Yapay Zeka Destekli Bilgisayarlı Görü ile Ayda 11.000 Dolar Nasıl Kazanılır

Kodlama bilmeyen yeni başlayanlar için eksiksiz bir rehber.

Uluslararası pazar. Dolar cinsinden gelir.

Bu rehber nasıl kullanılır. Sırayla okuyun.

1–3. Bölümler neler olup bittiğini ve nasıl düşünmeniz gerektiğini anlamanıza yardımcı olur.

4–5. Bölümler uygulamalıdır: ilk kodunuzu çalıştırırsınız.

6–8. Bölümler bu beceriyi paraya dönüştürür.

Sonunda bir SSS ve bir sözlük bulunmaktadır (bilmediğiniz bir kelimeye rastlarsanız oraya bakın).

İçindekiler

1. Bu nedir ve insanlar neden bunun için para ödüyor?
2. Araçlarınız -> ne oldukları ve neden (basit bir dille)
3. Yapay Zeka ile nasıl çalışılır -> programlama yerine ana beceriniz
4. Google Colab'da ilk kodunuzu çalıştırmak -> adım adım
5. Kullanıma hazır betik seti (her birinin ne işe yaradığına dair açıklamalarla birlikte)
6. Portföy -> satan üç proje
7. Müşteriler nerede bulunur ve ne kadar ücret alınır (İngilizce şablonlarla birlikte)
8. İlk 90 günlük planınız
9. Para kriterleri
10. Sıkça Sorulan Sorular (SSS)
11. YAPILMAMASI gerekenler
12. Sözlük

Bölüm 1. Bu nedir ve insanlar neden bunun için para ödüyor?

Bilgisayarlı görü, bir bilgisayarın bir fotoğrafa veya videoya "bakmasını" ve içinde ne olduğunu anlamasını sağlayan teknolojidir: hangi nesneler mevcut, neredeler, nereye hareket ediyorlar, kaç tane var. Temelde insan gözü ve beyninin yaptığıyla aynı şeydir -> sadece otomatik olarak ve aynı anda herhangi bir sayıda kamera üzerinden yapılır.

Tüm bunları başlatan dört video, oyuncak eğitimler değil -> dört gerçek ticari görevdir:

• Nesneleri sayma -> depolar, envanter, stok kontrolü.
• İnsanları/araçları takip etme ve sayma -> mağazalar (kaç kişi girdi), yollar (kaç araç geçti).
• Hız tahmini -> trafik denetimi, yol ve şantiye güvenliği.
• Spor analitiği -> oyuncuları takip etme, maçları analiz etme (büyük bir endüstri).

İşletmeler sürekli olarak bunun gibi şeyler için para öder: perakende, güvenlik, yol trafiği, imalat (kusur kontrolü), tarım, spor, lojistik.

Diploması olmayan ve programlama bilmeyen biri bunu neden şimdi yapabiliyor? Çünkü iki şey ortaya çıktı:

1. Hazır araçlar zaten nasıl "göreceklerini" biliyor (icat etmeye gerek yok -> sadece çalıştırıyorsunuz).
2. Yapay zeka asistanları sizin için kod yazıp düzeltiyor.

Eskiden bu, yıllarca deneyime sahip bir mühendis gerektirirdi. Şimdi sizin işiniz hazır blokları birleştirmek ve yapay zekaya neye ihtiyacınız olduğunu açıklamak.

Gerçekte neyin işe yarayacağına dair dürüst konuşma:

• Bu yol en iyi şekilde serbest çalışmaya ve anahtar teslim projelere götürür -> müşteriye çalışan bir sistem (örneğin, ziyaretçi sayma) kurar ve sonuç için ödeme alırsınız. Bu ana yoldur (aşağıdaki B Yolu).
• Bir şirkette tam zamanlı mühendislik işleri için daha zor ve yavaştır: mülakatlarda hala canlı kod yazmanız istenecek ve yalnızca yapay zeka yeterli olmayacaktır. İnsanlar proje deneyimi kazandıktan sonra oraya gider (A Yolu).

Başka bir deyişle, para en hızlı tamamlanmış iş karşılığında müşterilerden gelir, büyük bir şirketten gelen bir teklif olarak değil.

Bölüm 2. Araçlarınız -> ne oldukları ve neden

İsimlerden korkmayın. İşte tüm bunların basit bir dille anlamı:

• YOLO -> "göz." Bir görüntüdeki nesneleri bulan ve etrafına etiketli ("insan", "araba") bir kutu çizen hazır bir model. Tek bir satırla indirilir, hemen kullanılabilir.
• ByteTrack -> "hafıza." Tek başına YOLO her kareyi sıfırdan görür. ByteTrack, nesneleri kareler arasında birbirine bağlar ve onlara numaralar (ID'ler) atar, böylece şunu anlar: 1. saniyedeki bu kişi ile 5. saniyedeki aynı kişi. Bu olmadan sayamaz veya hareketi ölçemezsiniz.
• Supervision -> "inşaat seti." Hazır bloklardan oluşan bir kütüphane: kutular çizin, bir sayma çizgisi ekleyin, bir bölge tanımlayın, geçişleri sayın. "Model nesneleri görür" ifadesini "program giriş ve çıkışları sayar"a dönüştürür.
• Roboflow -> "neredeyse kodsuz platform." Tarayıcıda: verilerinizi fareyle etiketlersiniz, birkaç tıklamayla bir model eğitirsiniz ve hazır bir API alırsınız. Roboflow Universe bölümünde ise binlerce önceden eğitilmiş model vardır -> genellikle hiçbir şey eğitmeniz gerekmez, sadece hazır olanı alırsınız.
• Google Colab -> "tarayıcınızdaki bilgisayar." Kodun Google'ın sunucularında çalıştığı ücretsiz bir ortam. Güçlü bir bilgisayara ihtiyacınız yok ve hiçbir şey kurmuyorsunuz: sayfayı açın, kodu yapıştırın, düğmeye basın.
• Yapay zeka asistanı (Claude, ChatGPT, Gemini) -> "programcınız." Göreviniz için kod yazar, değiştirir ve hataları düzeltir. Gerçek bir uygulama oluşturmak isteyenler için Cursor var -> yapay zekanın neredeyse tüm kodu kendisinin yazdığı bir düzenleyici.

Birlikte nasıl çalışır (iş akışı):

Video →

YOLO

nesneleri bulur →

ByteTrack

onlara numara verir →

Supervision

çizgi/bölgeye göre sayar → sonucu alırsınız (açıklamalı video + sayılar). Tüm bunlar

Colab

'da çalışır ve kod

AI

tarafından yazılır ve düzeltilir. Standart olmayan nesnelere ihtiyacınız varsa,

Roboflow

'da bir model eğitirsiniz.

Bölüm 3. Yapay Zeka ile nasıl çalışılır -> ana beceriniz

Bu düzenekte gerçek beceriniz Python değil -> görevi yapay zekaya net bir şekilde açıklama ve parçaları birleştirme yeteneğidir. Çok yetenekli bir asistanla çalışmak gibidir: görev ne kadar netse, sonuç o kadar iyidir.

Altın kural: Colab'ın attığı herhangi bir hatayı tamamen kopyalayıp yapay zekaya verirsiniz -> kodu kütüphanenin mevcut sürümü için düzeltecektir. Sürümler değişir, kod bazen bozulur -> bu normaldir, yapay zeka bunun içindir. Bir hatayla kendi başınıza uğraşıp durmayın.

Görevlerin %90'ını kapsayan komut şablonları:

Bir betiği kendinize uyarlayın:

"İşte supervision kütüphanesini kullanan çalışan bir Python betiği [kodu yapıştırın]. Ben programcı değilim. Tüm nesneleri değil, yalnızca insanları sayacak şekilde değiştirin. Tam, eksiksiz kodu döndürün."

Bir hatayı düzeltin:

"Bu kodu Google Colab'da çalıştırdım [kodu yapıştırın] ve şu hatayı aldım: [hata metninin tamamını yapıştırın]. Kodu kütüphanenin mevcut sürümü için düzeltin ve düzeltilmiş tam sürümü döndürün."

Kodun ne yaptığını anlayın:

"Bu betiğin ne yaptığını ve çıktı olarak ne göreceğimi, jargon kullanmadan, basit bir dille açıklayın."

Belirli bir videoya göre ayarlayın:

"1280 genişliğinde ve 720 yüksekliğinde bir video için sayma çizgisinin koordinatlarını ayarlamama yardım edin. Çizgi, merkezden yatay olarak geçmeli."

Yeni bir özellik oluşturun:

"Bu betiğe dayanarak, türe göre ayrı ayrı sayma ekleyin: kaç araba ve kaç kamyon geçti. Tam kodu döndürün."

**Metin yazın (özgeçmiş, README, müşteri teklifi):

"GitHub'ım için bir ziyaretçi sayma projesinin kısa bir İngilizce açıklamasını yazın: sorun, çözüm, hangi teknolojiler, nasıl çalıştırılacağı."

Yapay zeka ile çalışırken yeni başlayanların yaygın hataları:

• Yapay zekaya kodun tamamı yerine bir parçasını vermek -> bu yüzden körü körüne düzeltir. Tüm betiği verin.
• Hata metni yerine "çalışmıyor" yazmak. Her zaman hatayı tam olarak yapıştırın.
• Kodu rastgele elle düzenlemek. Yapay zekadan değişikliği yapmasını ve bitmiş sürümü döndürmesini isteyin.

Ve en önemlisi -> sonucu her zaman kontrol edin. Yapay zeka, çalışan ancak yanlış şeyi sayan kodu güvenle üretebilir. Çıktı videosunu açın, kutuların doğru nesnelerde olup olmadığını ve sayıların makul görünüp görünmediğini gözle kontrol edin. Bu sizin sorumluluğunuzdur, yapay zekanın değil.

Bölüm 4. Google Colab'da ilk kodunuzu çalıştırmak -> adım adım

Bu, yeni başlayanlar için "en korkutucu" kısımdır, ancak gerçekte 5 dakikadır. Bir kez çözün.

1. colab.research.google.com adresini açın (bir Google hesabıyla oturum açın) → New notebook'a tıklayın.
2. Boş bir kutu göreceksiniz -> bu bir hücredir. Kod buraya yazılır. Hücrenin solunda ▶ düğmesi (çalıştır) bulunur.
3. Betik 0'ı (kütüphaneleri yükleme) ilk hücreye yapıştırın ve ▶'ya basın. 20–60 saniye bekleyin -> metin satırları kayacaktır, bu normaldir.
4. Bir test videosu alın. En kolay yol, yerleşik örneği kullanmaktır. Yeni bir hücre ("+ Code" düğmesi) oluşturun ve çalıştırın:

1from supervision.assets import download_assets, VideoAssets
2path = download_assets(VideoAssets.PEOPLE_WALKING)
3print("Video indirildi:", path)   # bu people-walking.mp4 dosyasıdır

Veya kendi videonuzu yükleyin:

1from google.colab import files
2uploaded = files.upload()   # bir dosya seçin; adını hatırlayın ve betikte input.mp4 yerine koyun

• İhtiyacınız olan betiği (örneğin, Betik 3) yeni bir hücreye yapıştırın. Gerekirse giriş dosyası adını düzeltin. ▶'ya basın.
• Sonucu bilgisayarınıza indirin:

1from google.colab import files
2files.download("output_count.mp4")

Bir şey ters giderse:

• "Böyle bir dosya yok" / dosya bulunamadı -> betikteki video adı gerçek olanla eşleşmiyor. Dosya adını kontrol edin.
• Yavaş ve ağır -> ücretsiz GPU'yu açın: menü Runtime → Change runtime type → GPU.
• Herhangi bir kırmızı hata -> tamamen kopyalayın ve yapay zekaya verin (altın kural).

Bölüm 5. Kullanıma hazır betik seti

Bu betikleri satır satır anlamanız gerekmez. Çalıştırın, hata varsa yapay zekaya verin. Her biri, basit bir dille açıklamayla birlikte gelir.

Betik 0 -> kurulum (bunu her zaman önce çalıştırın)

1!pip install ultralytics supervision -q

Ne işe yarar: "göz"ü (YOLO) ve "inşaat seti"ni (Supervision) kurar. Oturum başına bir kez yapılır.

Betik 1 -> bir videodaki nesneleri bulma ve etiketleme

Ne işe yarar: tüm nesnelerin etrafına etiketli kutular çizer. Bu, her şeyin çalıştığını gösteren temel kontroldür.

1from ultralytics import YOLO
2import supervision as sv
3
4model = YOLO("yolov8n.pt")          # "göz" modeli, otomatik olarak indirilir
5box_annotator = sv.BoxAnnotator()
6label_annotator = sv.LabelAnnotator()
7
8def callback(frame, index):
9    results = model(frame)[0]
10    detections = sv.Detections.from_ultralytics(results)
11    labels = [f"{results.names[c]} {conf:.2f}"
12              for c, conf in zip(detections.class_id, detections.confidence)]
13    out = box_annotator.annotate(frame.copy(), detections=detections)
14    out = label_annotator.annotate(out, detections=detections, labels=labels)
15    return out
16
17sv.process_video(source_path="input.mp4", target_path="output_detect.mp4", callback=callback)
18print("Bitti: output_detect.mp4")

Betik 2 -> numaralarla (ID'ler) takip

Ne işe yarar: her nesneye kalıcı bir numara atar ve nesne karede olduğu sürece onu korur. Sayma ve hareketin temeli.

1from ultralytics import YOLO
2import supervision as sv
3
4model = YOLO("yolov8n.pt")
5tracker = sv.ByteTrack()
6box_annotator = sv.BoxAnnotator()
7label_annotator = sv.LabelAnnotator()
8
9def callback(frame, index):
10    results = model(frame)[0]
11    detections = sv.Detections.from_ultralytics(results)
12    detections = tracker.update_with_detections(detections)
13    labels = [f"#{tid}" for tid in detections.tracker_id]
14    out = box_annotator.annotate(frame.copy(), detections=detections)
15    out = label_annotator.annotate(out, detections=detections, labels=labels)
16    return out
17
18sv.process_video(source_path="input.mp4", target_path="output_track.mp4", callback=callback)
19print("Bitti: output_track.mp4")

Betik 3 -> çizgi geçişlerini sayma (ana, ticari olan)

Ne işe yarar: hayali bir çizgiyi her yönde kaç nesnenin geçtiğini sayar. Bu tam olarak "kaç ziyaretçi girdi" veya "kaç araba geçti"dir.

1from ultralytics import YOLO
2import supervision as sv
3
4model = YOLO("yolov8n.pt")
5tracker = sv.ByteTrack()
6
7# Sayma çizgisi: koordinatları (piksel cinsinden x, y) videonuza göre ayarlayın.
8line_zone = sv.LineZone(start=sv.Point(x=0, y=400), end=sv.Point(x=1280, y=400))
9
10box_annotator = sv.BoxAnnotator()
11label_annotator = sv.LabelAnnotator()
12line_annotator = sv.LineZoneAnnotator()
13
14def callback(frame, index):
15    results = model(frame)[0]
16    detections = sv.Detections.from_ultralytics(results)
17
18    # YALNIZCA İNSANLARI SAYMAK İÇİN — aşağıdaki satırın başındaki # işaretini kaldırın (0 = insan):
19    # detections = detections[detections.class_id == 0]
20
21    detections = tracker.update_with_detections(detections)
22    line_zone.trigger(detections)
23    labels = [f"#{tid}" for tid in detections.tracker_id]
24    out = box_annotator.annotate(frame.copy(), detections=detections)
25    out = label_annotator.annotate(out, detections=detections, labels=labels)
26    out = line_annotator.annotate(out, line_counter=line_zone)
27    return out
28
29sv.process_video(source_path="input.mp4", target_path="output_count.mp4", callback=callback)
30print(f"Giren: {line_zone.in_count} | Çıkan: {line_zone.out_count}")

Sayımı bir dosyaya kaydedin (müşteriye verebilirsiniz)

Bunu en sona, video işlendikten sonra ekleyin:

1with open("counts.txt", "w") as f:
2    f.write(f"Giren: {line_zone.in_count}\n")
3    f.write(f"Çıkan: {line_zone.out_count}\n")
4print("Sayılar counts.txt dosyasına kaydedildi")

Daha zor bir şey -> yapay zekaya verin (kendiniz yazmayın)

• Araç hızı tahmini: "YOLO ve supervision kütüphanesine dayanarak, araç kamerası/yol kamerası videosundaki arabaların hızını tahmin eden bir Google Colab betiği yazın. Çerçevem için perspektifi nasıl ayarlayacağımı basit bir dille, ayrıntılı olarak açıklayın. Ben programcı değilim, bana tam, hazır kodu verin."
• Bir alan içinde sayma (çizgi yerine) -> örneğin, bekleme bölgesinde kaç kişi var: "Betiği, videodaki dikdörtgen bir alanın içindeki insan sayısını sayacak şekilde yeniden düzenleyin (Supervision'dan PolygonZone kullanın). Tam kodu verin ve bölge koordinatlarının nasıl ayarlanacağını açıklayın."
• Özel nesneler (standart modelde olmayan ürünler, kusurlar, hayvanlar): tarayıcı üzerinden Roboflow'da bir veri kümesi etiketleyin, orada eğitin, modelinizi alın ve yapay zekadan bunu Betik 3'e eklemesini isteyin.

Bölüm 6. Portföy -> satan üç proje

Bir portföy, bir dereceden daha önemlidir: uluslararası pazarda gösterdiğiniz sonuca bakarlar, kimlik bilgilerine değil. Gerçek nişler için 3 kısa demoya ihtiyacınız var.

Demolar için ücretsiz videolar nereden alınır (telif hakkı sorunu yok):

• Yerleşik Supervision örneği (Bölüm 4'e bakın) -> en hızlı başlangıç.
• Pexels ve Pixabay -> insanların, sokakların, arabaların ücretsiz stok videoları, kullanım için lisanslı.

Üç proje:

1. Bir mağaza için ziyaretçi sayma. Yalnızca insan filtresiyle Betik 3, girişte çizgi. Şunları gösterirsiniz: kutulu ve sayaçlı video + nihai sayılar. Kime satılır: perakende, kafeler, alışveriş merkezleri.
2. Arabaları sayma ve takip etme. Yol/otopark görüntülerinde Betik 3. Kime satılır: otopark işletmecileri, yol hizmetleri, trafik analitiği.
3. Roboflow aracılığıyla özel bir nesne. Standart olmayan bir şeyi (örneğin, bir hattaki şişeler veya kusurlar) etiketler ve sayarsınız. Müşterinin verileriyle çalışabileceğinizi gösterir. Kime satılır: imalat, depolar, tarım.

Her proje nasıl paketlenir:

• Sonucun bir demo videosunu kaydedin (10–30 saniye). Çıktı videosunu oynatırken ekran kaydı alın -> herhangi bir ekran kaydedici işe yarar veya kısa bir klibi YouTube'a "listelenmemiş" olarak yükleyin.
• GitHub'a koyun (kod ve projeler için ücretsiz bir site). Dosyaları ve açıklama metnini (README) yapay zekaya yazdırın: "Bir video üzerinde ziyaretçi sayma projesi için İngilizce bir README yazın. Şu bölümlere ayırın: sorun, çözümün ne yaptığı, hangi teknolojiler (YOLO, ByteTrack, Supervision), Google Colab'da nasıl çalıştırılacağı. Kısa ve net."
• İsteğe bağlı -> canlı bir demo. Bunu ücretsiz olarak Hugging Face Spaces'e (demonuzun çevrimiçi çalıştığı ve bir bağlantıyla açılabildiği bir platform) veya Roboflow'un hazır API'si aracılığıyla dağıtabilirsiniz. Bu, müşterinin güvenini büyük ölçüde artırır. Nasıl yapılacağını yapay zekaya sorun.

Bölüm 7. Müşteriler nerede bulunur ve ne kadar ücret alınır

ABD/Avrupa'daki müşteriler dolar cinsinden ödeme yapar. Başlamak için ana platform Upwork'tür.

Adım 1. Upwork profiliniz

Başlık, "genel olarak yapay zeka geliştiricisi" değil, dar bir uzmanlık olmalıdır. Örnek (olduğu gibi kullanabilirsiniz):

Bilgisayarlı Görü Mühendisi

->

Nesne Tespiti, Takibi ve İnsan/Araç Sayımı

"Genel Bakış" metni -> bir İngilizce örneği:

Videodaki nesneleri tespit eden, takip eden ve sayan bilgisayarlı görü sistemleri kuruyorum -> perakende için insan sayımı, trafik ve park için araç sayımı, imalat ve envanter için özel nesne tespiti.Teknoloji yığını: YOLO, ByteTrack, Supervision, Roboflow, Python. Açıklamalı çıktı videosu ve dışa aktarılabilir sayımlarla (CSV/rapor) çalışan çözümler sunuyorum.Demolarımı aşağıda görebilirsiniz. Kullanım senaryonuzu söyleyin, size tam olarak neyin mümkün olduğunu göstereyim.

Profilin portföy kısmında -> videolar ve GitHub bağlantılarıyla birlikte üç demonuz.

Adım 2. İlk yorumlarınız

Başlangıçta her şeyi bu belirler. İlk 3–5 işinizi piyasa oranının biraz altında bir ücretle alın (örneğin, 60+$/saat yerine 30–45$/saat) hızlıca yorum ve puan almak için. Ardından ücretinizi hemen yükseltin -> iyi yorumlardan sonra düşük ücrette kalmak, masada para bırakmak anlamına gelir.

Adım 3. Bir işe yanıt verme (teklif)

Uzun bir metin yığını yazmayın. Yapılandırın: "Görevi anlıyorum → tam olarak bunu yaptım → nasıl ve ne kadara yapacağım." İngilizce örneği:

Merhaba! Video görüntülerinizdeki [insanları/araçları] saymanız gerekiyor -> tam olarak bunu yaptım. İşte sayma sistemimin 20 saniyelik bir demosu: [bağlantı].Projeniz için şunları yapacağım: nesneleri tespit edip takip edeceğim, bir sayma çizgisi/bölgesi kuracağım ve size açıklamalı videoyu ve nihai sayımları bir raporda vereceğim.İlk çalışan sürümü [3–5] gün içinde teslim edebilirim. Önce görüntülerinizin kısa bir klibi üzerinde ücretsiz olarak hızlı bir test yapmaktan mutluluk duyarım.

Müşterinin kısa klibi üzerinde ücretsiz bir test, şüphelerin yarısını ortadan kaldırır ve genellikle anlaşmayı sağlar.

Adım 4. Müşteriye önceden ne sorulmalı (yanlış anlaşılmaları önlemek için)

• Tam olarak neyi sayıyor/tespit ediyoruz (insanlar, arabalar, belirli bir ürün)?
• Video nereden geliyor: hazır bir dosya, bir kamera, çevrimiçi bir akış (RTSP)?
• Çıktı olarak ne gerekiyor: açıklamalı video, bir tabloda sayılar, canlı bir gösterge paneli, uyarılar?
• Hangi doğruluk yeterlidir ve son teslim tarihi nedir?
• Bütçe nedir?

Adım 5. Fiyatlar ve ücretler

• Saatlik: 30–45$'dan başlayın (yorumlar için) → ardından güvenle piyasaya doğru ilerleyin: junior 50–80$, orta 80–120$, kıdemli 120–200$+. Medyan ML serbest çalışma ücreti ~100$/saat'tir.
• Proje başına (sabit): basit bir anahtar teslim sayma sistemi, başlangıç ​​kriteri 300–1500$; ciddi sistemler 5.000$'dan başlar ve çok daha yükseğe çıkar (piyasada projeler 250.000$+'a ulaşır).
• Upwork ücreti -> değişken %0–15, genellikle ~%10 (50$'lık bir ücretten net ~45$ alırsınız). Bunu fiyatınıza dahil edin.

Adım 6. Nereye büyümeli

• Toptal -> en iyi %3'lük dilimi tarayan bir platform, daha yüksek ücretler ve daha sağlam müşteriler. Halihazırda bir portföyünüz ve yorumlarınız olduğunda oraya gidin.
• Fiverr -> "ürünleştirilmiş bir hizmet" kurabilirsiniz (örneğin, "Videonuzda insan sayımını $X karşılığında kuracağım") ve daha pasif bir şekilde iş alabilirsiniz.

Bölüm 8. İlk 90 günlük planınız

Dönem

Ne yaparsınız

Sonuç

1. Hafta

Colab'ı çözdünüz, Betik 1–3'ü bir test videosunda çalıştırdınız

Kod sizin elinizde çalışıyor

2–3. Haftalar

Kendi videolarınızda 3 niş demo oluşturdunuz, klipler kaydettiniz

Hazır demolar

1. Hafta

GitHub + İngilizce paketleme (yapay zekadan metin)

Çevrimiçi portföy

1. Hafta

Upwork profili, ilk teklifler

İlk teklifler gönderildi

6–10. Haftalar

Aktif teklifler (haftada 10–20), müşteriler için ücretsiz testler

İlk iş ve yorum

11–13. Haftalar

İşi teslim edin, yorumları toplayın, ücretinizi yükseltin

İlk para, ücret artışı

İlk iş hemen gelmezse cesaretiniz kırılmasın -> başlangıçta bu normaldir; yol genellikle 1–3 aylık aktif çaba gerektirir.

Bölüm 9. Para kriterleri (USD, 2026)

Kanal

Junior

Orta

Kıdemli

Serbest Çalışma ($/saat)

$50–80

$80–120

$120–200+

Anahtar Teslim Proje

~10.000$'dan başlar

—

250.000$+'a kadar

ABD'de Tam Zamanlı İş ($/yıl)

~102.000$

~130.000–165.000$

200.000$–266.000$+

Bilgisayarlı görü pazarı büyüyor: 2024'te yaklaşık 22 milyar $ → 2033'e kadar ~111 milyar $ tahmini. Talep sizden yana.

Bölüm 10. Sıkça Sorulan Sorular (SSS)

Güçlü bir bilgisayara ihtiyacım var mı? Hayır. Google Colab size bulutta GPU'lu güçlü sunuculara ücretsiz erişim sağlar. Zayıf bir dizüstü bilgisayardan veya bir tabletten bile çalışabilirsiniz.

Bir şey için para ödemek zorunda mıyım? Temelde her şey ücretsizdir: Colab (ücretsiz katman), YOLO/Supervision (açık kaynak), Roboflow (ücretsiz plan), GitHub. Yalnızca projeler büyüdüğünde (ücretli Colab/bulut) ödeme yapmaya başlarsınız.

Bu yasal mı? Araçların kendisi -> evet, açık ve yasaldır. Ancak gerçek kameralar ve insanlarla çalışırken gizlilik ve veri yasaları vardır. Başkalarının görüntülerini izinsiz yayınlamayın ve müşteriyle bu verilere sahip olma hakkına sahip olduklarını tartışın.

Ya müşterinin görevi betiklere benzemiyorsa? Yapay zeka bunun içindir: görevi parçalara ayırın ve yardım isteyin. Görev gerçekten yapabileceklerinizin ötesindeyse, son teslim tarihini kaçırmaktansa dürüstçe reddetmek daha iyidir.

İlk para ne kadar hızlı gelir? Gerçekçi olarak -> aktif çabayla birkaç haftadan birkaç aya kadar. Bu bir "para butonu" değil, satmanız gereken bir beceridir.

Matematik ve teoriye ihtiyacım var mı? Bu yapay zeka destekli yol için -> hayır. Temelleri anlamak, daha sonra, karmaşık projeler üstlenmek veya tam zamanlı işe girmek istediğinizde yardımcı olacaktır.

Gerçek zamanlı / canlı kamerayla çalışır mı? Ücretsiz Colab, demolar ve dosyaları işlemek için yeterlidir. Çevrimiçi bir akış (RTSP) ve gerçek zaman için daha fazla kaynağa ihtiyacınız vardır -> yapay zeka size nasıl kuracağınızı söyleyecektir.

Bölüm 11. YAPILMAMASI gerekenler

• "Sonuç teslim edemeden" pazara çıkmayın. "Makinemde çalıştı" yeterli değildir -> müşterinin net bir sonuca ihtiyacı vardır (video + sayılar + kısa bir rapor).
• Saf eğitimleri bire bir kopyalamayın. Kendi videolarınızda ve belirli bir niş için demolarınız olmalıdır.
• Düşük bir ücrete takılıp kalmayın. İlk yorumlarınızdan sonra yükseltin.
• Yapay zekanın koduna körü körüne güvenmeyin. Sonucu her zaman açın ve doğru saydığını gözle kontrol edin.
• Kendinizi "genel olarak yapay zeka" konusunda fazla dağıtmayın. Dar bir uzmanlık (sayma/takip/video analitiği) daha fazla para kazandırır ve anlaşılması daha kolaydır.

Bölüm 12. Sözlük

• Model -> Eğitilmiş, bir şeyi tanıyan program (örneğin YOLO nesneleri tanır).
• Veri Seti (Dataset) -> Modelin öğrendiği bir dizi görüntü/video.
• Etiketleme / Açıklama (Labeling/Annotation) -> Modelin ne arayacağını anlaması için fareyle görüntülerdeki gerekli nesnelerin ana hatlarını çizme işlemi (Roboflow'da yapılır).
• Sınırlayıcı Kutu (Bounding Box) -> Algılanan bir nesnenin etrafındaki dikdörtgen kutu.
• Sınıf (Class) -> Nesnenin türü: "insan", "araba", "şişe".
• Güven (Confidence) -> Modelin bir algılama hakkında ne kadar emin olduğu (0 ile 1 arası).
• Çıkarım (Inference) -> Modelin çalıştığı ve bir şeyi tanıdığı an (eğitimin aksine).
• Eğitim (Training) -> Modelin sizin göreviniz için bir veri setinden öğrendiği süreç.
• Takip / Kimlik (Tracking/ID) -> Kalıcı bir numara ile tek bir nesneyi kareler arasında takip etme.
• API -> Modele "internet üzerinden" ulaşmanın bir yolu: kendi model kodunuz olmadan bir görüntü gönderip sonuç almak.
• FPS -> Saniyedeki kare sayısı; ne kadar yüksekse video işleme o kadar "gerçek zamanlı" olur.
• RTSP -> Bir güvenlik kamerasından gelen canlı yayının formatı.
• GPU -> Grafik kartları için güçlü bir işlemci; modelleri hızlandırır (Colab'de bulutta ücretsizdir).

Tüm rakamlar 2026 yılı için piyasa kıyaslamalarıdır ve seviyenize, nişinize ve belirli müşteri/işverene bağlıdır.

Bunu okuyup denemek isteyen herkese başarılar dilerim 🩷

Kaybetmemek için yer imlerinize ekleyin