RehberGörsel ve görmeTelefon2 dk okuma

Bu sayfada
  1. Neler yapabilirsin
  2. Kullanılabilir görsel modeller
  3. Görseli nasıl kullanırsın
  4. Örnek istemler
  5. İpuçları
  6. Diğer rehberler

Görsel yapay zekâ: görselleri ve belgeleri cihazda analiz et

Off Grid AI’ın görsel modelleri görsellere bakar ve onlar hakkındaki sorularını yanıtlar. Kamerayı bir belgeye, ürüne, şemaya ya da fişe tut ve istediğini sor.

Tüm analiz cihazda, llama.rn’nin çok kipli desteğiyle çalışır. Hiçbir görsel yüklenmez.


Neler yapabilirsin

  • Fiş, fatura ve kartvizit okuma: fotoğraflardan metin çıkar
  • Sahne betimleme: bir fotoğrafta ne olduğunu anla
  • Belge analizi: bir belgenin fotoğrafı hakkında soru sor
  • Nesne tanıma: fotoğrafla “bu ne?”
  • El yazısı okuma: Qwen3-VL gibi güçlü modellerle
  • Ekran görüntüsünden kod: modele bir arayüz göster ve kodunu yeniden yazmasını iste

Kullanılabilir görsel modeller

Model Parametre En az RAM Hız En uygun
SmolVLM2 500M 0.5B 3GB Çok hızlı (~7 sn) Az RAM’li cihazlarda hızlı görsel sorular
SmolVLM 2B 2B 4GB Hızlı (~8 sn) Genel görsel işler
SmolVLM2 2.2B 2.2B 4GB Hızlı (~8–10 sn) Görsel ve video anlama
Gemma 4 E2B 2B (MoE) 4GB Orta (~10–15 sn) 4 GB için en iyi görsel kalite, düşünme modu
Gemma 4 E4B 4B (MoE) 6GB Orta (~12–18 sn) Görselle en güçlü akıl yürütme, düşünme modu
Qwen3-VL 2B 2B 4GB Orta Çok dilli görsel, düşünme modu

Gemma 4 modelleri görseli ve düşünme modunu birlikte destekler: gördükleri üzerine adım adım düşünürler ve bu karmaşık işlerde doğruluğu ciddi şekilde artırır.


Görseli nasıl kullanırsın

  1. Off Grid AI’da bir sohbet aç
  2. Ek simgesine dokun → Camera ya da Photo Library’yi seç
  3. Görselini seç ya da çek
  4. Sorunu yaz ve gönder

Model hem görseli hem soruyu alır. Görsel modeller kurulum sırasında bir mmproj dosyasını (çok kipli projektör) kendiliğinden indirir; bu, tahmini model boyutuna zaten dahildir.


Örnek istemler

Belge analizi:

“Bu fişte hangi kalemler var? Toplamı söyle.”

Teknik okuma:

“Bu mimari şemayı açıkla.”

El yazısı:

“Bu fotoğraftaki metni yazıya dök.”

Görsel sorular:

“Bu fotoğraftaki telefon hangi model?”

Arayüzden kod:

“Bu ekranı yeniden oluşturan React Native kodunu yaz.”


İpuçları

Karmaşık akıl yürütme için Gemma 4: Modelin gördüğü şey üzerine dikkatle düşünmesi gerekiyorsa (bir grafiği yorumlamak, fotoğraftaki bir problemi çözmek), Gemma 4’ün düşünme modu daha hızlı bir modelden çok daha iyi sonuç verir.

Hızlı işler için SmolVLM: Basit betimleme ya da metin çıkarma için SmolVLM2 500M şaşırtıcı derecede iyidir ve çok daha hızlıdır.

Görsel kalitesi önemlidir: Bulanık ya da düşük kontrastlı fotoğraflar doğruluğu ciddi düşürür. Belgelerde düz ışık ve tam karşıdan çekim en iyi sonucu verir.


Diğer rehberler

İŞİNE YARADI MI?
GELİŞTİRİCİDEN HABERLER