Barcodie

Problem

Fırınlar barkodu olmayan onlarca ürün satıyor. Kasiyer menüyü ezberliyor, personel hızla değişiyor ve her yeni ürün birinin yeniden öğrenmesi demek. Mevcut görüntü işleme pilotları hep aynı yerde tıkanıyor: yeni ürün eklemek bir mühendis ve bir eğitim turu gerektiriyor.

Fikir: eğitim yok, en yakın komşu var

Barcodie hiç sınıflandırıcı eğitmiyor. Her ürün 3–5 fotoğrafla tanıtılıyor, DINOv2 embedding’ine çevrilip Qdrant’a yazılıyor. Tanıma, kalibre edilmiş bir eşikle kosinüs en yakın komşu araması. Yeni ürün birkaç saniye.

1. Çek — tepsiden tek kare.
2. Kutula — YOLO-World (açık sözlüklü) her nesneyi kutular; karışık tepsi tek seferde okunur.
3. Eşle — her kırpım embed edilip işletmenin kataloğuyla eşlenir.
4. Onayla — iki eşikli güven kuralı: match üstü doğrudan sepete, reject ile match arası tek dokunuşla onay, reject altı sepete hiç girmez.
5. Sesle düzelt — “iki simit ekle” Google STT v2 ve küçük bir intent ayrıştırıcıdan geçer.
6. Öde — Moka ile.

Asla yanlış fiyat kesmez. Ya sorar ya reddeder.

Canlı demoyu atlatacak şekilde

Bileşenler yalnızca HTTP ile, tek bir OpenAPI sözleşmesine göre konuşuyor: ince bir Expo istemcisi, kataloğun sahibi olan ve her toplamı yeniden hesaplayan bir .NET API ve bir Python AI servisi. Demonun üç düşüş seviyesi vardı — tam canlı, hazır foto + canlı AI, tam offline mock — bir bayrakla geçiliyor, arayüz birebir aynı.

Sıfat değil, benchmark

Hackathon’dan sonra altı görüntü modelini aynı veriyle, servisin kendi karar kuralıyla karşılaştırdım. Tepeden kasa kamerasında, ürün başı üç fotoğrafla ilk tahmin doğruluğu %92,5–100. Servis tahminlerin %38,8’ini kasiyere sormadan onaylıyor; bunların %99,2’si doğru. Embedding CPU’da kare başı 47 ms.

Neye dönüştü

Hackathon’dan sonra yön değişti: POS firmaları yeni bir POS istemiyor, kendi POS’larının içinde tanıma istiyor. Barcodie artık bir ürün tanıma API’si: kasadaki sabit kamera bir kare gönderiyor, POS’un kendi ürün kodunu geri alıyor; fiyat POS’ta, kilo teraziden.