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 tarz, boşluk ve düzensizliklerdeki farklılıklar nedeniyle zorlu olmaya devam etmektedir. Fazla öğrenmeyi önlemek için ekibimiz tarafından yazılmış 100 el yazısı örneği içeren bir bitişik el yazısı karşılaştırması sunuyoruz.

Bitişik el yazısı karşılaştırma sonuçları

Bu karşılaştırmada, GPT-5, Gemini 3 Pro Preview ve olmOCR-2-7B-1025-FP8 en iyi performans gösteren modellerdir; en yüksek anlamsal benzerlik puanlarını ve tüm örneklerde en tutarlı bitişik el yazısı yorumunu elde etmişlerdir.

Ürünlerin tam adları aşağıda verilmiştir; grafikte kısaltılmışlardır. 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 karşılaştırma metodolojisi

Bu karşılaştırma için, 10 yazar her biri bitişik el yazısıyla 10'ar paragraf yazdı ve toplamda 100 bitişik el yazısı örneğinden oluşan bir veri kümesi oluşturuldu. Yazarlardan düzgün yazmaları istenmedi. Doğal harf bağlantısı, vuruş değişkenliği, boşluk bozulması ve satır akıcılığı gerçekçi bitişik el yazısı karmaşıklığını yansıtması için bilerek korundu.

Veri kümesi şunları içerir:

• Değişken eğim, vuruş basıncı ve bağlama 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 birleşik OCR değerlendirme iş akışımız kullanılarak değerlendirilmiştir.

Örnek taranmış görüntü:

El yazısı tanıma nedir?

El yazısı tanıma, aynı zamanda el yazısı OCR veya bitişik el yazısı OCR olarak da bilinir; OCR teknolojisinin, el yazısı harflerini gerçek zamanlı olarak karşılık gelen dijital metne veya komutlara çeviren bir alt alanıdır. Bu görevi gerçekleştirmek için, bu sistemler çeşitli el yazısı harf stillerini tanımlamak için desen eşleştirmeden yararlanır. 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 yazısıyla, el yazması ve bitişik el yazısı biçiminde yazılmış metinleri kastediyoruz. El yazması tarzındaki metinler, karakterler ayrı ayrı blok harfler olarak yazıldığından tanınması daha kolaydır. Ancak bitişik el yazısı, karakterlerin yazılırken birleştirilmesini içerir.

Bu durum, el yazısı tanıma araçlarının her bir karakteri doğru algılamasını ve doğru şekilde tanımlamasını zorunlu kılar. Aşağıda el yazması ve bitişik el yazısı örnekleri verilmiştir.

Kaynak: Quora¹

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

El yazısını metne dönüştürmenin zorlukları nelerdir?

Geleneksel OCR araçları 70'lerden beri piyasada olmasına rağmen, hala el yazısı tanımayı gerçekleştirebilen çok fazla araç yoktur. Herkesin kendi yazma tarzı olduğu için, geleneksel OCR araçları herkesin el yazısını algılayamaz.

Bilgisayarlı görü teknolojisinin yanı sıra, bu değişikliklerin hepsini başarıyla tanımlamak için oldukça 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 ışıklandırmada yakalanır. Sayfalarda arka plan gürültüsü işlevi gören lekeler, gölgeler veya izler bulunabilir.
• Yazı stillerinin çeşitliliği: Her bireyin kendine özgü bir yazma şekli vardır. Alfabeler, harf biçimleri ve karakter boyutlarındaki farklılıklar tanımayı zorlaştırır.
• Eğri metin: El yazısı satırlar nadiren tamamen düzdür. Kelimeler eğilebilir, kıvrılabilir hatta alışılmadık açılarda görünebilir.
• Bağlantılı karakterler: Bitişik el yazısı veya hızlı yazmada harfler ve semboller sıklıkla birleşir, bu da ayrılmalarını zorlaştırır.
• Bozulma: 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 görü ile derin öğrenmeyi birleştirir. Bu yaklaşımlar, 1970'lerden beri var olan ancak hala el yazısında zorlanan geleneksel OCR'nin ötesine geçer. Günümüzde, şu yollarla ilerleme kaydedilmektedir:

• Giriş kalitesini artırın: Belgeleri daha yüksek çözünürlükte ve daha iyi ışıklandırmada yakalayın veya tarayın.
• Arka plan temizliği: Gürültüyü gidermek ve netliği artırmak için makine öğrenimi veya fotoğrafçılık tekniklerini kullanın.
• Gelişmiş tanıma algoritmaları: Çeşitli yazı stillerini, alfabeleri ve bağlantılı harfleri işlemek için tasarlanmış derin öğrenme modellerini uygulayın.
• Eğrilik düzeltme: Eğilmiş veya döndürülmüş metni belirlemek ve düzeltmek için görüntü işleme araçlarını kullanın.
• OCR dostu tasarım: Mümkün olduğunda, OCR araçlarının işlemesi kolay formlar ve belgeler oluşturun.

El yazısı notlarını dönüştürmeye yönelik hazırlık

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

1. Tarama ve ön işleme

• Net bir tarama sağlayın: Notlarınızın yüksek çözünürlüklü ve 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 eğrilik düzeltme: Başıboş lekeleri veya gölgeleri kaldırmak ve belgedeki eğilmeyi 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 sürecidir. 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 ayrı metin satırlarına ayırmayı içerir. Verileri kenar boşlukları içinde tutun.
• Kelime ve karakter bölütleme: Satır bölütlemeden sonra, satırları ayrı 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 gelişmiş metin ve düzen bölütlemesini otomatik olarak gerçekleştirebilir.

3. Daha kolay sayısallaştırma için onay kutuları ekleme

• Önceden basılmış kutular: Notlarınızı sayısallaştıracağınızı biliyorsanız, sayfaya açıkça onay kutuları çizin veya bastırın; bunların OCR yazılımı tarafından kolayca tanınacak kadar büyük olduğundan 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 daha kolay işlenmesi ve çıkarılması sağlanır.
• Standartlaştırın: Tutarlılık için notlarınız boyunca aynı türde onay kutusu ve stil kullanın.

4. OCR yazılımını kullanma

• OCR'yi Uygulayın: Notlar tarandıktan ve bölütlendikten sonra, metnin görüntülerini makine tarafından okunabilir dijital metne dönüştürmek için Optik Karakter Tanıma (OCR) yazılımını kullanın.
• İşleme sonrası: Özellikle karmaşık el yazısı veya sıra dışı düzenlerin olduğu alanlarda, sayısallaştırılmış metni hatalara karşı gözden geçirin.

El yazısı tanıma üzerine aktif araştırma var mı?

El yazısı tanıma yeteneği büyük ölçüde sinir ağlarına bağlı olduğundan, bu algoritmalardaki gelişmeler 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 araştırması birkaç eğitim adımıyla başlar:

• Farklı alfabelerden tüm olası karakterlerin tanıtılması
• Metindeki her bir karakteri bölütlemesi için aracın eğitilmesi
• Doğru karakter tanımlaması için özellik çıkarma konusunda aracın eğitilmesi

Google ayrıca el yazısı tanıma performansını artırmak için dil işleme algoritmalarını kullanmaktadır. Örneğin, araç “i” ile “l” arasında karar vermesi gerektiğinde, tüm kelimeyi analiz edebilir ve doğru sonuçlar sağlamak için 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, doğru el yazısı tanıma seçiminde kullanılan kriterler, 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 bağımlılıktan kaçınma gibi tedarik en iyi uygulamaları esastır.

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

• 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'nin Mevcut Durumu: Çözülmüş Bir Sorun mu?
• Fatura OCR Karşılaştırması: LLM'lerin ve 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 Karşılaştırması: LLM'ler vs OCR'lar}},
  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, Fortune 500'ün %55'i dahil olmak üzere her ay yüz binlerce işletmeyi (similarWeb verilerine göre) 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. AIMultiple'a atıfta bulunan daha fazla saygın şirketi ve kaynağı görebilirsiniz. Kariyeri boyunca Cem, teknoloji danışmanı, teknoloji alıcısı ve teknoloji girişimcisi olarak görev yaptı. On yıldan fazla bir süre boyunca McKinsey & Company ve Altman Solon'da işletmelere teknoloji kararları konusunda danışmanlık yaptı. Ayrıca dijitalleşme üzerine bir McKinsey raporu yayınladı. CEO'ya rapor verirken bir telekom şirketinin teknoloji stratejisini ve satın alımını yönetti. Ayrıca, 2 yıl içinde sıfırdan 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 düzenli olarak uluslararası teknoloji konferanslarında konuşma yapmaktadır. Boğaziçi Üniversitesi'nden bilgisayar mühendisi olarak mezun olmuş 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