El Yazısı Tanıma Karşılaştırması: LLM'ler vs OCR'lar

OCR araçları, yüksek kaliteli görüntülerde yazılı metinde %99'un üzerinde doğruluk elde eder. Ancak el yazısı; stil, aralık ve düzensizliklerdeki çeşitlilik nedeniyle zorlu olmaya devam etmektedir. Aşırı uyumu önlemek için ekibimiz tarafından yazılmış 100 el yazısı örneği içeren bir bitişik el yazısı karşılaştırması sunuyoruz.

Bitişik el yazısı karşılaştırması sonuçları

Bu karşılaştırmada, GPT-5, Gemini 3 Pro Preview ve olmOCR-2-7B-1025-FP8, en yüksek anlamsal benzerlik puanlarını elde eden ve tüm örnekler boyunca bitişik el yazısı metninin en tutarlı yorumunu yapan en üst performanslı modellerdir.

Ürünlerin tam adları aşağıdadır, grafikte onları kısalttık. Bu karşılaştırmada, Kasım 2025 itibarıyla en son sürümleri kullanılmıştır:

• 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 karşılaştırması metodolojisi

Bu karşılaştırma için, 10 yazar, her biri bitişik el yazısıyla 10 paragraf yazdı ve sonuçta 100 bitişik el yazısı örneğinden oluşan bir veri kümesi ortaya çıktı. Yazarlardan düzgün yazmaları istenmedi. Doğal harf bağlantısı, çizgi değişkenliği, aralık bozulması ve çizgi akıcılığı, gerçekçi bitişik el yazısı karmaşıklığını yansıtmak için kasıtlı olarak korunmuştur.

Veri kümesi şunları içerir:

• Değişken eğim, çizgi basıncı ve bitişiklik desenleri
• Rakamlar, noktalama işaretleri ve büyük/küçük harf kullanımıyla karışık metin
• Sağlamlılığı sağlamak için çeşitli görüntü çözünürlükleri ve arka planlar

Tüm örnekler, adil bir karşılaştırma için kosinüs benzerliğine dayalı birleşik OCR değerlendirme hattı kullanılarak değerlendirildi.

Örnek taranmış görüntü:

El yazısı tanıma nedir?

El yazısı tanıma, el yazısı OCR veya bitişik OCR olarak da bilinir, el yazısı harfleri karşılık gelen dijital metne veya komutlara gerçek zamanlı olarak çeviren OCR teknolojisinin bir alt alanıdır. Bu görevi yerine getirmek için bu sistemler, çeşitli el yazısı stillerini tanımlamak üzere örüntü eşleştirmeden faydalanır. Wikipedia el yazısı tanımayı şöyle tanımlar:

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

LLM el yazısı tanıma yetenekleri de oldukça gelişmiştir, karşılaştırmamızda gemini-3-pro %100 doğrudur.

El yazısına neler dahildir?

El yazısı derken, el yazması ve bitişik formda yazılmış metinleri kastediyoruz. El yazması tarzındaki metinler, karakterler ayrı ayrı blok harfler olarak yazıldığı için tanınması daha kolaydır. Ancak bitişik el yazısı, karakterlerin birleşik olarak yazılmasını içerir.

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

Kaynak: Quora¹

El yazısı tanıma araçları, dijital ekranlardaki el yazısını da tanıyabilir. Bu tür el yazısı yazıldığı gibi 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 70'lerden beri piyasada olsa da, el yazısı tanımayı gerçekleştirebilen çok sayıda araç hâlâ bulunmamaktadır. Herkesin kendi yazma tarzı olduğu için, geleneksel OCR araçları herkesin el yazısını algılayamaz.

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

Zorluklar

• Görüntü kalitesi: El yazısı metin genellikle düşük çözünürlükte veya zayıf aydınlatmada yakalanır. Sayfalarda arka plan gürültüsü olarak etki eden lekeler, gölgeler veya leke izleri bulunabilir.
• Yazma stillerindeki çeşitlilik: Her bireyin kendine özgü bir yazma biçimi vardır. Alfabe, harf şekilleri ve karakter boyutlarındaki farklılıklar tanımayı daha zor hale getirir.
• Eğri metin: El yazısı satırlar nadiren tamamen düzdür. Kelimeler eğilebilir, kıvrılabilir veya alışılmadık açılarda görünebilir.
• Bağlantılı karakterler: Bitişik veya hızlı yazmada, harf ve semboller sıklıkla birleşir ve ayrılmalarını zorlaştırır.
• Yıpranma: Eski veya çok kullanılan belgelerde soluk 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 hâlâ el yazısında zorlanan geleneksel OCR'nin ötesine geçer. Günümüzde ilerleme şu yollarla sağlanmaktadır:

• Giriş kalitesini artırma: Belgeleri daha yüksek çözünürlükte ve daha iyi aydınlatmayla yakalayın veya tarayın.
• Arka plan temizliği: Gürültüyü gidermek ve netliği artırmak için makine öğrenimi veya fotoğrafçılık tekniklerini kullanın.
• Gelişmiş tanıma algoritmaları: Çeşitli yazma stillerini, alfabeleri ve bitişik harfleri işlemek üzere tasarlanmış derin öğrenme modellerini uygulayın.
• Eğrilik düzeltme: Eğri veya döndürülmüş metni tespit edip düzeltmek için görüntü işleme araçlarını kullanın.
• OCR dostu tasarım: Mümkün olduğunda, OCR araçlarının işlemesini kolaylaştıracak formlar ve belgeler oluşturun.

El yazısı notları dönüştürmeye hazırlık

Belgeleri tasarlarken dikkate alınması gereken çeşitli faktörler vardır. Bunlardan en önemlisi, belgelerden yakalanacak verilerdir. Aynı veri türünü temsil etmenin farklı yolları olduğundan, belgenizi oluştururken her seçeneğin hızını, doğruluğunu ve kullanıcı dostu olup olmadığını değerlendirmeniz 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.
• İkili hale getirme: Kontrastı iyileştirmek ve metni arka plandan daha belirgin hale getirmek için taranmış görüntüyü siyah beyaza dönüştürün.

Kaynak: Datacap.hk

• Gürültü giderme & eğrilik düzeltme: Başıboş işaretleri veya gölgeleri kaldırmak ve belgedeki eğikliği düzeltmek için filtreler uygulayın. Renkli arka planlardan kaçının. Eğri belgeleri önlemek için hizalama öğelerinden yararlanın.

2. Bölütleme teknikleri

Bölütleme, görüntüyü metin satırları, kelimeler ve tek karakterler gibi daha küçük, daha yönetilebilir bileşenlere ayırma işlemidir. Bunu sağlamak için işletmeler, aşağıda görebileceğiniz bölütleme yöntemlerini kullanabilir.

Kaynak: How OCR Works⁵

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

3. Daha kolay dijitalleştirme için onay kutularının dahil edilmesi

• Önceden basılmış kutular: Notlarınızı dijitalleştireceğinizi biliyorsanız, sayfaya net bir şekilde onay kutuları çizin veya yazdırın; bunların OCR yazılımı tarafından kolayca tanınabilecek kadar büyük olduğundan emin olun.
• Net biçimlendirme: Onay kutularının ilişkilendirildikleri metne çok yakın olmadığından ve kağıtla yeterli kontrasta sahip olduğundan emin olun.
• Yapay zeka destekli OCR'den yararlanma: Araçlar, bu onay kutularını tanıyacak şekilde eğitilerek işaretli/işaretsiz bilgilerin işlenmesini ve çıkarılmasını kolaylaştırabilir.
• Standartlaştırma: Tutarlılık için notlarınız boyunca aynı tür onay kutusu ve stili kullanın.

4. OCR yazılımı kullanma

• OCR uygulayın: Notlar tarandıktan ve bölütlendikten sonra, metin görüntülerini makine tarafından okunabilir dijital metne dönüştürmek için Optical Character Recognition (OCR) yazılımını kullanın.
• Son işleme: Dijitalleştirilmiş metni, özellikle karmaşık el yazısı veya alışılmadık düzenlerin olduğu alanlarda hatalara karşı gözden geçirin.

El yazısı tanıma üzerine aktif araştırma var mı?

El yazısı tanıma kapasitesi 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 dayanmaktadır.

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

• Farklı alfabelerden tüm olası karakterlerin tanıtılması
• Aracı, metindeki her karakteri bölütlemesi için eğitmek
• Doğru karakter tanımlama için özellik çıkarma konusunda aracı eğitmek

Google ayrıca el yazısı tanıma performansını artırmak için dil işleme algoritmalarını kullanmaktadır. Örneğin, araç "i" ve "l" arasında karar vermesi gerektiğinde, doğru sonuçlar sağlamak için tüm kelimeyi analiz edebilir ve uygun karaktere karar verebilir.

OCR yazılımı genellikle yazılıma entegre edilmiş birkaç el yazısı tanıma motoruna sahiptir. Bu motorlar, girişe karşılık gelen en doğru karakter temsilini oluşturmak 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 kriterleri 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 gerekiyorsa 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 satıcı bağımlılığından kaçınma gibi tedarik en iyi uygulamaları esastır.

Aşağıda kısa bir el yazısı satıcıları listesi bulabilirsiniz. Ayrıca bu satıcıların işletmeniz için OCR hizmetleri de sunabileceğini unutmayın.

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

SSS'ler

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

• Mevcut OCR Durumu: Çözülmüş Bir Sorun mu?
• Fatura OCR Karşılaştırması: LLM'ler vs OCR'ların Çıkarım Doğruluğu
• OCR Karşılaştırması: Metin Çıkarma / Yakalama Doğruluğu

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  = {{El Yazısı Tanıma Karşılaştırması: LLM'ler vs OCR'lar}},
  year   = {2026},
  month  = jul,
  howpublished    = {\url{https://aimultiple.com/handwriting-recognition}},
  note   = {AIMultiple. Erişim tarihi: 29 Temmuz 2026}
}

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'da baş analisttir. AIMultiple, her ay Fortune 500'ün %60'ı dahil olmak üzere (similarWeb'e göre) yüz binlerce işletmeyi bilgilendirmektedir.

Cem'in çalışmaları Business Insider, Forbes, Washington Post gibi önde gelen küresel yayınlar, Deloitte, HPE gibi küresel firmalar, Dünya Ekonomik Forumu gibi STK'lar ve Avrupa Komisyonu gibi uluslarüstü kuruluşlar tarafından alıntılanmıştır.

Cem, kariyeri boyunca teknoloji danışmanı, teknoloji alıcısı ve teknoloji girişimcisi olarak görev yapmıştır. On yıldan fazla bir süre McKinsey & Company ve Altman Solon'da işletmelere teknoloji kararlarında danışmanlık yapmıştır. Ayrıca dijitalleşme üzerine bir McKinsey raporu yayımlamıştır.

CEO'ya rapor verirken bir telekomünikasyon şirketinin teknoloji stratejisini ve satın alımını yönetmiştir. Ayrıca, 2 yıl içinde 0'dan 7 haneli yıllık yinelenen gelire ve 9 haneli değerlemeye ulaşan derin teknoloji şirketi Hypatos'un ticari büyümesini yönetmiştir. Cem'in Hypatos'taki çalışmaları TechCrunch ve Business Insider gibi önde gelen teknoloji yayınları tarafından ele alınmıştır.

Cem, uluslararası teknoloji konferanslarında düzenli olarak konuşma yapmaktadır. Boğaziçi Üniversitesi'nden bilgisayar mühendisi olarak mezun olmuş ve Columbia Business School'dan MBA derecesine sahiptir.

Tam Profili Görüntüle

Araştıran

Ezgi Arslan, PhD.

Endüstri Analisti

Takip Et

Ezgi, finans alanında uzmanlık içeren İşletme alanında doktora derecesine sahiptir ve AIMultiple'da Endüstri Analisti olarak görev yapmaktadır. Teknoloji ve iş dünyasının kesişiminde araştırma ve içgörüler yürütmekte; sürdürülebilirlik, anket ve duygu analizi, finansta yapay zeka ajan uygulamaları, yanıt motoru optimizasyonu, güvenlik duvarı yönetimi ve satın alma teknolojileri konularında uzmanlığa sahiptir.

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