturulan engeller segmantasyon sonucunu vermektedir.
4.56. Wavelet Transforms
Wavelet Transform (Dalgacık Dönüşümü), dalgacık adı verilen ve her biri birbirinden farklı bir ölçeğe
sahip bir dizi işlev kullanır. Girdi olarak verilen görüntü üzerinde sinyal domaininde çalışır ve her bir
sinyale dalgacık dönüşümü uygulayarak bir çıktı vermektedir. Farklı dalgacık dönüşümleri mevcuttur.
Her dalgacık türü farklı bir şekle, pürüzsüzlüğe ve kompaktlığa sahiptir ve farklı bir amaç için
kullanışlıdır.
67
4.57. Write Date On Image
Girdi olarak verilen görüntüye; istenilen yazı boyutu ve koordinatlarda tarih eklemek için
kullanılmaktadır.
4.58. Write Text On Image
Girdi olarak verilen görüntüye; istenilen yazı boyutu ve koordinatlarda girdi olarak verilecek yazıyı
eklemek için kullanılmaktadır.
5. Derin Öğrenme Model Blokları
5.1. AI Model Elements
5.1.1. Average Pooling 2D
68
Average pooling katmanı; verilerin boyutunu, parametre sayısını, gerekli hesaplama miktarını azaltır
ve aşırı uyumu kontrol eder. Bir görüntünün boyutunu küçültmeye benzerdir.
Bu fonksiyon bloğu, girişinden daha küçük bir tensor üretir. Daha sonra gelecek blokların daha az
parametre ve hesaplama miktarına ihtiyaç duyması anlamına gelir. Uygulanan filtrenin kapsadığı
pikseller arasında ortalama değer belirleyerek yeni oluşturulan matriste piksel değeri olarak
kullanmaktadır.
Pooling size: Havuzlama yapılacak filtre boyutudur.
Stride: Filtre uygulanırken atlanacak adım(piksel) sayısıdır.
5.1.2. Batch Normalization
Batch normalization fonksiyon bloğu, her bir mini grup için girdileri bir katmana standartlaştıran çok
derin sinir ağlarını eğitmek için bir tekniktir. Öğrenme sürecini stabilize etme ve derin ağları eğitmek
için gereken train epoch sayısını önemli ölçüde azaltmaktadır.
5.1.3. Choose Folder 2D
Dataset(Veriseti) klasörünü seçmek ve içe aktarmak için kullanılmaktadır. İçe aktarılacak görüntüler
gri veya renkli olarak ayarlanabilmektedir.
5.1.4. Compile Model
Derin öğrenme modeli hazır olduğunda, öğrenme sürecini yapılandırmak için kullanılmaktadır.
69
Giriş değerleri;
- Layer: Eğitim sırasında kullanılacak katmanlar için giriş

- Optimizer: Kullanılacak optimizer için giriş
- Loss Fonction: Eğitim ve test sırasında model tarafından kayıpların listelenmesi için kullanılacak
kayıp fonksiyonu girişi
- Metrics: Eğitim ve test sırasında model tarafından ölçümlerin doğruluk oranının listeleneceği
metrics fonksiyonu
- Training Params: Modelin eğitimi için gerekli parametrelerin verileceği giriş
5.1.5. Convolutional Layer 2D
Convolutional layer bloğu, derin öğrenme katmanlarından birisidir. Bir görüntünün özelliklerini
algılamaktan sorumludur. Görüntüdeki düşük ve yüksek seviyeli özellikleri çıkarmak için görüntüye
filtreler uygulamaktadır.
Bu filtreler genellikle çok boyutludur. Derinliği, genişliği ve yüksekliği vardır. Görüntünün 3 kanalı
olduğu için, evrişimli çekirdeğin de 3 kanala sahip olması gerekir. Yani 5x5 lik bir filtre ile evrişim işlemi
yapılmaya çalışıldığında bu filtre görüntünün sadece genişliğini ve yüksekliğini alır. Tam bir evrişim
işleminde aslında 5x5x3 yani her bir kanal için aynı anda evrişim işlemi yapılmaktadır.
Filter: Görüntüye uygulanacak filtre sayısını belirtir.
Kernel size: Filtre boyutunu belirtir.
Activation Function: Evrişim işleminden sonra uygulanacak aktivasyon fonksiyonunu belirtir.
70
5.1.6. Convolutional Sep. Layer 2D
Deptwise Seperable Convolution(Derinlemesine ayrılabilen evrişimler)’ de denir. Derinliği

değiştirmeden girdi görüntüsüne bir evrişim verilir. Bu işlem 5x5x1 şeklinde 3 filtre kullanılarak
yapılıyor. Daha sonra evrişim işlemi uygulanmış görüntüler bir araya getirilerek 5x5x3 boyutunda bir
görüntü oluşturuluyor.
5.1.7. Convolutional Trans. Layer 2D
Pointwise Transformed Convolution(Noktasal Dönüştürülmüş Evrişim)’ de denir. 1x1 filtre veya her
noktadan yenilenen bir filtre kullandığı için bu şekilde adlandırılmıştır. Bu filtre, giriş görüntüsünün
sahip olduğu birçok kanalın derinliğine sahiptir. 5x5x1 görüntü elde etmek için 5x5x3 görüntü
üzerinden 1x1x3 filtre yineleniyor.
71
5.1.8. Dropout Layer
Dropout layer, eğitim sırasında aşırı öğrenmeyi(overfitting) engellemek için bazı nöronları unutmak için
kullanılmaktadır.
Dropout Rate: Unutulacak Nöron yüzdesini ayarlamaya olanak tanır.
5.1.9. Flatten Layer 2D
Genel olarak sinir ağları, giriş verilerini tek boyutlu dizi olarak almaktadır. Flatten katmanındaki veriler
ise Convolutional ve Pooling katmanlarından gelen matrixlerin tek boyutlu diziye çevrilmiş halidir.
5.1.10. Fully Connected
Fully Connected katmanı, derin öğrenme sinir ağının son katmanıdır. Flatten Layer’dan gelen verileri
alır ve sinir ağı yoluyla öğrenme işlemini gerçekleştirir. Sınıflamada kullanılan etiket değerleri için
olasılıkları verir.
Output size: Son katmanda kullanılacak katman sayısını belirtir.
Activation Function: Son katman olan Fully Connected’ da sınıflandırmayı yapacak olan aktivasyon
fonksiyonu seçilir.
72
5.1.11. Global Average Pooling 2D
Global Average Pooling katmanı, önceki katmandaki her özellik haritasının ortalama çıktısını
hesaplayan bir işlemdir. Bu işlem verileri önemli ölçüde azaltır ve modeli son sınıflandırma katmanı için
hazırlar. Herhangi bir parametre girdisine ihtiyaç yoktur.
5.1.12. Global Max Pooling 2D
Global Max Pooling katmanı, önceki katmandaki her özellik haritasının maksimum çıktısını hesaplayan
bir işlemdir. Bu işlem verileri önemli ölçüde azaltır ve modeli son sınıflandırma katmanı için hazırlar.
Herhangi bir parametre girdisine ihtiyaç yoktur.
5.1.13. Input Layer 2D
Derin öğrenme modeline giriş verisinin verildiği fonksiyon bloğudur.
Input Size: Giriş verisinin boyutunu ayarlamaya olanak sağlar.
5.1.14. Loss CCE
Categorical Cross Entropy Loss(Kategorik Çapraz Entropi Kaybı), Softmax aktivasyonu artı bir Cross
Entropy Loss içermektedir. Her bir görüntüyü sınıflayarak kayıp hesabı yapar. Çok sınıflı sınıflandırma
için kullanılmaktadır. Sınıflar vektörel kodlanmıştır. Örneğin; üç sınıflı bir sınıflandırma için: [1,0,0],
[0,1,0], [0,0,1]
73
5.1.15. Loss SCCE
Sparse Categorical Cross Entropy Loss(Seyrek Kategorik Çapraz Entropi kaybı), her bir görüntüyü
sınıflayarak kayıp hesabı yapar. Çok sınıflı sınıflandırma için kullanılmaktadır. Seyrek entropi kaybını
kullanmanın avantajı bellekte ve hesaplamada zaman tasarrufu sağlamasıdır. Çünkü bir sınıf için vektör
yerine tam sayı kullanmaktadır. Örneğin; üç sınıflı bir sınıflandırma için: [1], [2], [3]
5.1.16. Max Pooling 2D
Max Pooling katmanı verilerin boyutunu, parametre sayısını, gerekli hesaplama miktarını azaltır ve aşırı
uyumu kontrol eder. Bir görüntünün boyutunu küçültmeye benzerdir.
Bu fonksiyon bloğu, girişinden daha küçük bir tensor üretir. Daha sonra gelecek blokların daha az
parametre ve hesaplama miktarına ihtiyaç duyması anlamına gelir. Uygulanan filtrenin kapsadığı
pikseller arasında maksimum değeri belirleyerek yeni oluşturulan matriste piksel değeri olarak
kullanmaktadır.
Pooling size: Havuzlama yapılacak filtre boyutudur.
Stride: Filtre uygulanırken atlanacak adım(piksel) sayısıdır.
5.1.17. Metrics Accuracy
Accuracy bir modelin başarısını ölçmek için çok kullanılan ancak tek başına yeterli olmadığı görülen
metriktir. Accuracy değeri modelde doğru tahmin edilen alanların toplam veri kümesine oranı ile
hesaplanmaktadır.
74
5.1.18. Optimizer AdaGrad
AdaGrad seyrek parametreler için büyük güncellemeler yaparken sık parametreler için daha küçük
güncellemeler yapar. Bu nedenle NLP ve resim tanıma gibi seyrek veriler için daha uygundur.
AdaGrad’ın en büyük dezavantajı, her parametrenin kendi öğrenme hızı vardır ve algoritmanın
özelliklerine bağlı olarak öğrenme oranı giderek azalmaktadır. Bu nedenle zamanın bir noktasında
sistem öğrenmeyi bırakır.
Learning rate: Öğrenme hızıdır. Ağırlıkların güncellendiği oran (ör. 0.001). Daha büyük değerler daha
hızlı öğrenmeyi sağlar (ör. 0.3). Daha küçük değerler eğitim sırasında öğrenmeyi yavaşlatır (ör. 1e-5).
Initial Accumulator: Akümülatör için başlangıç değeridir. Negatif olmamalıdır.
Epsilon: Optimizer işlemi uygulanırken herhangi bir sıfıra bölünme işlemini önlemek için kullanılan çok
küçük bir sayıdır.
5.1.19. Optimizer Adadelta
AdaDelta, AdaGrad’ın bir uzantısıdır. AdaGrad’da bulunan dezavantajı çözerek öğrenme oranındaki
hızlı düşüşü önlemektedir.
rho: Birinci ve ikinci dereceden momentlerin üstel bozulma oranı
75
5.1.20. Optimizer RMSprop
RMSprop, agresif ve monoton bir şekilde azalan öğrenme oranını düşürmek amacıyla AdaGrad
yöntemini çok basit bir şekilde ayarlar.
Rho: Geçmiş/gelecek gradyan için indirgeme faktörü
Momentum: Momentum faktörü
Centered: Boolean değer alır. Eğer TRUE ise gradyan varyansı tahminiyle normalleştirilir.
5.1.21. Optimizer Adam
Adam veya adaptif momentum AdaDelta’ya benzer bir algoritmadır. AdaDelta’dan farklı olarak
parametrelerin her birinin öğrenme oranlarının yanı sıra momentum değişikliklerini de
önbellekte(cache) saklar; yani RMSprop ve momentumu birleştirir.
76
Beta 1: İlk an tahminleri için üstel azalma oranı
Beta 2: İkinci an tahminleri için üstel azalma oranı
AMSGrad: Bu algoritmanın AMSGrad varyantının kullanılıp kullanılmayacağı seçilir. Boolean değer alır.
5.1.22. Optimizer Adamax
Adamax, sonsuzluk normuna dayanan bir Adam çeşididir.
77
5.1.23. Optimizer Nadam
Nadam, Adam ve NAG yöntemlerinin birleşiminden oluşmaktadır.
5.1.24. Optimizer FTRL
Learning rate: Öğrenme hızıdır. Ağırlıkların güncellendiği oran (0.001). Daha büyük değerler daha hızlı
öğrenmeyi sağlar (0.3). Daha küçük değerler eğitim sırasında öğrenmeyi yavaşlatır(1e-5).
Learning rate Power:
Initial Accumulator Value:
L1 Regularization:
78
L2 Regularization:
L2 Regularization Shrinkage:
5.1.25. Optimizer SGD
Derin öğrenme modellerinde genelde varsayılan olarak kullanılan optimizasyon algoritması Stochastic
Gradient Descent(SGD)’dir.
SGD algoritmasında, tüm eğitim verisi yerine bir eğitim örneği üzerinden hesaplama yapılmaktadır.
Böylelikle oluşabilecek hafıza yetersizliği problemlerinin de önüne geçilmiş olur. Bununla birlikte SGD
algoritması adaptif algoritmalara göre daha yavaş çalışmaktadır.
Learning rate: Öğrenme hızıdır. Ağırlıkların güncellendiği oran (0.001). Daha büyük değerler daha hızlı
öğrenmeyi sağlar (0.3). Daha küçük değerler eğitim sırasında öğrenmeyi yavaşlatır(1e-5).
Momentum: Momentum faktörü
Nesterov Momentum: Nesterov momentumunu etkinleştirir.
5.1.26. ReLU Layer
Rectified Linear Unit(ReLU) bir aktivasyon fonksiyonudur. Sıfır ile sonsuz aralıkta değer almaktadır.
Negatif eksende sıfır değerini alması ağın daha hızlı çalışmasını sağlamaktadır. Çok katmanlı ağlarda
tercih edilmektedir.
Maximum Value: Doygunluk eşiği fonksiyonun döndüreceği en büyük değer.
Negative Side Slope: Eşikten düşük değerler için eğim
79
Activation Threshold: Eşiğin altındaki değerlerin sönümleneceği veya sıfıra ayarlanacağı aktivasyon
fonksiyonunun eşik değeridir.
5.1.27. Softmax Layer
Softmax fonksiyonu, derin öğrenme modellerinin çıkış katmanında sınıflayıcı olarak tercih
edilmektedir. Girdinin belirli sınıfa ait olma olasılığını 0-1 aralığında değerler üreterek belirlenmesini
sağlamaktadır. Yani olasılıksal bir yorumlama gerçekleştirir.
Axis: Softmax normalleştirmesinin uygulandığı eksen
5.1.28. Training Parameters
Training Parameters(Eğitim parametreleri);
Batch size: Parametre güncellemesinin gerçekleştiği ağa verilen alt örneklerin sayısıdır.
Epochs: Döngü sayısı, eğitim sırasında tüm eğitim verilerinin ağa gösterilme sayısıdır.
5.2. AI Applications
5.2.1. Face Detection
80
Face Detection bloğu, girdi olarak verilen görüntüler üzerindeki insan yüzünü algılamak için ProcessEye
Studio ile eğitilmiş bir derin öğrenme modülünü içermektedir.
Çıktı olarak tespit edilen yüzlerin işaretlendiği görüntü ve tespit edilen yüz sayısını vermektedir.
5.2.2. Human Detection HOG
5.2.3. Mask Detection
Mask Detection bloğu, girdi olarak verilen görüntülerdeki insanların medikal maskeleri kullanıp
kullanmadığını ya da yanlış kullandığını tespit etmek için ProcessEye Studio ile eğitilmiş derin öğrenme
modelini içermektedir.
Çıktı olarak,
- Doğru kullanılan maske sayısını

- Yanlış kullanılan maske sayısını
- Maske olmayan kişi sayısını vermektedir.
5.2.4. Mood Detection
81
5.2.5. Object Detection
Object Detection, görüntü veya kameradaki nesneleri tespit ederek tanımlamak için eğitilmiş bir derin
öğrenme modelidir. ProcessEye Studio içerisinde eğitilmiş bir model bloğu bulunmaktadır.
Select Detection Class: Tüm nesnelerin, İnsanların, hayvanların, iç mekan ve dış mekan olmak üzere
farklı kategorilerde nesne tespiti yapmaya olanak tanır.
Çıktı olarak;
- Nesnelerin tespit edilerek işaretlendiği ve tespit edilen kategorisinin yazıldığı görüntü

- Tespit edilen nesne sayısını
- Tespit edilen nesnelerin görüntü üzerindeki konumlarını vermektedir.
82
5.2.6. Safety Equipment Detection
Safety Equipment(Güvenlik ekipmanı) Detection, iş sağlığı güvenliği kapsamında çalışırken kullanılması

gereken güvenlik ekipmanlarının, çalışan insanlar üzerinde bulunup bulunmadığını tespit etmek için
ProcessEye Studio kullanılarak eğitilmiş derin öğrenme modelidir.
Çıktı olarak;
- Görüntü üzerinde tespit edilen sınıfların işaretlendiği ve kategorilendirilen görüntü

- Görüntü üzerindeki tespit edilen güvenlik; kaskı, yeleği, gözlüğü ve eldiveni sayıları
- Görüntü üzerindeki tespit edilen güvenlik ekipmanlarını kullanmayan insan sayısı
83
Verilmektedir.
5.2.7. Social Distance Detector
84
Social Distance Detector bloğu, görüntüler üzerindeki insanların sosyal mesafe kuralını uygulayan ya
da ihlal eden olarak sınıflandırmak için ProcessEye Studio ile eğitilmiş derin öğrenme modelini
içermektedir.
Girdi olarak;
- Sosyal mesafe için denetlenecek kamera görüntüsü

- Kamera görüntünün perspektif matrisi
- Sosyal mesafenin eşik değeri girilmelidir.
Çıktı olarak;
- Sosyal mesafenin denetlendiği görüntü

- Tespit edilen insan sayısı
- Sosyal mesafeyi ihlal eden insan sayısı verilmektedir.
85
86
6. DESIGNER WINDOW
Studio içinde yer alan designer window bölümü kullanıcıların isteğe özel fonksiyon blokları
hazırlamasını sağlar. Pencere 4 ana bölümden oluşur.
87
1. Konfigurasyon bölümü
2. Fonksiyon blok özellikleri bölümü
3. Fonksiyon blok parametreleri ekleme bölümü
4. Fonksiyon blok kaynak kodu düzenleme bölümü
6.1. Konfigurasyon Bölümü
Konfigurasyon bölümünde designer penceresinde hali hazırda girilmiş bilgileri kaydetmeye ve

kaydedilen bilgilerin bulunduğu dosyayı designer penceresine yükleyen iki buton bulunmaktadır. Bu
butonlar yardımıyla girdiğiniz bilgileri sonradan tekrar kullanabilir, üzerinde değişiklik yapıp tekrar
kaydedebilirsiniz.
6.2. Fonksiyon Blok Özellikleri Bölümü
Blok özellikleri bölümünde oluşturulacak fonksiyon bloğunun ismi, genişliği ve yüksekliği

ayarlanabilmektedir.
6.3. Fonksiyon Blok Parametreleri Ekleme Bölümü
Blok parametreleri temel olarak input, output ve component olarak üç kısma ayrılmaktadır.
Her birinin kendine özel data tipleri bulunmaktadır.
88
Input-Output çeşitleri:
1) image_any
▪ tek kanal (gri) veya üç kanal (kırmızı, yeşil, mavi) farketmesizin genel fotoğraf datası
2) image_rgb
▪ üç kanal (kırmızı, yeşil, mavi) fotoğraf datası
3) image_gray
▪ tek kanal (gri) fotoğraf datası
4) integer
▪ tam sayı
5) number
▪ ondalık sayıların da kullanılabildiği genel sayı formatı
6) boolean
89
▪ 0(doğru) ve 1(yanlış)
7) string
▪ karakter dizisi (kelime veya kelimeler grubu)
8) generic
▪ bütün formatları kapsayan genel format
Component çeşitleri:
1) TextInput
▪ text parametresi olarak kullanılır.
2) Slider
▪ min ve max değeri belli değişken sayı parametresi olarak kullanılır.
3) DropDown
▪ liste şeklinde seçilebilir parametreler için kullanılır.
4) Label
▪ Herhangi bir değeri blok üzerinde görüntülemek için kullanılır.
5) CheckBox
▪ 0-1 (boolean) yapısındaki parametreler için kullanılır.
Componentlerin isimleri ve çeşitleri belirlendikten ( + ) ( - ) düğmeleri ile listeye ekleme

çıkarma yapılabilir, eklenen componentler liste içinde sürüklenerek sıralaması değiştirilebilir. Bu
listelerdeki componentlere göre bloklar oluşturulmaktadır.
Bütün parametreler belirlenip ilgili listelere eklenmesinden sonra “GENERATE BLOCK SCRIPT”
butonu ile blok kaynak kodu seçilen parametrelere göre oluşturulur ve kaynak kodu düzenleme
bölümüne yazılır.
90
6.4. Blok kaynak kodu düzenleme bölümü

Kullanıcı bu bölümde yaratılan kaynak kod üzerinden parametrelerin özellikleri, input
dataların üzerinde yapılacak işlemler ve output datalarının oluşturulması gibi bloğun ana çalışma
mantığını oluşturacak değişiklikleri yapabilmektedir.
Bu bölüm 3 ana kısımdan oluşmaktadır.
1. Kütüphane yükleme
▪ Bu bölümde algoritma kısmında kullanılması gereken python programlama diline ait
kütüphanelerin yüklenmesi gerçekleştirilir.
▪ Ekstra kütüphanelerin kullanımı ve bunların Studio’ya entegrasyonu için “Import
Package Window” kısmına bakınız.
2. Başlangıç ayarları
▪ Bu bölümde blok çalışmaya başladığı ilk aşamada yapılması gereken tek seferlik
ayarlar yapılmaktadır. (örnek: parametre ayarları)
3. Ana algoritma
▪ Bloğun temel çalışma mantığını içeren algoritma bu bölümde oluşturulur.
91
Aşağıda örnek kullanım olarak input olarak verilen resmin ortalama pixel değeri
hesaplanmıştır.
92
6.4.1. Blok kaynak kodu örneği
93
Bloğun girişine (soketine) bağlı input dataları “self.input[‘soket_ismi’].data” şeklinde
alınmaktadır. Soketin bağlı olup olmadığının kontrolü “self.input[‘soket_ismi’].is_connected”
şeklinde sağlanmaktadır. Bu kontrol ile Studio’nun LOG WINDOW kısmına hata mesajları
basılabilmektedir. Hata mesajları için self.logError, self.logWarning, self.logInfo komutları
kullanılabilir.
Output dataların oluşturulması için ise “self.output_data[‘soket_ismi’] = 99” şekline benzer

tanımlama yapılması yeterlidir. Dikkat edilmesi gereken nokta olarak tanımlanan dataların output_types olarak
belirlenen ilgili soket çeşidine uygun olması gerekmektedir. Örnek olarak “self.output_data[‘soket_ismi’] = 99”
gibi bir tanımlama yapabilmek için ilgili soketin socket_types.number veya socket_types.integer olarak
tanımlanması gerekmektedir.
6.4.2. Component kullanımı
Önceki bölümlerde anlatıldığı gibi komponent tipleri olarak 5 tip bulunmaktadır.
Bu komponentlerin kaynak kodu üzerinde kullanımı için gerekli değişkenler aşağıdaki gibidir.
94
6.4.2.1. TextInput
Tanımlama
self.param[‘component_ismi’] = TextInput(‘örnek text’)
Özellik
text1 = self.param[‘component_ismi’].text
6.4.2.2. Slider
Tanımlama
self.param[‘component_ismi’] = Slider(-10, 10, 1)
Özellik
slider1 = self.param[‘component_ismi’].value
self.param[‘component_ismi’].setMinimum(-100)
self.param[‘component_ismi’].setMaximum(100)
self.param[‘component_ismi’].setValue(10)
6.4.2.3. DropDown
Tanımlama
self.param[‘component_ismi’] = DropDown([‘toplama’, ‘çıkarma’, ‘çarpma’])
Özellik
item1 = self.param[‘component_ismi’].selected_item
95
id1 = self.param[‘component_ismi’].selected_index
6.4.2.4. Label
Tanımlama
self.param[‘component_ismi’] = Label()
Özellik
self.param[‘component_ismi’].set_text(‘Sonuç’)
6.4.2.1 CheckBox
Tanımlama
self.param[‘component_ismi’] = CheckBox(‘Sayıyı yuvarla?’)
Özellik
check1 = self.param[‘component_ismi’].is_checked
7. IMPORT PACKAGE WINDOW
Bu pencerede Studio’da dahili olarak bulunmayan ama DESIGNER_WINDOW ile birlikte oluşturulan
bloklar için kullanılmak istenen python kütüphanelerinin yüklenmesi gerçekleştirilebilir.
Pencereyi açmak için Studio’nun ana penceresine menü kısmından Window bölümünde
“Import Package Window” tıklamak yeterlidir.
96
Açılan pencere aşağıdaki şekildedir.
Yüklenmek istenen kütüphanenin ismi giriş bölümüne yazılarak “CHECK PACKAGE INFO”
butonu ile kütüphane ile ilgili bilgiler pencereye aktarılır. Burdan kontrol sağlandıktan sonra “ADD
PACKAGE TO STUDIO” butonu ile kütüphane yükleme işlemi başlatılır. Açıklama kısmında
“<kütüphane_ismi> package installation is completed” yazısı gelene kadar beklenmelidir. Bu
tamamlanma mesajı geldikten sonra yukarıda bölümlerde açıklandığı gibi kaynak kodu bölümüne
“import <kütüphane_ismi>” şeklinde yazılarak istenen kütüphane kullanılabilir.
97
8. Teknik Destek
Yazılım ile ilgili herhangi bir sorun ile karşılaşmanız durumunda community.proceye.com adresinden
sorun ile ilgili başlık altından probleminizi paylaşabilirsiniz veya info@proceye.com adresi ile iletişime
geçebilirsiniz.
98
99

ProcessEye Studio Kullanım Kılavuzu

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

ProcessEye Studio Kullanım Kılavuzu

Uploaded by

Copyright:

Available Formats

PROCESSEYE STUDİO KULLANIM KILAVUZU

1.1. ProcessEye Studio

ProcessEye Studio sayesinde projenizin Ar&Ge faaliyetlerini hızlandırmak ve geliştirdiğiniz hızlı

ProcessEye Studio ile;

- Otomotiv - Lojistik - Paketleme

Ve diğer sektörler için uygulamalar geliştirebilirsiniz.

1.2. Sistem Gereksinimleri

İşlemci: i5 2.5 GHz 4 çekirdek

Ekran Kartı: Dahili Ekran Kartı

İşletim Sistemi: Windows 7 ,8 veya 10

Depolama: 1GB kullanılabilir alan

Ağ bağlantısı: Aktivasyon için internet bağlantısı gerekmektedir.

1.3. Ürün İçerikleri

1.3.1. Görüntü İşleme Modulü

Ürün içerisinde bulabileceğiniz Fonksiyonlar;

- Görüntü Filtreleri - Görüntü Analiz Histogramları

1.3.2. Derin Öğrenme Modulü

Tam sürüm içerisinde bulabileceğiniz Fonksiyonlar;

- CNN Mimari Şablonu

1.4. Kurulum ve Lisanslama

ProcessEye Studio yazılımını çalıştırabilmek için gerekli ortamların hazırlanması gerekmektedir. Bu

Yazılımlarının kurulu olması gerekmektedir.

1.4.1. Microsoft Visual Studio

Şekil 1.2. Visual Studio Community yürütülebilir dosyası

Şekil 1.3. Visual Studio Community 2019 için yükleme penceresi

Şekil 1.4. Visual Studio iş yükleri

1.4.2. CUDA Toolkit

Şekil 1.5. Windows için CUDA Toolkit en son sürüm penceresi

Şekil 1.6. Eski Sürümlere erişmek için CUDA Releases sekmesi

Şekil 1.7. CUDA Toolkit için listelenmiş sürümler

Şekil 1.8. CUDA Toolkit 10.1 sürümü için indirme seçenekleri

Şekil 1.9. CUDA Toolkit için kurulum paketi penceresi

Şekil 1.10. NVIDIA CUDA Toolkit kurulum penceresi

Şekil 1.12. CUDA yükleyicisi için son kurulum penceresi

1.4.3. CuDNN Kurulumu

Şekil 1.13. cuDNN indirme listesi

Şekil 1.14. CUDA 10.1 için cuDNN 7.6.5 sürümü

1.4.4. CUDA Ortam Değişkenlerinin Kontrol Edilmesi ve Eklenmesi

Ortam değişkenlerine erişmek için;

Denetim Masası  Sistem ve Güvenlik  Sistem  Gelişmiş Sistem Ayarları

Şekil 1.15. Sistem Özellikleri penceresi

1.4.5. ProcessEye Studio

Resim 1.17. Kurulum ilk adım

Resim 1.18. Kullanıcı seçimi

Resim 1.19. Dosyaların kurulacağı hedef klasör

Resim 1.20. Dosyaların Kurulum işlemi

ProcessEye Studio yazılımını çalıştırılarak projeleriniz için senaryolar oluşturmaya başlayabilirsiniz.

Önemli: Bu lisans sözleşmesinde belirtilen hakları ve yükümlülükleri dikkatle okuyunuz. Kurulum

5. SON KULLANICI, community sürümünü, ProcessEye’ın belirlediği kayıt adedi ve süresince

a. Bu Lisans Sözleşmesi ile izin verilenler dışında YAZILIM ve dokümantasyonu çoğaltıp

c. YAZILIM ve dokümantasyonunu değiştirmeyeceğini, uyarlamayacağını veya YAZILIM ve

2. Kullanıcı Ara Yüzü

2.1. Ara yüz bileşenleri

2.1.1. Grid Area (1):

Fonksiyon bloklarının üzerine yerleştirildiği ve birbirine bağlandığı alandır. Bu alan üzerinde

2.1.2. Log Window (2):

2.1.4. Generic Blocks (4):

Giriş, çıkış ve kullanılacak operatörlerin bulunduğu fonksiyon bloklarını içerir.

2.1.5. Image Blocks (5):

Görüntü işleme fonksiyonlarının bulunduğu blokları içerir.

2.1.6. AI Blocks (6):

Derin öğrenme fonksiyon bloklarını içerir.