OCR Nedir? Görseldeki Yazı Nasıl Metne Dönüşür

Yayın tarihi:

14 dk okuma

Acar Diveroli
Yazar: Acar Diveroli
Eğik bir fatura sayfasını tarama çizgisi kesiyor; tek ışın o satırı temiz metin paneline taşıyor, satır orada mavi vurgulu

Bir muhasebe ekibi beş yıllık kâğıt faturaları PDF olarak tarıyor, sonra tek bir tedarikçinin bütün faturalarını bulmaya çalışıyor. Ctrl+F hiçbir şey bulmuyor, çünkü her sayfa metin değil, kâğıdın bir resmi. Bir gezgin telefonunu yabancı dildeki bir menüye tutuyor; bir öğrenci fotoğrafını çektiği ders kitabı sayfasından bir paragrafı notlarına yapıştırmak istiyor. Üçünün de ihtiyacı aynı: piksellerin hangi harfleri gösterdiğini çözen yazılım, yani OCR.

Bu yazıda bir OCR motorunun nasıl çalıştığını, başlıca türlerini ve yakın akrabaları ICR ile OMR'den farkını, doğruluğu neyin belirlediğini, OCR'ı telefonda, bilgisayarda ve PDF'te nasıl kullanacağınızı ve taranmış belgelerde hangi gizlilik kurallarının geçerli olduğunu anlatıyoruz.

OCR nedir?

OCR (İngilizce "optical character recognition", optik karakter tanıma), bir görseldeki harfleri, rakamları ve işaretleri tanıyıp metin karakteri olarak kaydeden yazılımdır. Bilgisayar için taranmış bir sayfa renkli noktalardan oluşan bir ızgaradır; üzerindeki "Fatura" sözcüğü, bir kedi çiziminden daha fazla metin sayılmaz. OCR bu noktaları, bir programın arayabileceği, düzenleyebileceği, çevirebileceği ya da sesli okuyabileceği karakterlere dönüştürür.

Girdi taranmış bir sayfa, bir fiş fotoğrafı, bir ekran görüntüsü ya da kameranın gördüğü bir tabela olabilir. Çıktı metindir; çoğu zaman her sözcüğün sayfadaki konumu ve motorun o sözcükten ne kadar emin olduğunu gösteren bir puan da eklenir. "OCR tarama" ise kâğıdı tarayıp OCR'ı tek adımda uygulamak demektir; pek çok tarama uygulaması bunu kendiliğinden yapar.

OCR nasıl çalışır?

OCR bir işlem hattı olarak çalışır: motor görüntüyü hazırlar, yazının nerede olduğunu bulur, onu tanır ve sonucu temizler. Süreç altı aşamadan oluşur:

  1. Görüntünün alınması. Görüntüyü bir tarayıcı, kamera ya da ekran görüntüsü üretir. Tesseract'ın belgeleri taramalar için en az 300 DPI önerir; telefon fotoğrafı da net, eşit ışıklı ve karşıdan çekilmiş olmalıdır.
  2. Ön işleme. Motor eğik sayfayı düzeltir (deskewing), görüntüyü açık zemin üzerinde koyu yazıya çevirir (ikili görüntüye çevirme, binarization), lekeleri ve taramada oluşan koyu kenarları temizler, küçük yazıyı büyütür.
  3. Sayfa düzeni analizi. Sayfa bloklara, sütunlara, satırlara ve sözcüklere ayrılır, okuma sırası belirlenir. İki sütunlu bir sayfa soldan sağa düz okunursa cümleler birbirine karışır; tablolar en çok bu adımda bozulur.
  4. Tanıma. Eski motorlar her karakteri kayıtlı şekillerle karşılaştırırdı. Bugünkü motorlar satırın görüntüsünü bütün olarak bir sinir ağına verir; ağ en olası karakter dizisini üretir.
  5. Dil düzeltmesi. Bir sözlük ya da dil modeli "c1ient" gibi olası okuma hatalarını "client" diye düzeltir. Aynı adım bir ürün kodunu ya da soyadını da yanlışlıkla "düzeltebilir"; bazı araçların bu adımı kapatmaya izin vermesinin nedeni budur.
  6. Çıktı. Düz metin, sözcük konumlarıyla birlikte metin (hOCR ve ALTO gibi biçimler) ya da aranabilir PDF. Çoğu motor her sözcüğe bir güven puanı da verir; bu puan, kontrol edecek kişiye önce nereye bakması gerektiğini gösterir.

Yaygın kullanılan açık kaynaklı Tesseract motoru bu değişimi iyi gösterir. Hewlett-Packard'da 1985-1994 yılları arasında geliştirildi ve kaynak kodu 2005'te açıldı; 4. sürümde, karakterleri tek tek değil satırları bütün olarak tanıyan, LSTM tabanlı (dizileri işlemek için tasarlanmış bir ağ türü) bir sinir ağı motoru eklendi.

OCR teknolojisinin türleri nelerdir?

OCR teknolojisi üç ana gruba ayrılır: karakter şekillerini eşleştiren klasik motorlar, satırları sinir ağlarıyla bütün olarak okuyan derin öğrenme tabanlı OCR ve sayfayı tek bir modelde hem okuyup hem yorumlayan görsel-dil modelleri (vision-language model, VLM).

YaklaşımNasıl okur?Güçlü olduğu yerZayıf noktası
Klasik OCRHer karakterin şeklini eşleştirirTemiz basılı sayfalar, yaygın yazı tipleriGürültü, alışılmadık yazı tipleri, el yazısı
Derin öğrenme OCRSinir ağı satırı bütün olarak okurFarklı yazı tipleri, fotoğraflar, birçok dilTablolar ve karmaşık düzenler
Görsel-dil modeliSayfayı okur ve hakkında cevap verirDağınık düzenler, belgeyle ilgili sorularMetni değiştirebilir ya da uydurabilir; daha maliyetli

Derin öğrenme tabanlı OCR genellikle iki ağı bir araya getirir: satır görüntüsünden görsel özellikleri çıkaran bir evrişimli ağ (CNN) ve bunları karakterlere çeviren bir yinelemeli ağ (RNN); çıktıyı da ayrı bir dil modeli toparlar. Microsoft araştırmacılarının TrOCR makalesi her iki parça için de büyük dil modellerinin (LLM) temelindeki Transformer mimarisini kullanır; böylece görüntüyü okuyan ve metni yazan tek bir model olur, ayrı bir dil modeline gerek kalmaz.

OCR mı, görsel-dil modeli mi kullanmalı?

Metnin konumları ve güven puanlarıyla birlikte birebir kopyası gerekiyorsa OCR'ı, dağınık bir belgenin harfi harfine kopyasından çok anlamı gerekiyorsa görsel-dil modelini kullanın. Görsel-dil modeli, görseli ve metni birlikte girdi olarak alan multimodal bir modeldir; ayrıntısını Multimodal Yapay Zekâ Nedir? yazısında anlattık.

OCR motoru kopyalar: ürettiği her karakter görüntünün bir bölgesinden gelir ve motor hangi bölgeden geldiğini, ne kadar emin olduğunu söyleyebilir. Görsel-dil modeli ise en olası cevabı yazar. Bu sayede buruşmuş bir fişle ya da ilk kez gördüğü bir formla başa çıkabilir; ama sayfada gerçekten bulunan bir yazım hatasını düzeltebilir, bir satırı atlayabilir ya da sayfada olmayan, akla yatkın bir rakam yazabilir.

Bu yüzden pek çok belge işleme hattı ikisini birlikte kullanır: metin ve konumlar için OCR, bu metni tedarikçi ve toplam tutar gibi alanlara yerleştirmek için bir dil modeli, güven puanı düşük durumlar için de bir insan.

OCR, ICR ve OMR arasındaki fark nedir?

OCR makinede basılmış yazıyı, ICR elle tek tek yazılmış karakterleri okur; OMR ise karakter değil, işaretlenmiş kutu ve doldurulmuş daire gibi işaretleri algılar. Bu adlar kâğıt formlardan gelir; tek bir form çoğu zaman üçüne birden ihtiyaç duyar.

  • OCR (optik karakter tanıma) genel terimdir ve makinede yazılmış ya da basılmış yazıyı okumanın olağan adıdır.
  • ICR (intelligent character recognition, akıllı karakter tanıma) genellikle elle yazılmış harflerin, çoğunlukla her kutuya bir tane yazılan büyük harflerin okunması anlamına gelir. Terim pek tutarlı kullanılmaz; pek çok ürün artık onu OCR'ın içinde sayar.
  • OMR (optical mark recognition, optik işaret tanıma) hiç karakter okumaz; bir kutunun ya da dairenin işaretlenip işaretlenmediğine bakar. Sınav cevap kâğıtları ve nüfus sayımı formları bunun örneğidir; bu formlardaki el yazısı cevaplar ayrıca işlenir.
  • HTR (handwritten text recognition, el yazısı metin tanıma) mektup ve tarihî el yazmaları gibi serbest, bitişik el yazısını kapsar; en zor durum budur.

OCR doğruluğunu ne etkiler?

OCR doğruluğunu motordan çok girdi belirler: basılı bir sayfanın net, 300 DPI taraması ile buruşmuş bir fişin fotoğrafı aynı yazılımla çok farklı sonuç verir. Başlıca etkenler şunlar:

  • Çözünürlük ve netlik. Bulanık karakterler "e" ile "c"yi, "rn" ile "m"yi ayıran ayrıntıyı kaybeder.
  • Eğiklik ve perspektif. Açılı çekilen sayfalarda satırlar eğik durur; kalın kitaplarda sırta yakın satırlar kıvrılır.
  • Kontrast ve zemin. Solmuş mürekkep, renkli kâğıt, kaşeler ve gölgeler gürültü ekler.
  • Yazı tipi ve el yazısı. Süslü ya da çok küçük yazı daha zor okunur; bitişik el yazısı ise büyük harflerle yazılmış metinden çok daha zordur.
  • Sayfa düzeni. Tablolar, sütunlar ve resim üstündeki yazılar okuma sırasını şaşırtır.
  • Dil verisi. Motorun sayfadaki dilin alfabesini, mümkünse sözcüklerini de bilmesi gerekir.

Doğruluk genellikle karakter hata oranıyla (character error rate, CER) ölçülür: doğru metne ulaşmak için eklenmesi, silinmesi ya da değiştirilmesi gereken karakter sayısının doğru metnin uzunluğuna oranı. Düşük bir oran bile bir toplam tutardaki tek yanlış rakamı gizleyebilir. Neyi kontrol edeceğinize güven puanlarına bakarak karar verin, önemli alanları ise her seferinde doğrulayın.

OCR her dilde çalışır mı?

OCR bir dilde ancak motor o dilin karakterleriyle eğitilmişse çalışır; dilin sözcüklerini de biliyorsa daha iyi sonuç verir. Tesseract 100'den fazla dili, her biri için ayrı bir veri dosyasıyla tanır; dil veri dosyaları listesinde Türkçe, İngilizcenin (eng) yanında tur koduyla yer alır.

Yanlış ayar, küçük görünen ama aramayı bozan hatalar üretir. İngilizceye ayarlı bir motor "ı" harfini "i", "ş" harfini "s", "ğ" harfini "g" diye okuyabilir; "Işık" sözcüğü "Isik" olarak çıkabilir ve sonradan doğru yazımla yapılan arama hiçbir şey bulmaz. Birden fazla dil içeren belgelerde iki dili birlikte seçin (Tesseract tur+eng gibi birleşimleri kabul eder). Arap ya da Çin yazısı gibi yazı sistemleri kendi modellerini ister; toplu bir işe başlamadan gereken dilin yüklü olduğunu kontrol edin.

OCR telefonda ve bilgisayarda nasıl kullanılır?

Çoğu telefonda OCR zaten vardır: Android'de Google Lens'le, iPhone'da Canlı Metin'le bir fotoğraftaki ya da kamera görüntüsündeki yazıyı seçip kopyalayabilir veya çevirebilirsiniz.

Android'de Google uygulamasını açın, arama çubuğundaki Google Lens simgesine dokunun ve bir fotoğraf çekin ya da bir ekran görüntüsü seçin. Yazıya, ardından Metin seç düğmesine dokunun; açılan menüde kopyalama, dinleme, çeviri ve arama seçenekleri çıkar. Google'ın Lens yardım sayfası en önemli koşulu da hatırlatır: net ve iyi aydınlatılmış bir görüntü kullanın.

iOS 15 veya sonraki bir sürümün yüklü olduğu iPhone XS, iPhone XR ya da sonraki modellerde bir fotoğrafı açın, bir sözcüğü basılı tutun, tutma noktalarını sürükleyin ve Kopyala ya da Tümünü Seç'e dokunun. Hiçbir şey olmuyorsa Ayarlar > Genel > Dil ve Bölge > Canlı Metin seçeneğini açın. Apple'ın talimatları çeviriyi de anlatır; Apple, Türkçeyi Canlı Metin'in desteklediği diller arasında sayar, ama özellik her bölgede ve her dilde kullanılamaz.

Bilgisayarda pek çok tarama uygulaması ve PDF düzenleyici, taranmış bir belgedeki yazıyı tanıyıp aranabilir PDF olarak kaydedebilir. Daha büyük işlerde Tesseract komut satırından ya da Python'dan çalışır; PDF'den Veri Çıkarma yazısında taranmış sayfalar için test edilmiş kod var.

PDF'te OCR ne demek?

PDF'te OCR, taranmış bir PDF'e metin katmanı eklemek demektir: sayfa yine taramanın aynısı gibi görünür, ama her sözcüğün görüntüsünün üzerinde görünmeyen bir metin durur. PDF'ler bu açıdan üç türe ayrılır:

  • Metin PDF'i. Bir yazılımdan dışa aktarılmıştır; metin zaten karakter olarak saklandığı için OCR yalnızca hata ekleyebilir.
  • Yalnız görüntüden oluşan PDF. OCR uygulanmamış bir taramadır; her sayfa bir resimdir ve arama hiçbir şey bulmaz.
  • Aranabilir PDF. Tarama ile gizli OCR metninin birleşimidir; arama, kopyalama ve ekran okuyucular çalışır, ama ancak OCR'ın doğru okuduğu ölçüde.

Metin katmanı erişilebilirlik için de önemlidir. W3C'nin PDF7 tekniği, taranmış yazı görüntülerinden oluşan bir belgeyi doğası gereği erişilemez sayar ve OCR'ı, ardından metnin eksiksiz ve doğru okuma sırasında olup olmadığının kontrolünü önerir. Özgün taramaları da saklayın; daha iyi bir OCR sonradan hatalı bir metin katmanından değil, görüntünün kendisinden başlayabilsin.

OCR nerelerde kullanılır?

OCR, yazının kâğıt, görsel ya da tarama olarak geldiği ve bir sisteme aktarılması gereken her yerde kullanılır:

  • Faturalar ve fişler. Tedarikçi, tarih ve toplam, elle yeniden yazılmadan muhasebe yazılımına aktarılır.
  • Formlar. Başvurular, hasar bildirimleri ve irsaliyeler; çoğu zaman OCR, ICR ve OMR birlikte okunur.
  • Arşivler ve kütüphaneler. Kitaplar, gazeteler ve kayıtlar sözcükle aranabilir hâle gelir.
  • Erişilebilirlik. Basılı yazı sesli okunur, taramalar ekran okuyucularla çalışır.
  • Yolda çeviri. Bilmediğiniz bir dildeki tabela, menü ve etiketler.
  • Lojistik. Kargo etiketleri, konteyner kodları ve seri numaraları; plaka tanıma da kendi hukuki kuralları olan özel bir OCR türüdür.

OCR size yalnızca metin verir. "Genel toplam: 1.240,00" satırını, toplam adlı ve 1240 sayısını tutan bir alana dönüştürmek ayrı bir adımdır; buna ayrıştırma (parsing) denir ve Veri Ayrıştırma Nedir? yazısında anlatılır. OCR'ı belge sınıflandırma, alan çıkarma ve doğrulamayla birleştiren ürünler genellikle akıllı belge işleme (intelligent document processing, IDP) adıyla satılır.

Belgelerde OCR için gizlilik kuralları nelerdir?

OCR bir belgeyi kimin okuyabileceğini değiştirmez: bir dosyadaki kişisel verileri işleme hakkınız yoksa OCR uygulamak bunu meşru kılmaz, üstelik o veriyi aranabilir ve kopyalanabilir hâle getirir. Kimlik belgeleri, bordrolar ve sağlık kayıtları en sık karşılaşılan örneklerdir.

AB'de GDPR, Türkiye'de 6698 sayılı Kişisel Verilerin Korunması Kanunu (KVKK), sağlık verilerini ve kişiyi tanımlamaya yarayan biyometrik verileri daha sıkı koşullara bağlı özel nitelikli kişisel veri sayar; KVKK'da bu liste 6. maddededir. Pratikte:

  • OCR'ı yalnızca işleme hakkınız olan belgelere uygulayın; başkasının kimlik belgesine asla uygulamayın.
  • Hassas dosyalarda kendi cihazınızda ya da sunucunuzda çalışan OCR'ı tercih edin; bir bulut hizmeti kullanıyorsanız dosyaların nerede, ne kadar süre saklandığını ve model eğitiminde kullanılıp kullanılmadığını kontrol edin.
  • Yalnızca ihtiyacınız olan alanları çıkarın, gerisini karartın ve artık kullanmadığınız çıktıları silin.

Proxy'ler bu işin neresinde?

Proxy'lerin OCR'ın kendisiyle ilgisi yoktur; bir adım önce, ihtiyacınız olan belgeler başka ülkelerdeki web sitelerinde herkese açık dosyalar olarak durduğunda devreye girerler. Kataloglar, resmî duyurular, fiyat listeleri ve menüler çoğu zaman görsel ya da taranmış PDF olarak yayımlanır; bazı siteler de ziyaretçinin ülkesine göre farklı bir sürüm sunar.

Residential Proxy kullandığınızda istekler, seçtiğiniz ülke ve şehirdeki ev bağlantıları üzerinden gider; böylece o ülkedeki ziyaretçilerin gördüğü sürümü indirirsiniz. Yalnızca herkese açık dosyaları toplayın, robots.txt dosyasına ve sitenin kullanım koşullarına uyun, istek hızını düşük tutun, varsa resmî indirme seçeneğini ya da API'yi kullanın.

Toplama işini kendisi yürütmek istemeyen ekipler, Web Scraping API'miz üzerinden yönetilen sayfa çıkarma için satış ekibimize başvurabilir.

Sık yapılan hatalar

  • Zaten metin içeren bir PDF'e OCR uygulamak. Birebir karakterlerin yerine tahminler geçer.
  • Düşük çözünürlükte taramak ya da açılı çekmek. Çekimde kazanılan birkaç saniye, düzeltmede çok daha fazla zamana mal olur.
  • Dili İngilizcede bırakmak. Türkçe karakterler ve başka alfabeler yanlış çıkar.
  • Rakamlara kontrolsüz güvenmek. Toplamlar ve tarihler bir sağlama ya da ikinci bir bakış ister.
  • Tabloların tablo olarak çıkmasını beklemek. OCR satır verir; sütunları yeniden kurmanız gerekir.
  • Özgün görüntüleri silmek. Sonradan daha iyi bir OCR uygulamak için onlara ihtiyacınız olur.
  • Kimlik belgelerini tanımadığınız ücretsiz bir dönüştürücüye yüklemek. Yerel OCR'ı ya da koşulları açık bir hizmeti kullanın.
  • Bir sohbet botunun yazıya döktüğü metni birebir kopya saymak. Önemli değerleri görüntüyle karşılaştırın.

Karar rehberi

İhtiyaçÖneri
Bir fotoğraftan ya da ekran görüntüsünden birkaç satır kopyalamakTelefonda Google Lens ya da Canlı Metin
Eski taramaları aranabilir yapmakAranabilir PDF'e OCR, özgün dosyaları saklayarak
Yüzlerce taranmış sayfadan metin almakTesseract gibi bir OCR motoruyla toplu işlem
Fatura ya da formlardan alan çıkarmakOCR, ayrıştırma ve doğrulama, insan kontrolüyle
Dağınık bir belge hakkında soru sormakGörsel-dil modeli, önemli değerler kontrol edilerek
Kâğıt formlardaki işaretli kutularOMR
Bitişik el yazısı ya da eski el yazmalarıEl yazısı tanıma modeli ve insan kontrolü
Kimlik ya da sağlık belgeleriYerel OCR, hukuki dayanak, yalnızca gereken alanlar

Sıkça sorulan sorular

OCR yapay zekâ mıdır?

Bugünkü OCR bir yapay zekâ uygulamasıdır: tanıma adımı, etiketlenmiş çok sayıda yazı görüntüsüyle eğitilmiş bir sinir ağıdır. Eski motorlar elle tanımlanmış kurallara ve şekil eşleştirmeye dayanıyordu. Yine de OCR üretken yapay zekâ değildir: sayfada ne varsa onu kopyalar, üretken model ise yeni metin yazar; bu yüzden ikisi farklı türde hatalar yapar.

OCR ücretsiz mi?

Evet, ücretsiz OCR bulmak kolaydır. Tesseract Apache 2.0 lisansıyla açık kaynaktır, Google Lens ve Canlı Metin telefonda ücretsizdir, pek çok tarama uygulaması da OCR içerir. Ücretli araçlar genellikle kötü taramalarda, tablolarda ve el yazısında daha iyi sonuç, form şablonları ve yüksek hacimli işlem ekler.

OCR ne kadar doğru çalışır?

Net basılı sayfalarda bugünkü OCR az hata yapar; bulanık fotoğraflarda, el yazısında ve tablolarda çok daha fazla hata yapar. Sonuç girdiye bağlı olduğu için tek bir doğruluk oranı yoktur; kendi belgelerinizden bir örnek üzerinde karakter hata oranını ölçün.

OCR el yazısını okuyabilir mi?

Kısmen. Form kutularına büyük harfle yazılmış metinler uzun zamandır otomatik okunuyor; sinir ağı modelleri artık düzgün bitişik el yazısını da okuyabiliyor. Dağınık el yazısı ve tarihî belgeler için o tür yazıyla eğitilmiş bir model ve sonucu kontrol edecek bir insan gerekir.

Aranabilir PDF nedir?

Aranabilir PDF, sayfa görüntüsünün arkasında görünmeyen bir OCR metin katmanı bulunan taranmış PDF'tir. Taramanın aynısı gibi görünür, ama içinde arama yapabilir, metni kopyalayabilir ve bir ekran okuyucuya sesli okutabilirsiniz.

OCR Türkçe karakterleri okuyabilir mi?

Evet, motorda Türkçe dil verisi varsa okur. Tesseract'ın Türkçe modeli (tur) vardır; Apple da Türkçeyi Canlı Metin'in desteklediği diller arasında sayar. Yalnızca İngilizce seçiliyse ı, ş, ğ gibi harfler düz Latin harflerine dönüşebilir; bu yüzden Türkçeyi, karışık belgelerde Türkçe ile İngilizceyi birlikte seçin.

Özet

OCR görseldeki yazıyı gerçek metne çevirir: motor görüntüyü temizler, satırları bulur, karakterleri bir sinir ağıyla tanır ve çıktıyı dil verisiyle düzeltir. En iyi sonucu, bildiği bir dildeki net ve düz taramalarda verir. Hızlı kopyalar için telefonunuzu, arşivler için aranabilir PDF'i, iş belgeleri için ayrıştırma ve insan kontrolüyle birlikte OCR'ı kullanın; özgün dosyaları saklayın, kimlik ve sağlık belgelerini de KVKK ve GDPR kurallarına göre işleyin.

ChatGPT'ye sorClaude'a sor