14 LLM ve OCR ile El Yazısı Tanıma Benchmark'ı

OCR araçları, yüksek kaliteli görüntülerde yazılı metinlerde %99 üzerinde doğruluk elde eder. Ancak el yazısı; stil, boşluk ve düzensizliklerdeki farklılıklar nedeniyle zorlayıcı olmaya devam ediyor. Aşırı öğrenmeyi önlemek için ekibimiz tarafından yazılmış 100 bitişik el yazısı örneğiyle bir bitişik el yazısı tanıma benchmark'ı sunuyoruz.

Bitişik el yazısı benchmark sonuçları

Bu benchmark'ta, GPT-5, Gemini 3 Pro Preview ve olmOCR-2-7B-1025-FP8 en iyi performans gösteren model'lerdir; tüm örneklerde en yüksek anlamsal benzerlik puanlarına ve bitişik el yazısı metninin en tutarlı yorumlanmasına ulaşmışlardır.

100 bitişik el yazısı örneği üzerinde, 10 yazar tarafından yazılmış, Gemini 3 Pro Preview mükemmel puan alırken Deepseek OCR %79 kaydetti.

Ürünlerin tam adları aşağıdadır; grafikte kısaltılmışlardır.

• GPT-5
• Gemini 3 Pro Preview
• Gemini 2.5 Pro
• olmOCR-2-7B-1025-FP8
• Moondream OCR
• Claude Sonnet 4.5
• Nanonets-OCR2-3B
• Dots OCR
• Azure Cognitive Service
• Google Vision
• Mistral OCR
• PaddleOCR-VL
• Amazon Textract
• Deepseek OCR

Bitişik el yazısı benchmark metodolojisi

Bu benchmark için, 10 yazar her biri bitişik el yazısıyla 10 paragraf yazdı ve böylece 100 bitişik el yazısı örneğinden oluşan bir dataset elde edildi. Yazarlardan düzgün yazmaları istenmedi. Gerçekçi bitişik el yazısı karmaşıklığını yansıtmak için doğal harf bağlantıları, çizgi değişkenliği, boşluk bozulması ve satır akıcılığı bilinçli olarak korundu.

Dataset şunları içerir:

• Değişken eğim, kalem baskısı ve ligatür desenleri
• Sayılar, noktalama işaretleri ve büyük harf kullanımıyla karışık metin
• Sağlamlığı sağlamak için çeşitli görüntü çözünürlükleri ve arka planlar

Tüm örnekler, adil karşılaştırma için kosinüs benzerliğine dayalı olarak birleşik OCR değerlendirme pipeline'ımız kullanılarak değerlendirildi.

Örnek taranmış görüntü:

El yazısı tanıma nedir?

El yazısı tanıma, el yazısı OCR veya bitişik el yazısı OCR olarak da bilinir; OCR teknolojisinin el yazısı harfleri gerçek zamanlı olarak karşılık gelen dijital metne veya komutlara dönüştüren bir alt alanıdır. Bu görevi gerçekleştirmek için bu sistemler, çeşitli el yazısı harf stillerini tanımlamak üzere desen eşleştirmeden yararlanır. Wikipedia el yazısı tanımayı şöyle tanımlar:

Bir bilgisayarın; kağıt belgeler, fotoğraflar, dokunmatik ekranlar ve diğer cihazlar gibi kaynaklardan gelen anlaşılır el yazısı girdisini alma ve yorumlama yeteneği.

LLM el yazısı tanıma yetenekleri de oldukça gelişmiştir; benchmark'ımızda gemini-3-pro %100 doğru sonuç verdi.

El yazısı neleri içerir?

El yazısıyla, el yazması ve bitişik el yazısı biçiminde yazılmış metinleri kastediyoruz. El yazması stilindeki metinler, karakterler blok harfler olarak ayrı ayrı yazıldığı için tanınması daha kolaydır. Ancak bitişik el yazısı, yazılırken birleştirilmiş karakterler içerir.

Bu durum, el yazısı tanıma araçlarının her ayrı karakteri doğru algılamasını ve doğru şekilde tanımlamasını gerektirir. Aşağıda el yazması ve bitişik el yazısı örnekleri bulunmaktadır.

Kaynak: Quora¹

El yazısı tanıma araçları dijital ekranlardaki el yazısını da tanımlayabilir. Bu tür el yazısı, yazıldığı sırada izlenebilir. Yazılım, daha doğru sonuçlar sağlamak için dinamik hareketinizden yararlanabilir. Aşağıda, Microsoft Azure Ink Recognizer API tarafından sağlanan dijital el yazısı tanıma örneği bulunmaktadır.

El yazısını metne dönüştürmenin zorlukları nelerdir?

Geleneksel OCR araçları 70s'lerden bu yana piyasada olsa da, el yazısı tanımayı gerçekleştirebilen çok fazla araç hâlâ yok. Herkesin kendi yazma stili olduğu için geleneksel OCR araçları herkesin el yazısını algılayamaz.

Bilgisayarlı görü teknolojisinin yanı sıra, tüm bu farklılıkları başarıyla tanımlamak için oldukça karmaşık derin öğrenme algoritmaları gerekir. Aşağıda, el yazısı tanıma araçlarının sıklıkla karşılaştığı zorlukların bir listesi bulunmaktadır:

Zorluklar

• Görüntü kalitesi: El yazısı metin genellikle düşük çözünürlükte veya zayıf ışıkta yakalanır. Sayfalar, arka plan gürültüsü gibi davranan lekeler, gölgeler veya kirler içerebilir.
• Yazma stillerinin çeşitliliği: Her bireyin kendine özgü bir yazma şekli vardır. Alfabe, harf biçimleri ve karakter boyutlarındaki farklılıklar tanımayı zorlaştırır.
• Eğik metin: El yazısı satırlar nadiren tamamen düzdür. Kelimeler eğilebilir, kıvrılabilir veya alışılmadık açılarda görünebilir.
• Bağlı karakterler: Bitişik el yazısında veya hızlı yazımda, harfler ve semboller sıklıkla birleşir ve bu da onları ayırmayı zorlaştırır.
• Bozulma: Eski veya yoğun kullanılmış belgelerde solmuş mürekkep, sararma veya sayfa hasarı olabilir; bu da metin netliğini azaltır.

Çözümler

Modern HTR araçları, bu zorlukların üstesinden gelmek için bilgisayarlı görüyü derin öğrenmeyle birleştirir. Bu yaklaşımlar, 1970'lerden beri var olan ancak el yazısıyla hâlâ zorlanan geleneksel OCR'nin ötesine geçer. Bugün ilerleme şu yollarla sağlanmaktadır:

• Girdi kalitesini artırın: Belgeleri daha yüksek çözünürlükte ve daha iyi ışıkta yakalayın veya tarayın.
• Arka plan temizliği: Gürültüyü gidermek ve netliği artırmak için makine öğrenmesi veya fotoğraf teknikleri kullanın.
• Gelişmiş tanıma algoritmaları: Farklı yazma stillerini, alfabeleri ve bağlı harfleri işlemek üzere tasarlanmış derin öğrenme model'leri uygulayın.
• Eğiklik düzeltme: Eğik veya döndürülmüş metni algılamak ve düzeltmek için görüntü işleme araçları kullanın.
• OCR dostu tasarım: Mümkün olduğunda, OCR araçlarının işlemesi kolay formlar ve belgeler oluşturun.

El yazısı notları dönüştürmeye hazırlık

Belgeleri tasarlarken dikkate alınması gereken çeşitli faktörler vardır. Bunlardan en önemlisi belgelerden yakalanacak verilerdir. Aynı türdeki verileri temsil etmenin farklı yolları olduğundan, belgenizi oluştururken her seçeneğin hızını, doğruluğunu ve kullanıcı dostu olup olmadığını göz önünde bulundurmanız gerekir.²,³,⁴

1. Tarama ve ön işleme

• Net bir tarama sağlayın: Notlarınızın yüksek çözünürlüklü, iyi aydınlatılmış bir görüntüsünü oluşturmak için bir tarayıcı veya özel bir uygulama kullanın.
• İkilileştirme: Kontrastı iyileştirmek ve metni arka plandan daha belirgin hale getirmek için taranmış görüntüyü siyah beyaza dönüştürün.

Kaynak: Datacap.hk

• Gürültü giderme ve eğiklik düzeltme: Başıboş izleri veya gölgeleri gidermek ve belgedeki eğilmeyi düzeltmek için filtreler uygulayın. Renkli arka planlardan kaçının. Eğik belgeleri önlemek için hizalama öğelerinden yararlanın.

2. Segmentasyon teknikleri

Segmentasyon, görüntüyü metin satırları, kelimeler ve tek karakterler gibi daha küçük, daha yönetilebilir bileşenlere ayırma sürecidir. Bunu sağlamak için işletmeler, aşağıda görebileceğiniz segmentasyon yöntemlerini kullanabilir.

Kaynak: How OCR Works⁵

• Metin satırı segmentasyonu: Bu, diğer görevler için bir ön koşuldur ve belgeyi tek metin satırlarına ayırmayı içerir. Verileri kenar boşlukları içinde tutun.
• Kelime ve karakter segmentasyonu: Satır segmentasyonundan sonra, satırları tek kelimelere ve ardından karakterlere ayırabilirsiniz; bu, doğru metin tanıma için çok önemlidir.
• Gelişmiş yapay zeka araçlarını kullanma: Transkribus gibi yapay zeka destekli araçlar, karmaşık notlar için gelişmiş metin ve düzen segmentasyonunu otomatik olarak gerçekleştirebilir.

3. Daha kolay dijitalleştirme için onay kutuları ekleme

• Önceden basılmış kutular: Notlarınızı dijitalleştireceğinizi biliyorsanız, OCR yazılımı tarafından kolayca tanınacak kadar büyük olduklarından emin olarak sayfaya onay kutularını net bir şekilde çizin veya yazdırın.
• Net biçimlendirme: Onay kutularının ilişkili oldukları metne çok yakın olmadığından ve kağıtla yeterli kontrasta sahip olduğundan emin olun.
• Yapay zeka destekli OCR'den yararlanın: Araçlar, bu onay kutularını tanıyacak şekilde eğitilebilir; böylece işaretli/işaretsiz bilgilerin işlenmesi ve çıkarılması kolaylaşır.
• Standartlaştırın: Tutarlılık için notlarınız boyunca aynı türde onay kutusu ve stil kullanın.

4. OCR yazılımı kullanma

• OCR uygulayın: Notlar tarandıktan ve segmentlere ayrıldıktan sonra, metnin görüntülerini makine tarafından okunabilir dijital metne dönüştürmek için Optik Karakter Tanıma (OCR) yazılımı kullanın.
• Son işleme: Özellikle karmaşık el yazısı veya alışılmadık düzenlerin olduğu bölgelerde, dijitalleştirilmiş metni hatalar için gözden geçirin.

El yazısı tanıma üzerine aktif araştırma var mı?

El yazısı tanıma yeteneği büyük ölçüde sinir ağlarına bağlı olduğundan, bu algoritmalardaki ilerlemeler el yazısı tanıma araçlarının performansını derinden etkiler. Bu nedenle, el yazısı tanıma üzerine aktif araştırma sinir ağı algoritmalarına dayanır.

Google'ın el yazısı tanıma araştırması birkaç eğitim adımıyla başlar:

• Farklı alfabelerden tüm olası karakterlerin tanıtılması
• Aracın bir metindeki her karakteri segmentlere ayırması için eğitilmesi
• Doğru karakter tanımlama için aracın özellik çıkarımı konusunda eğitilmesi

Google ayrıca el yazısı tanıma performansını iyileştirmek için dil işleme algoritmaları kullanıyor. Örneğin, aracın “i” ile “l” arasında karar vermesi gerekiyorsa, doğru sonuçlar sağlamak için tüm kelimeyi analiz edip uygun karaktere karar verebilir.

OCR yazılımı genellikle yazılıma entegre edilmiş birkaç el yazısı tanıma motoruna sahiptir. Bu motorlar, girdiye karşılık gelen en doğru karakter temsilini üretmek için eşzamanlı olarak çalışır.

Kıyaslamalarımızı ve veri odaklı içgörülerimizi kaçırmayın. Düğme Google'ı açar; AIMultiple'ı seçmeniz, Google arama sonuçlarında AIMultiple'ı daha sık görmek istediğinizi onaylar.

Tercih edilen kaynak olarak ekle

El yazısı tanıma satıcıları

El yazısı tanıma, OCR'nin bir alt alanı olduğundan, uygun el yazısı tanımayı seçme ölçütleri OCR araçlarınınkine benzerdir. Bir el yazısı tanıma satıcısı seçerken aşağıdaki faktörleri göz önünde bulundurmalısınız:

• Karakter tanıma doğruluğu
• Sürekli öğrenme yetenekleri
• Sonuçların gerçek zamanlı olarak sunulması gerektiğinde hesaplama hızı
• Arayüz insanlar tarafından kullanılacaksa arayüzün kullanıcı dostu olması

Bunlara ek olarak, minimum Toplam Sahip Olma Maliyeti (TCO), esneklik, veri güvenliği en iyi uygulamaları ve satıcıya kilitlenmeyi önleme gibi satın alma en iyi uygulamaları da esastır.

Aşağıda kısa bir el yazısı satıcıları listesi bulabilirsiniz. Bu satıcıların işletmeniz için OCR hizmetleri de sağlayabileceğini unutmamalısınız.

• Abbyy
• Google Cloud Vision API
• Hanvon (Hanwang Technology)
• Infrrd.ai
• MicroBlink
• Microsoft Azure Read API
• Mitek
• MyScript
• Selvasai
• Unitek.ai

SSS'ler

El yazısı tanıma araçları hakkında daha fazla bilgi edinmek isterseniz, şu makaleler de ilginizi çekebilir:

• Mevcut OCR Durumu: Çözülmüş Bir Sorun mu?
• OCR Benchmark'ı: Metin Çıkarma / Yakalama Doğruluğu
• En İyi Uygulamalarla Test Otomasyonu Dokümantasyonu

Bu benchmarkı kaynak gösterin

Yayınlayacağınız yere uygun formatı seçin. Bağlantılı sürümü CMS'inize yapıştırmak, geri bağlantıyı korur.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and PhD., Ezgi Arslan,},
  title  = {{14 LLM ve OCR ile El Yazısı Tanıma Benchmark'ı}},
  year   = {2026},
  month  = aug,
  howpublished    = {\url{https://aimultiple.com/handwriting-recognition}},
  note   = {AIMultiple. Erişim tarihi: 25 Ağustos 2026}
}

Değişiklik günlüğü

9 güncelleme

Tümü9Genel7Metodoloji2

1. 202625 Ağu

   El yazısı tanıma tedarikçi listesinden Vidado kaldırıldı.

2. 22 Oca

   El Yazısı kıyaslama bölümü kaldırıldı.

3. 20254 Ara

   Kaynak listesinden Azure Ink Recognizer API kaldırıldı.

4. 27 Kas

   El Yazısı Kıvrımlı Karşılaştırma Sonuçları bölümü eklendi.

5. 27 Kas

   Metodolojiden el yazısı örnekleri çıkarıldı.

6. 16 Eyl

   Benchmark Sonuçları bölümünün girişi yeni verilerle güncellendi.

7. 23 Oca

   Metodolojiden sonuçların kosinüs mesafesi ile karşılaştırılması kaldırıldı.

8. 202424 Eki

   Önde gelen ürünlerin listesini ve bir Metodoloji alt bölümünü içeren bir Karşılaştırma Sonuçları bölümü eklendi.

9. 20231 Ara

   El Yazısı Tanıma Satıcıları listesine Abbyy eklendi.

Referans Linkleri

1.

When you write, do you print or use cursive? - Quora

2.

Enhanced Hybrid Technique for Efficient Digitization of Handwritten Marksheets

3.

Page restricted | ScienceDirect

4.

Preprocessing Techniques for Online Handwriting Recognition | Springer Nature Link

Springer Berlin Heidelberg

5.

Putting the Hardware to Work | How OCR Works

Cem Dilmegani

Baş Analist

Takip Et

Cem, 2017'den beri AIMultiple bünyesinde baş analisttir. Cem'in AIMultiple'daki çalışmaları; Business Insider, Forbes, Morning Brew ve Washington Post gibi önde gelen küresel yayınlar, Deloitte ve HPE gibi küresel firmalar, Dünya Ekonomik Forumu gibi STK'lar ve Avrupa Komisyonu gibi uluslarüstü kuruluşlar tarafından alıntılanmıştır. [1], [2], [3], [4], [5] Kariyeri boyunca Cem; teknoloji danışmanı, teknoloji alıcısı ve teknoloji girişimcisi olarak görev yaptı. On yılı aşkın süre boyunca McKinsey & Company ve Altman Solon'da işletmelere teknoloji kararlarında danışmanlık yaptı. Ayrıca dijitalleşme üzerine bir McKinsey raporu yayımladı. CEO'ya rapor verirken bir telekom şirketinin teknoloji stratejisini ve satın alma süreçlerini yönetti. Ayrıca 2 yıl içinde 0'dan 7 haneli yıllık yinelenen gelire ve 9 haneli değerlemeye ulaşan derin teknoloji şirketi Hypatos'un ticari büyümesini yönetti. Cem'in Hypatos'taki çalışmaları TechCrunch ve Business Insider gibi önde gelen teknoloji yayınları tarafından ele alındı. Cem, uluslararası teknoloji konferanslarında düzenli olarak konuşma yapmaktadır. Boğaziçi Üniversitesi'nden bilgisayar mühendisi olarak mezun oldu ve Columbia Business School'dan MBA derecesine sahiptir.

Tam Profili Görüntüle

Araştıran

Ezgi Arslan, PhD.

Sektör Analisti

Takip Et

Ezgi, işletme alanında finans uzmanlığı içeren bir doktora derecesine sahiptir ve AIMultiple'da Sektör Analisti olarak görev yapmaktadır. Teknoloji ve iş dünyasının kesişiminde araştırma ve içgörü çalışmalarını yürütür; uzmanlık alanları arasında sürdürülebilirlik, anket ve duygu analizi, finanstaki AI ajan uygulamaları, yanıt motoru optimizasyonu, güvenlik duvarı yönetimi ve satın alma teknolojileri yer alır.

Tam Profili Görüntüle

Yorumlar 4

Düşüncelerinizi Paylaşın

E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir. Yorumlar orijinal dilinde bırakılır.

Ad

E-posta Adresi

Yorum

0/450

Yorumu Gönder

Swanidhi Singh

Aug 07, 2025 at 00:28

Exactly what I was looking for. Thank you!

Yanıtla

Sara

Sep 22, 2021 at 06:40

Hi Cem, your article is very clear and practical. Thank you for sharing your knowledge! It will be very useful for me.

Yanıtla

Vivienne

Feb 10, 2021 at 00:03

See Transkribus from readcoop for handwritten text recognition for cursive writing.

Yanıtla

Leonard

Dec 10, 2020 at 11:08

Which service or software would you recommend in this case: - manuscript/diary 100s of pages written by one author - other language than English (German in this case) I need the software to learn my handwriting, that is not in English and preferably with a good tool to correct all the error.

Yanıtla

Cem Dilmegani

Dec 12, 2020 at 19:54

Thank you for reaching out. You can try Google Cloud Vision. It is not bad at handwriting recognition and is free to try. I don't know if it can get user feedback to improve its models. Let us know if you find that functionality.

Yanıtla