---
title: "RAG Sistemlerinde Görselleri Nasıl İndeksliyoruz?"
url: https://blog.edumints.com/rag-sistemlerinde-gorselleri-nasil-indeksliyoruz-a5z4m42z
category: "LLM"
date: 2026-06-03T09:07:57.585Z
publisher: Edumints Blog
lang: tr-TR
source_name: "Hacker News"
source_url: https://www.kapa.ai/blog/how-we-index-images-for-rag
---

# RAG Sistemlerinde Görselleri Nasıl İndeksliyoruz?

Kapa.ai, teknik dokümantasyonlardaki görselleri RAG (Retrieval-Augmented Generation) süreçlerine entegre etmek için geliştirdiği yöntemi paylaşıyor. Sorgu anında görsel işlemek yerine, indeksleme aşamasında görselleri metne dönüştürerek maliyet ve performans verimliliği sağlıyorlar.

## Teknik Dokümantasyonda Görseller Aslında Ne İşe Yarar?
Görseller teknik belgelerde iki gruba ayrılır:
- **Açıklayıcı Görseller:** Metindeki talimatı görselleştirir (örn. "ayarlar ikonuna tıklayın" ifadesinin yanındaki ekran görüntüsü).
- **Taşıyıcı (Veri İçeren) Görseller:** Şema, devre kartı veya tablo gibi doğrudan cevabın kaynağı olan görsellerdir.
*Pratik Çıkarım:* Yazılım geliştirirken, dokümantasyon chat botlarının sadece metne odaklanması bilgi kaybına yol açar. Görselleri anlamlandırmak, kullanıcı deneyimini doğrudan artırır.

## Sorgu Sırasında Çok Modlu Yaklaşım Neden Büyük Ölçekte Çalışmaz?
Sorgu anında görselleri doğrudan GPT veya Claude gibi çok modlu modellere göndermek üç yapısal soruna yol açar:
- **Maliyet:** Ham görseller API maliyetlerini %27 ila %51 oranında artırır.
- **Boyut Sınırları:** Bir sorguda dönen 20-30 görsel, LLM bağlam limitlerini (token) ve istek boyutu sınırlarını aşar.
- **Arama Uyumsuzluğu:** CLIP benzeri çok modlu vektör aramaları, teknik tablolardaki ince detayları kaçırır.
*Pratik Çıkarım:* Sistem mimarisi tasarlarken ham veriyi doğrudan çalıştırmak yerine, veriyi önceden işlemek (preprocessing) her zaman daha verimli ve sürdürülebilirdir.

## İndeksleme Sırasında Bir Kez Tanımla, Metin Olarak Eriş
Kapa.ai çözümü tersine çeviriyor: Görselleri sorgu anında değil, **indeksleme aşamasında** bir kez betimleyip metne çeviriyor.
- Sorgu sırasında model sadece bu metin betimlemesini (caption) görür, ham görseli görmez.
- Cevapta ise orijinal görselin URL'si kaynak olarak gösterilir.
*Pratik Çıkarım:* Tek seferlik indeksleme maliyetiyle, sorgu başına operasyonel yükü minimize edebilirsiniz.

## Ütim Aşamasında Doğru Yapmanız Gerekenler
Büyük ölçekte başarılı olmak için şu üç adıma dikkat edilmelidir:

### Filtreleme: Çoğu Görsel Çöptür ve Sınıflandırılamaz
Logolar gibi gereksiz görselleri temizlemek için basit kurallar ve multimodal sınıflandırıcılar kullanılmalıdır.
*Pratik Çıkarım:* Veri temizliği (data cleaning) aşaması, model kalitesini doğrudan etkiler.

### Betimleme: Bağlam, Model Boyutundan Daha Önemlidir
Görselin öncesindeki ve sonrasındaki metinleri (bağlamı) modele beslemek, betimleme kalitesini ciddi ölçüde artırır. Ayrıca GPT-4o mini gibi küçük modeller bu iş için yeterlidir.
*Pratik Çıkarım:* Prompt mühendisliğinde bağlam her şeydir. Optimize edilmiş küçük modelleri doğru bağlamla kullanmak bütçe dostudur.

### Depolama: Ayrı Betimleme Parçaları Satır İçi Depolamayı Alt Eder
Betimlemeleri ana dokümanın içine gömmek (inline) yerine, ayrı birer "chunk" (metin parçası) olarak saklamak maliyeti düşürür.
*Pratik Çıkarım:* Veritabanı tasarımında normalize edilmiş yaklaşımlar, RAG sistemlerinde de maliyet tasarrufu sağlar.

## Sonuçlar
Bu yöntemle:
- Yanıtlarda görsellerin doğru referanslanma oranı %94-%99 seviyelerine ulaşmıştır.
- Sorgu başına maliyet artışı sadece %1 ila %6 düzeyinde kalmıştır.
- Cevap kalitesi LLM değerlendiricilerine göre istatistiksel olarak anlamlı şekilde artmıştır.
*Pratik Çıkarım:* Karmaşık mimari problemleri her zaman daha pahalı modellerle değil, akıllıca tasarlanmış veri boru hatlarıyla çözülür.

[Orijinal kaynağa buradan ulaşabilirsiniz.](https://www.kapa.ai/blog/how-we-index-images-for-rag)

---

**Kaynak:** [Hacker News](https://www.kapa.ai/blog/how-we-index-images-for-rag)
**Yayıncı:** [Edumints Blog](https://blog.edumints.com) · Alıntılarken bu URL'ye bağlantı verin: https://blog.edumints.com/rag-sistemlerinde-gorselleri-nasil-indeksliyoruz-a5z4m42z