Perceptual hash (algısal karma) doğruluğu, görsel benzerlik modellerinin kalbinde yer alır. Sahte ürün tespitinde hangi modelin ne kadar güvenilir olduğu, marka sahipleri için milyonlarca liralık bir pratik sorudur. Bu sayfada ISTATISTIK tipinde doğrulanmış reyestr verilerini ve ürün spesifikasyonlarını kullanarak mevcut görsel benzerlik yaklaşımlarını karşılaştırıyor, her yöntemin güçlü ve zayıf yanını ortaya koyuyoruz.
Reyestr denetiminden geçirilmiş veriler, metodoloji notları ve marka sahiplerine yönelik yorumlarla bu sayfada görsel benzerlik modellerinin doğruluk karşılaştırmasını bulacaksınız.
Pazaryerlerinde her gün milyonlarca ürün ilanı yayımlanır. Moda ve aksesuar, Ticaret Bakanlığı'nın 2025 verilerine göre Türkiye e-ticaret hacminin %29,1'ini oluşturan en büyük kategoridir. Taklit ürünler de ağırlıklı olarak bu kategoride yoğunlaşır. İnsan gözü bu hacimle başa çıkamaz. Otomatik görsel benzerlik modelleri tam burada devreye girer.
Bir marka sahibi her gün yüzlerce yeni ilanı inceleyin, orijinal ürünle görsel benzerliği elle ölçün desek, bu iş büyük bir ekip bile gerektirirdi. Peki modeller gerçekten ne kadar doğru çalışıyor? Hangi yaklaşım hangi koşulda üstün geliyor?
OECD/EUIPO'nun 2025'te yayımladığı "Mapping Global Trade in Fakes" raporuna göre giyim, ayakkabı ve deri ürünleri, küresel taklit ürün el koymalarının %62'sini oluşturuyor. Türkiye ise bu kategorilerde Çin ve Hong Kong'un ardından gelen önemli menşe ekonomiler arasında sayılıyor. Görsel benzerlik modellerinin doğruluğu, bu büyüklükteki bir tehdidin tespitinde belirleyici rol oynuyor.
Sahte ürün ve taklit ürün tespitinde kullanılan başlıca yaklaşımlar üçe ayrılır: algısal karma (perceptual hash), derin öğrenme tabanlı embedding modelleri ve hibrit yöntemler. Her birinin doğruluk profili farklıdır.
Algısal karma (perceptual hash), bir görselin piksel düzeyinde özet imzasını çıkarır. İki imza arasındaki Hamming mesafesi, görsel benzerliğin sayısal karşılığıdır. Bu yaklaşım hızlıdır, yerel olarak çalışır ve hesaplama maliyeti düşüktür.
Perceptual hash doğruluk karşılaştırması yapıldığında ortaya çıkan tablo şudur: model, özdeş veya çok az değiştirilmiş görsellerde son derece başarılıdır. Renk filtresi ekleme, hafif kırpma veya yeniden boyutlandırma gibi basit manipülasyonları da yakalar. Ancak açı değişikliği, farklı stüdyo aydınlatması veya ürün detay görselleri gibi durumlarda hata oranı artar.
SahteAvcı'nın temel görsel analizi, blockhash-js algoritmasıyla tarayıcıda yerel olarak çalışır. Bu, kullanıcının görsellerinin herhangi bir harici sunucuya gönderilmediği anlamına gelir. Temel analiz tarayıcıda yerel çalışır; isteğe bağlı BYOK modunda görseller seçtiğiniz API sağlayıcısına gönderilir.
Bir pazaryeri ilanında görselin orijinal marka fotoğrafından doğrudan kopyalandığı durumlarda perceptual hash güçlü bir sinyal üretir. Ama taklit üretici orijinal görseli değil, kendi çektiği ürün fotoğrafını kullanıyorsa hash benzerliği düşer. Bu, yöntemin yapısal sınırıdır.
Sahte ilaç ve kozmetik denetim raporları, görsel benzerlik modellerinin tek başına yeterli olmadığını gösteriyor: ambalaj görsel benzerliği yüksek çıkarken içerik analizi farklı bir risk profili ortaya koyabiliyor.Derin öğrenme tabanlı embedding modelleri, görseli piksel seviyesinde değil anlam seviyesinde temsil eder. CLIP (Contrastive Language-Image Pretraining) modeli, metin ve görsel uzayını birleştirerek semantik benzerlik skoru üretir. FashionCLIP ise bu mimarinin moda ürünleri için ince ayar yapılmış sürümüdür.
Bu modellerin perceptual hash'e kıyasla temel avantajı şudur: farklı açılardan çekilmiş veya farklı arka planla sergilenen aynı ürünü "aynı" olarak eşleştirebilirler. Bir çanta hem stüdyo beyaz arka planında hem de sahada kullanımda çekilmiş olsa bile model benzerliği fark edebilir.
Peki bu neden önemlidir? Çünkü taklit üreticiler artık orijinal görseli kopyalamak yerine kendi ürünlerini çekerek listeliyor. Perceptual hash bu durumda sessiz kalır; embedding modelleri ise ürünün görsel özelliklerine bakarak benzerlik skoru üretir.
SahteAvcı'da CLIP ve FashionCLIP, isteğe bağlı BYOK (kendi API anahtarını getir) modeliyle kullanılabilir. Bu modda görsel veriler kullanıcının seçtiği API sağlayıcısına gönderilir. Temel (perceptual hash) analiz her koşulda yerel çalışır; gelişmiş modeller isteğe bağlıdır.
Embedding modellerinin dezavantajı hesaplama maliyetidir. Yerel çalıştırılması için güçlü donanım gerekir; API üzerinden çalıştırıldığında ise görsel veri üçüncü tarafa gider. Bu ödünleşim her marka sahibinin kendi gizlilik politikasına göre değerlendirmesi gereken bir karardır.
Sosyal medyada taklit satış hacmi verileri incelendiğinde, platformlarda kullanılan görsel tespitinin büyük bölümünün embedding tabanlı sistemlere dayandığı ve bu sistemlerin de belirli hata oranlarıyla çalıştığı görülmektedir.Aşağıdaki tablo, SahteAvcı'nın ürün spesifikasyonlarına ve kamuya açık model belgelerine dayalı olarak hazırlanmıştır. Tablodaki doğruluk ifadeleri niteldir; bağımsız akademik kıyaslama çalışmalarına işaret eder, kesin doğruluk garantisi içermez.
| Model / Yöntem | Çalışma yeri | Güçlü olduğu senaryo | Zayıf olduğu senaryo | SahteAvcı'daki durumu | Kaynak / Yıl |
|---|---|---|---|---|---|
| Perceptual hash (blockhash-js) | Tarayıcıda yerel | Orijinal görsel kopyalama, hafif filtre/kırpma | Farklı açı, farklı stüdyo, ürün yeniden çekilmiş | Temel analiz – tüm planlarda aktif | SahteAvcı MVP spec v4.1 [REGISTRY] |
| MiniLM-L6-v2 (metin benzerliği) | Tarayıcıda yerel | Başlık ve açıklama metninde semantik kopya tespiti | Çok kısa veya aşırı teknik metin | Metin benzerliği – tüm planlarda aktif | SahteAvcı MVP spec v4.1 [REGISTRY] |
| CLIP | BYOK – API sağlayıcı | Farklı açıdaki aynı ürün, semantik görsel eşleştirme | Çok benzer görünen ama farklı ürünler (ince ayrım) | Gelişmiş mod – BYOK ile kullanılabilir | Kamuya açık model belgesi [HIGH] |
| FashionCLIP | BYOK – API sağlayıcı | Moda ürünleri, kıyafet ve aksesuar benzerliği | Moda dışı kategoriler, genel görseller | Gelişmiş mod – BYOK ile kullanılabilir | Kamuya açık model belgesi [HIGH] |
| Hibrit (hash + embedding) | Karma | Yüksek hacim + anlam düzeyinde doğrulama | API maliyeti ve gizlilik ödünleşimi | İki katman birlikte çalışabilir | SahteAvcı MVP spec v4.1 [REGISTRY] |
Marka koruma açısından doğru soru şudur: "En yüksek doğruluk oranına sahip model hangisi?" değil, "Kullanım senaryoma en uygun model hangisi?"
Trendyol, Hepsiburada, n11, Amazon Türkiye, Dolap ve Çiçeksepeti gibi pazaryerlerinde ilanları tarayan bir marka sahibi için perceptual hash hız ve gizlilik avantajı sunar. Hiçbir görsel verisi dışarı çıkmaz, her ilan saniyeler içinde taranır. Ancak taklit satıcı orijinal görseli kullanmıyorsa bu katman yeterli değildir.
CLIP veya FashionCLIP tabanlı analiz, görselin anlam düzeyinde eşleşmesini sağlar. Moda kategorisinde özellikle FashionCLIP daha uygun bir seçimdir. Ancak bu modeli BYOK ile kullanmak, görsel verilerin API sağlayıcısına gönderilmesini gerektirir. Marka sahibinin bu ödünleşimi bilinçli olarak değerlendirmesi gerekir.
Hibrit yaklaşım – önce perceptual hash ile hızlı tarama, ardından şüpheli ilanlarda embedding doğrulaması – pratikte en dengeli sonucu üretir. Bu bir kesin sonuç değil, risk skoru zinciridir. SahteAvcı da bu mantıkla çalışır: her analiz bir olasılık/risk skoru üretir, sahtelik kanıtı değil.
Marka sahiplerinin ikinci el ürün pazarında da benzer görsel tespite ihtiyacı duyduğunu gözlemledik. İkinci el ürün nedir sorusu bu bağlamda önem kazanıyor: yenilenmiş, kullanılmış ve taklit ürün arasındaki sınır çoğu zaman görsel benzerlik analiziyle değil, ek doğrulama adımlarıyla netleşiyor.
Bu sayfadaki karşılaştırma hangi temele dayanıyor? Üç kaynaktan yararlanıldı: SahteAvcı'nın doğrulanmış ürün spesifikasyonu (MVP spec v4.1), ilgili modellerin kamuya açık teknik belgeleri ve OECD/EUIPO'nun 2025 raporu.
Önemli bir sınırı açıkça belirtmek gerekir: modellerin doğruluk oranı, veri setine ve test koşullarına büyük ölçüde bağlıdır. "Model X, %Y doğrulukla çalışır" biçimindeki bir iddia, kullanılan veri seti, eşleştirme eşiği ve ürün kategorisi belirtilmeden anlamsızdır. Bu nedenle bu sayfada kesin doğruluk yüzdeleri yer almaz; nitel karşılaştırma ve senaryo bazlı değerlendirme tercih edildi.
Reyestrde pazaryerlerine yapılan taklit şikâyeti sayıları ve kabul oranlarına ilişkin doğrulanmış veri bulunmadığından bu konuda sayı verilmemiştir. Taklit ürün ve replika ürün kavramları arasındaki hukuki ayrım da bu bağlamda önem taşır; bir aftermarket ürün nedir sorusu da benzer şekilde tanımsal netlik gerektiriyor.
Crocs gibi belirli kategorilerde sahte ürün tespiti yapmak istiyorsanız, Crocs alırken sahteyi tespit etmeye yardımcı olan SahteAvcı eklentisini ücretsiz olarak kurabilirsiniz. Temel analiz tarayıcıda yerel çalışır; isteğe bağlı BYOK modunda görseller seçtiğiniz API sağlayıcısına gönderilir.
Görsel benzerlik modelleri bir risk sinyali üretir. Hiçbiri tek başına sahteliği kanıtlamaz. Modellerin güçlü olduğu yer, ihlal şüphesini tespit etmek ve inceleme önceliğini belirlemektir.
Görsel benzerlik analizinin güncel gelişmelerini ve doğrulanmış yeni verileri takip etmek istiyorsanız SahteAvcı bültenine kaydolun. Yeni raporlar ve reyestr güncellemeleri yayımlandığında size bildiriyoruz.
Sayfadaki veriler üç ana kaynaktan alınmıştır: SahteAvcı'nın doğrulanmış ürün spesifikasyonu (MVP spec v4.1), CLIP ve FashionCLIP modellerinin kamuya açık teknik belgeleri ve OECD/EUIPO'nun 2025 tarihli "Mapping Global Trade in Fakes" raporu. Her rakamın yanında kaynağı ve yılı belirtilmiştir. Reyestrde bulunmayan konularda kesin sayı verilmemiş, nitel ifadeyle yetinilmiştir.
Ürün spesifikasyonu verisi her yeni sürümde güncellenir. OECD/EUIPO raporu yaklaşık iki yılda bir yeni sürüm yayımlar; reyestrimiz bu güncellemelere göre revize edilir. Türkiye e-ticaret pazarı verileri ise Ticaret Bakanlığı'nın yıllık raporuyla her Mayıs güncellenir. Güncel doğrulama tarihleri yazar bloğunda belirtilmektedir.
Moda ve aksesuar e-ticaret hacminin en büyük dilimini oluşturuyor; taklit ürün de bu kategoride yoğunlaşıyor. Görsel benzerlik modellerinin hangisinin kullanım senaryonuza uyduğunu anlamak, gereksiz maliyet ve yanlış pozitif riskini azaltır. Perceptual hash düşük maliyetli hızlı tarama, embedding modeller anlam düzeyinde doğrulama için uygundur. İkisi birlikte hibrit bir risk filtresi oluşturur.