El Yazısı Karakterlerin Tanınmasında Derin Sinir Ağlarının Etkinliği Kısıtlı ve Geniş Sınıf Yapılarının Performans Analizi

Bu çalışmada, el yazısı karakterlerin tanınmasına yönelik derin öğrenme tabanlı bir model geliştirilmiştir. Model, farklı sayıda çıkış sınıfı (karakter) için test edilmiş; yalnızca 10 karakterin sınıflandırıldığı senaryoda %96 doğruluk oranı elde edilirken, sınıf sayısı 62’ye çıkarıldığında %86 doğruluk oranı yakalanmıştır. Elde edilen sonuçlar, sınıf sayısının artmasının model performansı üzerindeki etkisini açıkça göstermekte ve karakter çeşitliliği arttıkça sınıflandırma probleminin daha karmaşık hâle geldiğini ortaya koymaktadır. Bu bağlamda, önerilen modelin çok sınıflı karakter tanıma görevlerinde yüksek doğrulukla çalışabildiği görülmüş ve modelin performansı sınıf sayısına bağlı olarak detaylı şekilde analiz edilmiştir. Ayrıca, modelin eğitimi iki aşamalı olarak planlanmış olup, ilk olarak SGD optimizasyon algoritması ile temel öğrenme sağlanmış, ardından Adam algoritması ile model ince ayar (fine-tuning) sürecine tabi tutulmuştur.

In this study, a deep learning-based model was developed for handwritten character recognition. The model was tested with varying numbers of output classes (characters); while an accuracy rate of 96% was achieved in the scenario with only 10 character classes, an accuracy of 86% was obtained when the number of classes was increased to 62. The results clearly demonstrate the impact of the number of classes on model performance, revealing that the classification task becomes more complex as character variety increases. In this context, the proposed model was shown to perform with high accuracy in multi-class character recognition tasks, and its performance was analyzed in detail based on the number of classes. Additionally, the model training was planned in two stages: initial learning was conducted using the SGD optimization algorithm, followed by a fine-tuning process with the Adam algorithm.