7.1 Görüntü Modelleri — Claude Vision ile Görsel Analiz¶
Yabancı kelime mi gördün?
Vision (görüntü) modeli = görsel girdiyi kabul eden LLM; Claude Sonnet 4.6 / Opus 4.7 / Haiku 4.5, GPT-5.5, Gemini 2.5 görüntü yeteneği. Modalite (modality) = veri türü; metin, görüntü, ses, video her biri bir kip. Base64 = ikili (binary) dosyayı metin olarak kodlama; görsel API gönderimi için yaygın; %33 boyut artışına yol açar. OCR (Optical Character Recognition — görsel karakter tanıma) = görseldeki metni okuma. Visual RAG (görsel destekli RAG) = görsel + metin hibrit getirme; ilgili görseli bul + Claude'a ver. Citations API (Alıntı API'si) = Claude'un kullandığı kaynak parçacığı (görsel ya da PDF sayfası) ile birlikte cevap üretmesi; halüsinasyonu azaltır. MMMU (Massive Multi-discipline Multimodal Understanding) = 11.5K çoklu kip soru, üniversite seviyesi; Sonnet 4.6 Mart 2025 puanı %75.7. DocVQA = belge sorgulama kıyaslaması; Claude Opus 4.7 %95.4 puanla 2026 başında lider.
Neden bu sayfa?¶
Platform'un önceki 28 sayfası metin odaklıydı — prompt, RAG, agent, FT. Ama 2026'da canlı projeler giderek görsel de alıyor:
- Müşteri ürün fotoğrafı yüklüyor → otomatik açıklama
- Avukat PDF taraması veriyor → sözleşme maddelerini çıkar
- Öğrenci tahta fotoğrafı atıyor → matematik sorusu çöz
- DevOps ekran görüntüsü paylaşıyor → hatayı yorumla
Bu sayfanın mesajı: Claude vision, "görsel → metin" kullanım senaryolarının büyük çoğunluğunu kolay çözer. Kurulum tek bir API parametre değişikliği; zorluk doğru prompt + maliyet kontrolü.
İkincisi: Multimodal 2026 trendi (10.4 Trend 2). AI Engineer CV'sinde "vision entegrasyonu" satırı ek değer. 9.6 Multimodal imza sayfasında canlı bir projeyle göstereceksin.
Üçüncüsü: Anthropic vision olgun durumda — Claude Sonnet 4.6 / Opus 4.7 vision kalitesi GPT-5.5 ile yarışır seviyede. Bu sayfada Anthropic öncelikli yaklaşımımızla tutarlı kalıyoruz.
Bu sayfanın ekosistemi¶
flowchart LR
S["👤 Sen\n(uygulaman veya script)"]
subgraph G1["Yol A: Base64\n(kullanıcı yükledi)"]
FILE["📄 Lokal dosya\nJPEG/PNG/WebP"]
B64["🔧 base64 encode\n~6.8 MB/5 MB img"]
end
subgraph G2["Yol B: URL\n(public CDN)"]
CDN["☁️ S3 / CDN\npublic URL"]
end
API["🌐 api.anthropic.com\nMessages + image block"]
CLAUDE["🧠 Claude Sonnet 4.6\n(vision)"]
SAY["📊 Token sayacı\n~500-3000/image"]
S -->|"görsel oku"| FILE
FILE --> B64
S -->|"URL gönder"| CDN
B64 -->|"source: base64"| API
CDN -->|"source: url"| API
API --> CLAUDE
CLAUDE -->|"text yanıt"| API
API -->|"cevap + usage"| S
API -->|"görsel token"| SAY
style S fill:#ddd6fe,stroke:#7c3aed
style FILE fill:#dbeafe,stroke:#2563eb
style B64 fill:#dbeafe,stroke:#2563eb
style CDN fill:#fed7aa,stroke:#ea580c
style API fill:#fed7aa,stroke:#ea580c
style CLAUDE fill:#fed7aa,stroke:#ea580c
style SAY fill:#fef3c7,stroke:#ca8a04| Aktör | Rol | Nerede |
|---|---|---|
| 👤 Sen / App | Görseli hazırla, Claude'a gönder, yanıtı kullan | Lokal/backend |
| 📄 Lokal dosya | Kullanıcının yeni yüklediği görsel (JPEG/PNG/GIF/WebP) | Disk/memory |
| 🔧 base64 encode | Binary → ASCII string (+%33 boyut), tek HTTP request | Backend |
| ☁️ S3/CDN | Zaten public host edilmiş görsel, Claude fetch'ler | Uzak |
| 🌐 api.anthropic.com | Messages endpoint, image block + text block kabul | Anthropic |
| 🧠 Claude Sonnet 4.6 | Vision: layout + text + scene + chart + diagram | Anthropic cluster |
| 📊 Token sayacı | Her image ~500-3000 token (çözünürlüğe göre), fatura + rate limit | Anthropic |
Burada olan nedir: Görselin base64 olarak gidiyorsa "tek paket", URL olarak gidiyorsa "Claude sen uzaktan çek" diyorsun. Anthropic hiçbir şekilde görselini saklamaz (provider policy), token sayacı usage'ı kaydeder. 5 MB üstünde otomatik downscale.
Claude vision — temel kullanım¶
API çağrısı — base64 ile¶
import anthropic
import base64
from pathlib import Path
client = anthropic.Anthropic()
# Görseli base64'e encode
image_path = "urun.jpg"
image_data = base64.b64encode(Path(image_path).read_bytes()).decode("utf-8")
image_media_type = "image/jpeg" # veya png, webp, gif
response = client.messages.create(
model="claude-sonnet-4-6",
max_tokens=1024,
messages=[
{
"role": "user",
"content": [
{
"type": "image",
"source": {
"type": "base64",
"media_type": image_media_type,
"data": image_data,
},
},
{
"type": "text",
"text": "Bu ürünün fotoğrafını Türkçe olarak detaylı anlat.",
},
],
}
],
)
print(response.content[0].text)
Kritik: content artık array — image + text ayrı block'lar. Sıralama önemli: önce image, sonra text (prompt) yaygın.
API çağrısı — URL ile¶
Görsel halihazırda internet üzerinde ise URL geç:
response = client.messages.create(
model="claude-sonnet-4-6",
max_tokens=1024,
messages=[
{
"role": "user",
"content": [
{
"type": "image",
"source": {
"type": "url",
"url": "https://example.com/urun.jpg",
},
},
{"type": "text", "text": "Bu ürünü analiz et."},
],
}
],
)
URL Claude sunucularından erişilebilir olmalı (public). Internal URL'ler çalışmaz.
Base64 vs URL — ne zaman hangisi¶
| Kriter | Base64 | URL |
|---|---|---|
| Görsel nerede | Kullanıcı yeni yükledi, disk'te | Zaten CDN / S3'te public |
| Request boyutu | Büyük (5MB → ~6.8MB base64) | Küçük |
| Latency | Yükleme vakti + işlem | Sadece Claude fetch süresi |
| Güvenlik | Görsel Claude'a gider, dönmez | Claude her çağrıda URL'yi fetch |
| Caching | Yok | CDN cache avantajı |
| Gizlilik | Daha kontrollü | URL public = görsel public |
Pratik kural: Kullanıcı yüklüyorsa base64; zaten public'se URL.
Kısıtlar — 2026 Claude görüntü¶
- Biçim: JPEG, PNG, GIF, WebP (animated GIF için sadece ilk kare okunur)
- Üst boyut: 5 MB / görsel (base64 ya da URL)
- Üst çözünürlük: uzun kenar 8000 piksel; içeride 1568 piksele kadar yeniden boyutlandırılır
- İstek başına: 20 görsel (Messages API'de tek istek üst sınırı; daha fazla için ardışık çağrı)
- PDF doğal girdi: ayrı
documentbloğu — Messages API'de 32 MB / 100 sayfa, Files API'de 500 MB / yaklaşık 1000 sayfa - Video: Doğrudan değil — karelere ayır, her kare ayrı görsel (7.3'te ayrıntı). Gemini 2.5 Pro doğal video alıyor.
- Citations API: Görsel veya PDF'lerde alıntı dönüşü için
citations: {"enabled": true}parametresi 2025'te eklendi. - Bölgesel kısıt: 2026 başında AB AI Act yüksek riskli sistemlerde (sağlık, biyometrik) görüntü çıkarımı için ek belge zorunluluğu.
Token maliyeti tahmini:
- Küçük görsel (~500 × 500): ~500 token
- Orta görsel (~1000 × 1000): ~1500 token
- Büyük görsel (~2000 × 2000): ~3000 token
Resmi formül:
(Anthropic 2026 belgesi; her görsel önce 1568 px uzun kenara yeniden boyutlandırıldığı için 8000 × 8000 girdi pratikte ~1568 × 1568 işlenir, yaklaşık 3300 token.)
Örnek: 1200×800 = 960.000 / 750 = ~1280 token.
Karşılaştırma: Metin olarak 1280 token ~960 Türkçe kelime; bir sayfa metinle aynı maliyet. Görsel pahalı değil ama çok görsel toplam 50K+ token kolay geçer — 8.3'teki üst sınır (hard cap) kritik. Yönerge önbelleği (prompt caching) görsellerde de çalışır: aynı görsel art arda çağrılarda %90 indirimli okunur.
5 pratik kullanım¶
1. Belge OCR + yapılandırma¶
Senaryo: Türkçe PDF tarandı, yapılandırılmış JSON istiyorsun.
PROMPT = """Bu belgeyi oku ve aşağıdaki JSON şemasına uygun çıkar:
{
"belge_turu": "fatura / sozlesme / rapor / diger",
"tarih": "YYYY-MM-DD veya null",
"taraflar": [{"isim": "...", "rol": "..."}],
"anahtar_noktalar": ["madde 1", "madde 2"],
"rakamsal_degerler": [{"aciklama": "...", "deger": 0}]
}
Sadece JSON döndür, başka metin yok. Emin olmadığın değer için null kullan."""
response = client.messages.create(
model="claude-sonnet-4-6",
max_tokens=2048,
messages=[{"role": "user", "content": [
{"type": "image", "source": {...}},
{"type": "text", "text": PROMPT},
]}],
)
import json
veri = json.loads(response.content[0].text)
print(veri)
Karşılaştırma: Klasik OCR (Tesseract) + regex = 200 satır kod + Türkçe karakter hata. Claude vision = 20 satır + daha temiz + yapılandırılmış.
Üretim ipucu: tool_choice={"type": "tool", "name": "parse_belge"} ile JSON şeması garanti (Bölüm 8.1'deki pattern). Regex parse riski sıfır.
2. UI mockup → HTML/React kod¶
Senaryo: Tasarımcı Figma ekran görüntüsü verdi, sen frontend kod istiyorsun.
PROMPT = """Bu tasarım mockup'ını incele ve React + Tailwind CSS ile
bileşen kodu üret. Kurallar:
- Component adı: LoginForm
- Sadece JSX + Tailwind, başka library yok
- State yönetimi: useState
- Accessibility: aria-label'lar ekle
- Responsive: mobile-first"""
response = client.messages.create(
model="claude-sonnet-4-6",
max_tokens=4096,
messages=[{"role": "user", "content": [
{"type": "image", "source": {...}},
{"type": "text", "text": PROMPT},
]}],
)
print(response.content[0].text)
Anthropic'in kendi kullanımı: Claude in Chrome ve Claude Code ürünlerinde bu örüntü yerleşik. Tasarım → kod dönüşümü 2024-2026 AI Engineer iş ilanlarında sıkça istenen yetkinlik. Vercel'in v0.dev ürünü tam olarak bu örüntü üzerine kurulu, milyon dolarlık ARR'a 2025'te ulaştı.
Gerçekçi kalite: Basit form + liste UI %90 doğru. Karmaşık animasyon + özel bileşen %60-80. İlk taslak olarak çok güçlü, elle rötuş gerekir. 2025 ipucu: Çok adımlı UI'da Claude extended thinking (uzun düşünme) modunu açarsan tasarım analizi belirgin gelişiyor — thinking: {"type": "enabled", "budget_tokens": 5000} parametresiyle.
3. Ürün fotoğrafı → otomatik açıklama¶
Senaryo: E-ticaret müşteri ürün fotoğrafı yüklüyor, sen başlık + açıklama + kategori istiyorsun.
PROMPT = """Bu ürünün fotoğrafını incele. Çıkar:
1. baslık: 60 karakter altı, SEO uyumlu
2. aciklama: 150 kelime, özellikler + kullanım
3. kategori: elektronik / giyim / ev / kitap / oyuncak / diger
4. renk: ana renk
5. malzeme: görünen malzeme (deri, plastik, cam, vs)
6. dikkat_cekici_ozellikler: 3-5 madde
JSON formatında döndür."""
E-ticaret kullanımı: Toplu ürün yükleme — satıcı 100 fotoğraf yüklüyor, Claude 100 otomatik kart üretiyor. Saatlerce işi dakikalara indirir. Ticaret Bakanlığı verilerine göre Türkiye'de 2025'te 500K+ e-ticaret satıcı; bu tip otomasyon pazarı büyük.
4. Grafik / chart analizi — sayısal veri çıkarma¶
Senaryo: Finansal rapor PDF'ten grafik resmi ayıklandı, sayısal veri istiyorsun.
PROMPT = """Bu grafik bir çizgi grafiği. Her veri noktasını çıkar:
Format: {"x_label": "...", "y_label": "...", "birim": "...", "data": [
{"x": "2020", "y": 100},
{"x": "2021", "y": 150},
...
]}
Yaklaşım:
- Tam rakamı okuyamıyorsan yakın yuvarla + null yerine tahmini ver
- Grafik başlığını ve eksen etiketlerini ekle
- Sadece JSON döndür"""
Sınır: Çok yoğun, çok renkli, yeraldaki çok veri noktalı grafikler → Claude bazı noktaları kaçırır. %80-90 doğruluk realistic. Kritik analizler için insan kontrolü gerek.
Çözüm: 2 farklı prompt ile 2 kez çalıştır, tutarsız olanları manuel doğrula.
5. Güvenlik — ekran görüntüsünde PII tespit¶
Senaryo: Müşteri screenshot yükledi (destek talebi), içinde kredi kartı / TC numarası olabilir. Log'a kaydetmeden önce otomatik maskele.
PROMPT = """Bu ekran görüntüsünde kişisel bilgi var mı kontrol et:
- Email
- Telefon
- TC kimlik
- Kredi kartı numarası
- Adres
Varsa, yaklaşık koordinatı (x, y, width, height piksel) döndür. JSON:
{"bulgular": [{"tip": "telefon", "deger_kismi": "+90 5**", "koordinat": [...]}]}"""
Sonra pillow (PIL) ile koordinatları blur veya siyah dikdörtgen yap:
from PIL import Image, ImageDraw
img = Image.open("screenshot.png")
draw = ImageDraw.Draw(img)
for bulgu in veri["bulgular"]:
x, y, w, h = bulgu["koordinat"]
draw.rectangle([(x, y), (x+w, y+h)], fill="black")
img.save("screenshot-maskeli.png")
KVKK uyum: Bölüm 8.1'deki PII maskeleme metin-tarafı; bu görsel-tarafı. İkisi birlikte.
Prompt engineering görsel için¶
Metin prompt ile görsel prompt farkı:
1. Görsel referans net olsun¶
Claude "ne arıyorum" netliği ile daha doğru cevap verir.
2. Çoklu görsel için ayrı etiket¶
messages=[{"role": "user", "content": [
{"type": "text", "text": "Görsel 1:"},
{"type": "image", "source": {...}},
{"type": "text", "text": "Görsel 2:"},
{"type": "image", "source": {...}},
{"type": "text", "text": "Bu iki ürünü kalite, tasarım ve fiyat potansiyeli açısından karşılaştır."},
]}]
Etiketler olmadan Claude "hangi ürün hangi görsel" karıştırabilir.
3. Chain-of-thought vision için de çalışır¶
PROMPT: "Bu görseli inceleyerek adım adım düşün:
1. Önce genel sahne nedir?
2. Ana nesne(ler) ne?
3. Dikkat çekici detay var mı?
4. Hangi açıdan çekilmiş?
Sonra özet cevabını ver."
Claude görseli iki kere "okur" — ayrıntılı + özet. Doğruluk %10-20 artar.
4. Olumsuz talimat¶
"Ürünü tanımla. ÖNEMLI:
- Arka plan detaylarına takılma
- Markaya yorum yapma (görünüyorsa bile söyleme)
- Hayal et eklemek yasak — sadece görünen"
Claude bu disiplinlere uyar. "Söyleme" komutu yerine yerleşir.
Maliyet hesabı — gerçek örnek¶
Senaryo: E-ticaret 1000 ürün/gün, her ürün 1 fotoğraf (~1000×1000).
- Image tokens: 1000 × 1500 = 1.5M input token/gün
- Output tokens: 1000 × 300 = 300K/gün (kart içeriği)
- Günlük Claude Sonnet maliyet:
- Input: 1.5M × $3/M = $4.50
- Output: 0.3M × $15/M = $4.50
- Günlük toplam: $9
- Aylık: ~$270
Karşılaştırma:
- Tesseract + OpenCV kendisi: \(0 yazılım + 200 saat geliştirme = ~\)6000 ilk iş + %60 kalite
- OpenAI GPT-4o vision: benzer fiyat + Türkçe kalite %5-10 düşük
- Google Cloud Vision: sayfa başı $1.5 + label detection = aylık $$$$
Karar: Claude vision ekonomik; 200 saat geliştirme yerine 2 gün API integration.
Prompt caching avantajı (Anthropic 2024-11): System prompt sabit ise %90 indirim. 1000 ürün aynı prompt ile → input maliyet $0.45/gün (10× ucuz). Cache kritik.
Visual RAG — ileri desen¶
Metin RAG'den farklı: kullanıcı görsel soruyor, veritabanında benzer görselleri ara.
Mimari:
- Her görseli embedding'e çevir (CLIP, SigLIP açık kaynak modeller)
- Qdrant'a vector olarak yaz
- Kullanıcı görsel gönderdiğinde → embedding → Qdrant search → benzer N görsel
- N görseli + kullanıcı sorusunu Claude'a ver
from sentence_transformers import SentenceTransformer
from PIL import Image
# CLIP model — görsel + metin aynı uzayda
model = SentenceTransformer("sentence-transformers/clip-ViT-B-32")
# Görsel embedding
img = Image.open("urun.jpg")
embedding = model.encode(img, convert_to_numpy=True)
# shape: (512,) — 512-boyutlu vector
# Qdrant'a kaydet (Bölüm 3.4 pattern aynı)
Kullanım:
- "Bu fotoğraftaki ayakkabıya benzer modelleri göster"
- "Şu ürün kataloğunda bu renk tonuna yakınlar"
- "Bu mimari tarzda diğer binalar"
Not: Multimodal Voyage, OpenAI text+image embedding modeller de var — daha yüksek kalite, paralı. CLIP ücretsiz, orta kalite.
Türkçe multimodal — realite¶
Claude Türkçe içerik için iyi çalışır:
✅ İyi: Türkçe PDF OCR, Türkçe ürün açıklama, Türkçe el yazısı okuma (temiz). ⚠️ Orta: Türkçe reçete (el yazısı + kısaltma + ilaç adı), Türkçe grafikteki ender kelimeler. ❌ Zayıf: Türkçe özel terminoloji ağır sahneler (tıbbi, hukuki jargon birlikte) — RAG + context gerekir.
Test et: Kendi projende Türkçe görseller ver, kalite ölç. Gerçek veri üzerinde test asla atlanmamalı.
CTO tuzakları — 8 vision hatası¶
| # | Tuzak | Sonuç | Doğru |
|---|---|---|---|
| 1 | Her görseli base64 göndermek | İstek boyutu büyük, yükleme yavaş | Halka açık URL varsa URL kullan |
| 2 | Prompt caching yok | ~10 kat fazla token maliyeti | Sistem promptuna cache_control ekle |
| 3 | 8000×8000'den büyük görsel | API reddeder veya yeniden boyutlandırır | PIL ile önceden 2048 üst sınır |
| 4 | Çoklu görselde etiket yok | Claude karıştırır | "Görsel 1:", "Görsel 2:" ekle |
| 5 | 20'den fazla görseli tek istekte göndermek | API hatası | İsteği parçalara böl; max 20/istek |
| 6 | Vision'da maliyet üst sınırı yok | 10K görsel = ~$100 fatura | Kullanıcı başına görsel limiti |
| 7 | PII taraması yok | Ekran görüntüsünde TC sızar | Madde 5 deseni (PII maskeleme) |
| 8 | JSON için araç çağırma yok | Ayrıştırma hataları | tool_choice={"type":"tool","name":"..."} zorla |
Tipik Claude Vision hataları — şu durum şu çözüm
| Hata | Sebep | Çözüm |
|---|---|---|
400 Bad Request: image too large |
5 MB üzeri | PIL ile JPEG kalite 80'e düşür veya 2048 px sınırla |
Image type not supported |
TIFF, BMP, RAW formatı | JPEG/PNG/GIF/WebP'ye çevir (PIL convert("RGB").save("x.jpg")) |
| URL fetch hatası | Yerel/özel ağ URL'si | Halka açık CDN'e yükle; veya base64 kullan |
| "Image quality too low" | <100 piksel görsel | En az 256 px tarafı olsun |
| OCR Türkçe karakterler bozuk | Yüksek sıkıştırma | Daha az sıkıştırma + min 1024 px uzun kenar |
| 20+ görsel hatası | Tek istekte limit aşıldı | İstekleri böl; her birinde max 20 |
Anthropic ekosistemi — Claude vision yol haritası¶
🤖 Anthropic-öz: vision + yakın gelecek
Claude vision evrimini hızlı takip etmek gerek:
2024-2026 ilerleme¶
- Claude 3 (Mart 2024): İlk vision desteği
- Claude 3.5 Sonnet (Haziran 2024): Vision kalitesinde sıçrama
- Claude 3.5 Sonnet New (Ekim 2024): Computer Use duyurusu — ekran görüntüsü → tıklama/yazma
- Claude 4.x serisi (2025): Sonnet 4.5 / 4.6 + Opus 4.6 / 4.7 + Haiku 4.5 — vision + tool use + uzun bağlam birleşimi tam olgunluğa ulaştı
- Claude Opus 4.7 + Sonnet 4.6 (2026): 1M token bağlam + extended thinking + vision birlikte; PDF native input (32 MB / 100 sayfa Messages, 500 MB Files)
Computer use — vision'ın ileri uzantısı¶
Claude computer use — Claude bilgisayar ekranını görür + fare + klavye simüle eder. Ajan otomasyonu için radikal değişim.
Use case'ler:
- Browser otomasyon (Selenium alternatifi)
- UI testing (görsel regression detect)
- Admin paneli otomasyon
- Data entry görevleri
Sınırlar: Beta (2026 Nisan), maliyet yüksek (her ekran görüntüsü ~2K token), latency (2-5 saniye / aksiyon). Küçük projede overkill; enterprise'da değerli.
Senin için: Bilgi olarak aklında; 2027-2028'de yaygınlaşır.
Anthropic ürünlerinde vision¶
- Claude Desktop app — görsel drag-drop native
- Claude in Chrome (beta) — sayfa görseli paylaş + yorum
- Claude in Excel (beta) — grafik görsel analiz
- Claude Code — ekran görüntüsünden kod üretim
Hepsi Claude vision API'yi arka planda kullanır. Senin projen de aynı API'ye bağlanır.
Multimodal trend + 1 yıl öngörü¶
10.4 sayfasında verdiğim 1 yıl öngörüsü: "Voice agent %30+ büyüyecek (%80 olur bahis)." Vision için eşdeğer: 2027'de vision her LLM API'sinin default özelliği — "chat + vision" ayırımı kaybolacak. Multimodal = text mi vision mi önemli değil.
Senin için aksiyon: 9.6 Multimodal imza (31. tur) projen bu trend'in somut göstergesi. LinkedIn'de "multimodal AI builder" pozisyonunda görünürlük sağlar.
Çıktı kanıtları — 3 kanıt¶
1. 5 use case'ten 2 denemiş:
muhendisal-notlarim/bolum-7/01-goruntu/denemeler.md — en az 2 pratik dene: örnek görsel + prompt + sonuç. Çıktı kalitesi hakkında yorumun.
2. Maliyet hesabı:
Kendi projene (veya hayali) — aylık X görsel senaryosu üzerinden maliyet tahmini. Prompt caching ile/siz kıyas.
3. PII maskeleme pratik:
Bir test ekran görüntüsü üzerinde Madde 5 pattern: PII tespit + koordinat + PIL ile maskeleme. Before/after screenshot.
Görev — 30 dk 2 pratik¶
- Örnek görsel seç — ürün fotoğrafı, ekran görüntüsü, grafik, tarama.
- Yukarıdaki 5 use case'ten 2'sini çalıştır.
- Sonuçları notla — kalite %X, Claude ne kaçırdı?
- Maliyet hesabı yap — görselin tokens × aylık tahmini.
muhendisal-notlarim/bolum-7/01-goruntu/deneme.mdcommit.
Başarı kriteri: 30 dakika sonunda Claude vision kullandın, çıktı kalitesi hakkında bilgin var, maliyet tahminin gerçek.
- **A → B:** Multimodal 2026 trend (10.4 Trend 2); AI Engineer araç kutusu metin dışına çıkıyor. Bu yüzden **görsel desteği bilmek zorunlu oldu.**
- **B → C:** Claude vision base64 ve URL iki yol; kullanıcı yüklediyse base64, CDN'deyse URL. Bu yüzden **veri kaynağı yöntemi belirler.**
- **C → D:** Kısıtlar: 5 MB, 8000×8000 piksel, per request 100 image; image tokens = (w×h)/750. Bu yüzden **kısıtları bilmek hata önler.**
- **D → E:** 5 pratik use case: OCR, UI→kod, ürün açıklama, grafik analiz, PII tespit. Bu yüzden **senaryo çeşitliliği değer gösterir.**
- **E → F:** Prompt engineering vision: net referans + çoklu etiket + chain-of-thought + olumsuz talimat. Bu yüzden **metin promptu gibi ama farklı incelik.**
- **F → G:** Maliyet: 1000 görsel/gün ~$9 (prompt caching ile 10× ucuz). Bu yüzden **caching görsel işlemde kritik.**
- **G → H:** Visual RAG: CLIP/SigLIP embedding + Qdrant; ürün arama + benzer görsel. Bu yüzden **Bölüm 3 bilgisi görsel alana taşınır.**
- **H → I:** Türkçe multimodal realite: iyi PDF/ürün; orta reçete; zayıf karmaşık jargon. Bu yüzden **Türkçe sınırları önceden bilinmeli.**
- **I → J:** 8 CTO tuzak: prompt caching yok, PII taraması yok, çoklu görsel etiket eksikliği. Bu yüzden **üretimde tuzaklar kaçınılmaz değil.**
Sonuç: Claude vision pratik refleksi var. Base64 vs URL, 5 use case, prompt pattern, maliyet tahmini, Türkçe sınırı — hepsi somut. Sonraki (7.2): ses — Whisper STT + ElevenLabs TTS + Türkçe durum.
7.2 Ses TTS STT → — Whisper transcription + ElevenLabs/Fish TTS + Türkçe ses sistemi.
← Bölüm 7 girişi | Ana sayfa | Bölüm 6 — Agent + MCP
Pekiştirme: Claude vision docs + Anthropic Cookbook vision notebook'ları + Computer use guide. Üçü 2 saatte okunur; vision API refleksi oturur.