El Yazısı Tanıma Kıyaslaması: LLM'ler vs OCR'ler

OCR araçları, yüksek kaliteli görüntülerde daktilo metinde %99'un üzerinde doğruluk elde eder. Ancak el yazısı, stil, boşluk ve düzensizliklerdeki farklılıklar nedeniyle zorlu olmaya devam ediyor. Aşırı uyumu önlemek için ekibimiz tarafından yazılan 100 el yazısı örneği içeren bir el yazısı kıyaslaması sunuyoruz.

Cursive el yazısı kıyaslama sonuçları

Bu kıyaslamada, GPT-5, Gemini 3 Pro Preview, ve olmOCR-2-7B-1025-FP8 en iyi performans gösteren modellerdir, en yüksek anlamsal benzerlik puanlarını ve tüm örnekler boyunca cursive metnin en tutarlı yorumunu sunmaktadır.

Aşağıda ürünlerin tam adları verilmiştir, grafikte kısaltılmışlardır. Bu kıyaslamada, 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

Cursive el yazısı kıyaslama metodolojisi

Bu kıyaslama için, 10 yazar her biri cursive olarak 10 paragraf yazdı, böylece 100 cursive el yazısı örneğinden oluşan bir veri seti elde edildi. Yazarlardan düzgün yazmaları istenmedi. Doğal harf bağlantıları, vuruş değişkenliği, boşluk bozulmaları ve satır akışı, gerçekçi cursive karmaşıklığını yansıtmak amacıyla kasıtlı olarak korunmuştur.

Veri seti şunları içerir:

• Değişken eğim, vuruş basıncı ve bitişik yazı desenleri
• Sayılar, noktalama ve büyük harf karışımı içeren metin
• Sağlamlığı sağlamak için çeşitli görüntü çözünürlükleri ve arka planlar

Tüm örnekler, adil karşılaştırma için kosinüs benzerliğine dayalı olarak birleşik OCR değerlendirme boru hattı kullanılarak değerlendirilmiştir.

Örnek taranmış görüntü:

El yazısı tanıma nedir?

El yazısı tanıma, aynı zamanda el yazısı OCR veya cursive OCR olarak da bilinir, OCR teknolojisi'nin bir alt alanıdır ve el yazısı harfleri gerçek zamanlı olarak karşılık gelen dijital metin veya komutlara çevirir. Bu görevi yerine getirmek için, bu sistemler çeşitli el yazısı stillerini tanımlamak üzere desen eşleştirmeden yararlanır. Wikipedia, el yazısı tanımayı şöyle tanımlar:

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; kıyaslamamızda gemini-3-pro %100 doğrudur.

El yazısı neleri kapsar?

El yazısıyla, düz yazı (manuscript) ve cursive biçiminde yazılmış metinleri kastediyoruz. Düz yazı (manuscript) tarzındaki metinlerin tanınması daha kolaydır çünkü karakterler ayrı ayrı blok harfler olarak yazılır. Ancak, cursive el yazısı, yazıldıkça bitişik karakterleri içerir.

Bu özellik, el yazısı tanıma araçlarının her bir ayrı karakteri doğru algılamasını ve doğru şekilde tanımlamasını gerektirir. Aşağıda düz yazı (manuscript) ve cursive yazma örnekleri bulunmaktadır.

Kaynak: Quora¹

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

El yazısını metne dönüştürmenin zorlukları nelerdir?

Geleneksel OCR araçları 70'lerden beri piyasada olsa da, el yazısı tanımayı işleyebilen hâlâ çok fazla araç yoktur. Herkesin kendi yazma tarzı olduğu için, geleneksel OCR araçları herkesin el yazısını algılayamaz.

Bilgisayarlı görü teknolojisine ek olarak, tüm bu varyasyonları 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 kötü ışıklandırmada yakalanır. Sayfalarda arka plan gürültüsü oluşturan lekeler, gölgeler veya silinmeler bulunabilir.
• Yazma stillerinin çeşitliliği: Her bireyin kendine özgü bir yazma şekli vardır. Alfabe, harf şekilleri ve karakter boyutlarındaki farklılıklar tanımayı zorlaştırır.
• Eğik metin: El yazısı satırları nadiren tamamen düzdür. Kelimeler eğilebilir, bükülebilir veya alışılmadık açılarla görünebilir.
• Bağlantılı karakterler: Cursive veya hızlı yazmada, harfler ve semboller sık sık birleşir, bu da onları ayırmayı zorlaştırır.
• Bozulma: Eski veya çok kullanılmış belgelerde solmuş mürekkep, sararma veya sayfa hasarı olabilir, bu da metin netliğini azaltır.

Çözümler

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

• Girdi kalitesini iyileştirme: Belgeleri daha yüksek çözünürlükte ve daha iyi ışıklandırmada yakalayın veya tarayın.
• Arka plan temizliği: Gürültüyü gidermek ve netliği artırmak için makine öğrenmesi veya fotoğrafçılık tekniklerini kullanın.
• Gelişmiş tanıma algoritmaları: Farklı yazma stilleri, alfabeler ve bağlı harflerle başa çıkmak için tasarlanmış derin öğrenme modellerini uygulayın.
• Eğiklik düzeltme: Eğik veya dönmüş metni tespit etmek ve düzeltmek için görüntü işleme araçlarını kullanın.
• OCR-dostu tasarım: Mümkün olduğunda, OCR araçlarının işlemesi kolay formlar ve belgeler oluşturun.

El yazısı notları dönüştürmeye hazırlık

Belgeleri tasarlarken göz önünde bulundurulması gereken çeşitli faktörler vardır. En önemlisi, belgelerden yakalanacak veridir. Aynı tür veriyi temsil etmenin farklı yolları olduğundan, belgenizi oluştururken her seçeneğin hızını, doğruluğunu ve kullanıcı dostu olmasını göz önünde bulundurmanız gerekir.² ,³ ,⁴

1. Tarama ve ön işleme

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

Kaynak: Datacap.hk

• Gürültü giderme ve eğiklik düzeltme: Dağınık işaretleri veya gölgeleri kaldırmak ve belgedeki eğikliği düzeltmek için filtreler uygulayın. Renkli arka planlardan kaçının. Eğik belgeleri önlemek için hizalama öğelerinden yararlanın.

2. Bölütleme teknikleri

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

Kaynak: How OCR Works⁵

• Metin satırı bölütleme: Bu, diğer görevler için ön koşuldur ve belgeyi ayrı metin satırlarına ayırmayı içerir. Verileri kenar boşluklarının içinde tutun.
• Kelime ve karakter bölütleme: Satır bölütlemeden sonra, satırları tek 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 otomatik olarak gelişmiş metin ve düzen bölütlemesi gerçekleştirebilir.

3. Daha kolay sayısallaştırma için onay kutuları ekleme

• Önceden basılmış kutular: Notlarınızı sayısallaştıracağınızı biliyorsanız, sayfada açıkça onay kutuları çizin veya yazdırın, OCR yazılımı tarafından kolayca tanınacak kadar büyük olduklarından emin olun.
• Açık biçimlendirme: Onay kutularının ilişkili oldukları metne çok yakın olmadığından ve kağıtla yeterli kontrasta sahip olduğundan emin olun.
• Yapay zeka destekli OCR'dan yararlanma: Araçlar, bu onay kutularını tanımak üzere eğitilebilir, böylece işaretli/işaretsiz bilgilerin işlenmesi ve çıkarılması kolaylaşır.
• Standartlaştırma: Tutarlılık için notlarınız boyunca aynı tür onay kutusu ve stili kullanın.

4. OCR yazılımı kullanma

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

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 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 genellikle sinir ağı algoritmalarına dayanır.

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

• Farklı alfabelerden tüm olası karakterlerin tanıtılması
• Aracın bir metindeki her karakteri bölütlemesi için eğitilmesi
• Doğru karakter tanımlaması için özellik çıkarımı için aracın eğitilmesi

Google, el yazısı tanıma performansını iyileştirmek için dil işleme algoritmalarını da kullanmaktadır. Örneğin, aracın “i” ile “l” arasında karar vermesi gerektiğinde, doğru sonuçları 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, girdiye karşılık gelen en doğru karakter temsilini oluşturmak için eşzamanlı olarak çalışır.

El yazısı tanıma satıcıları

El yazısı tanıma, OCR'ın 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 satıcıya bağımlılıktan kaçınma gibi tedarik en iyi uygulamaları esastır.

Aşağıda kısa bir el yazısı tanıma satıcıları listesi bulabilirsiniz. Bu satıcıların işletmeniz için OCR hizmetleri de sağlayabileceğini 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, şu makaleler de ilginizi çekebilir:

• OCR'ın Güncel Durumu: Çözülmüş Bir Sorun mu?
• Fatura OCR Kıyaslaması: LLM'ler ile OCR'ların Çıkarma Doğruluğu

Bu benchmarkı kaynak gösterin

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

@misc{dilmegani2026,
  author = {Dilmegani, Cem},
  title  = {{El Yazısı Tanıma Kıyaslaması: LLM'ler vs OCR'ler}},
  year   = {2026},
  month  = jul,
  howpublished    = {\url{https://aimultiple.com/handwriting-recognition}},
  note   = {AIMultiple. Erişim tarihi: 2 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 analist olarak görev yapmaktadır. AIMultiple, her ay Fortune 500 şirketlerinin %55'i de dahil olmak üzere yüz binlerce işletmeye (benzer Web'e göre) bilgi sağlamaktadır. 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 uluslararası kuruluşlar tarafından alıntılanmıştır. AIMultiple'ı referans gösteren daha fazla saygın şirket ve kaynağı görebilirsiniz. Kariyeri boyunca Cem, teknoloji danışmanı, teknoloji alıcısı ve teknoloji girişimcisi olarak görev yapmıştır. On yıldan fazla bir süre McKinsey & Company ve Altman Solon'da işletmelere teknoloji kararları konusunda danışmanlık yapmıştır. Ayrıca dijitalleşme üzerine bir McKinsey raporu yayınlamıştır. Bir telekom şirketinin CEO'suna bağlı olarak teknoloji stratejisi ve tedarikini yönetmiştir. Ayrıca, 2 yıl içinde sıfırdan 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 yayınlarında yer aldı. Cem düzenli olarak uluslararası teknoloji konferanslarında konuşmacı olarak yer almaktadır. Boğaziçi Üniversitesi'nden bilgisayar mühendisliği diplomasına ve Columbia Business School'dan MBA derecesine 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