OpenCV 5: Görüntü işlemenin emektarı, modern yapay zekâ modellerini kendisi çalıştırıyor

OpenCV ne işe yarar?

OpenCV, bilgisayarlı görü (computer vision) için yazılmış açık kaynak bir kütüphane. Bir görüntüyü yeniden boyutlandırmak, kenarları bulmak, kamerayı kalibre etmek, videodaki bir nesneyi takip etmek gibi işlerin çoğunda arka planda o var. Robotlardan fabrika kalite kontrolüne, tıbbi görüntülemeden artırılmış gerçekliğe kadar her yerde kullanılıyor.

Uzun süredir herkes 2018’de başlayan 4.x serisiyle çalışıyordu. OpenCV 5.0 Haziran 2026’da yayımlandı ve en büyük değişiklik, sinir ağlarını çalıştıran DNN modülünde.

Yeni DNN motoru

Önce bir kavram: ONNX, eğitilmiş bir modeli taşımak için kullanılan açık bir dosya formatı. Modeli PyTorch’ta eğitip ONNX olarak dışa aktarırsın, sonra bu dosyayı başka bir programda çalıştırırsın. Modeli kullanmaya da çıkarım (inference) deniyor; kavramı LiteRT.js yazısında da anlatmıştık.

Eski OpenCV, ONNX’in yapı taşlarının (operatörlerinin) küçük bir kısmını tanıyordu. Yeni bir model indirip yüklemeye çalıştığında çoğu zaman “bu operatör desteklenmiyor” hatasına takılıyordun. OpenCV’nin duyurusuna göre bu oran yaklaşık beşte birden %80’in üzerine çıktı.

Fark, motorun nasıl çalıştığında. Eski motor ağı katman katman işliyordu. Yeni motor önce modelin tamamını bir graf olarak okuyor: Hangi adım hangisine bağlı, veriler hangi boyutta, hangi adımlar birleştirilebilir. Bunları önceden hesapladığı için boyutu değişen girdileri ve transformer gibi modern mimarileri de çalıştırabiliyor.

İşin güzel yanı, eski motor da duruyor. Varsayılan ayarda OpenCV önce yeni motoru deniyor, model yüklenmezse otomatik olarak klasik motora dönüyor.

ONNX Runtime’dan hızlı mı?

OpenCV ekibi yeni motoru, Microsoft’un ONNX Runtime’ıyla işlemcide karşılaştırdı. Duyurudaki seçili sonuçlarda (tek bir Intel i9 makinede) YOLOv8n yaklaşık %11,5, OWLv2 yaklaşık %37 daha hızlı. Ama projenin wiki’sindeki tam tablolar daha karışık bir tablo çiziyor: Apple M1’de seçili modellerin hepsinde OpenCV önde, bazı Intel işlemcilerde ise birçok modelde ONNX Runtime daha hızlı. Yani “her yerde daha hızlı” değil, “çoğu yerde yarışabilir” demek daha doğru. Kendi modelini kendi donanımında ölçmeden karar verme.

Önemli sınır: Şimdilik sadece CPU

Yeni motor bu sürümde yalnızca işlemcide çalışıyor. Ekran kartı (GPU) gerekiyorsa ya klasik motoru kullanman ya da OpenCV’yi ONNX Runtime ile birlikte derlemen gerekiyor.

Neler yapılabiliyor?

Videoda dört örnek deneniyor, hepsi OpenCV’nin kendi örnek kodlarından:

• Siyah beyaz fotoğrafı renklendirme: Hızlı ama model eski olduğu için renkler soluk.
• Canlı nesne tespiti: Videoda ekran kartı olmadan, CPU’da akıcı şekilde çalışıyor.
• Difüzyonla boşluk doldurma (inpainting): Fotoğraftan bir şeyi silip yerini model dolduruyor. Adım adım çalıştığı için CPU’da yavaş.
• Görüntüyü anlatan dil modeli (VLM): OpenCV artık tokenizer ve dikkat (attention) katmanları gibi parçaları da içeriyor. Çalışıyor ama videoya göre çok yavaş; bu iş için başka araçlar daha uygun.

Model eğitmek hâlâ PyTorch gibi araçların işi. OpenCV’nin hedefi, eğitilmiş modeli görüntü işleme akışının içinde çalıştırmak.

Başka neler değişti?

Eski C API’si tamamen kaldırıldı, en düşük C++ sürümü C++17 oldu, Python 2 desteği bitti. bfloat16 gibi yapay zekâda sık kullanılan veri tipleri geldi. OpenCV’nin kendi küçük model koleksiyonu da Hugging Face’e taşındı.

Sonra ne oldu?

Ekim 2026 itibarıyla 5.0’dan sonra yeni bir 5.x sürümü çıkmadı. Ama geliştirme dalında Temmuz sonunda iki önemli değişiklik birleştirildi: Yeni motora ilk CUDA (NVIDIA GPU) desteği eklendi, şimdilik ResNet50 gibi bir modelin katmanlarıyla sınırlı. Ayrıca klasik motor kaldırıldı ve yeni motor tek varsayılan oldu. Yani bir sonraki sürümde GPU tarafı ilk kez yeni motorla gelecek gibi görünüyor.

Düşün

• Elindeki bir görüntü işleme projesinde PyTorch’u sadece modeli çalıştırmak için mi kuruyorsun?
• Ekran kartı olmayan bir cihazda (ör. bir Raspberry Pi’de) hangi görü modelini çalıştırmak isterdin?

Kendi cümlelerimizle yazılmış bir özettir, çeviri değildir. Tüm kaynaklar yukarıda.