Hayvan Barınak Bulma ve Sahiplendirme Platformu
Kullanıcı
İndirme
App Store Puanı
Geliştirme Süresi
Barınak Bul, Türkiye'deki sokak hayvanı sorununa dijital bir çözüm sunarak barınak keşfini, sahiplendirmeyi ve kayıp hayvan takibini tek platformda birleştiren kapsamlı bir hayvan hakları uygulamasıdır. Türkiye'de tahminen 10 milyon sokak hayvanı yaşamakta ve 300'den fazla belediye barınağında yaklaşık 500.000 hayvan bakım altında bulunmaktadır. Ancak bu barınakların çoğunun dijital varlığı yoktur ve sahiplendirme süreçleri hâlâ büyük ölçüde yerel ağıza dayalı yürütülmektedir. Platform dört ana modülden oluşmaktadır: Barınak Keşfi, Sahiplendirme, Kayıp İlan ve Gönüllü Mama Ağı. Barınak Keşfi modülünde kullanıcılar harita üzerinde yakınlarındaki barınakları görebilir, barınak kapasitesi, hayvan türü dağılımı ve iletişim bilgilerine erişebilir. Her barınağın profil sayfasında sahiplendirilmeyi bekleyen hayvanların fotoğraflı listesi yer almaktadır. Sahiplendirme modülü, hayvan türü, yaş, cinsiyet, ırk ve sağlık durumuna göre filtreleme yapılabilen gelişmiş bir arama motoru sunar. Kullanıcılar favorilerine ekleyebildikleri hayvanlara doğrudan başvuru yapabilir. Sahiplendirme süreci dijitalleştirilmiş olup, başvuru formu, veteriner kontrol onayı ve takip süreci uygulama üzerinden yönetilmektedir. Kayıp İlan modülü, kayıp veya bulunan hayvanlar için ilan oluşturmayı ve yapay zekâ destekli görsel eşleştirme ile kayıp hayvanı bulmayı sağlar. Gönüllü Mama Ağı ise barınaklara ve sokak hayvanı besleme noktalarına düzenli mama bağışı yapılmasını koordine eden bir topluluk modülüdür.
Bu projenin en yenilikçi ama aynı zamanda en zorlu teknik bileşeni, kayıp hayvan görsel eşleştirme motoruydu. Bir kullanıcı kaybolan kedisinin fotoğrafını yüklediğinde, sistem bulunan hayvan ilanlarındaki fotoğraflarla karşılaştırarak potansiyel eşleşmeleri sunmalıydı. Hayvan yüz tanıma, insan yüz tanımasından çok daha karmaşıktır: tüy rengi ve desenleri ışığa göre değişir, hayvanlar farklı açılardan çok farklı görünebilir ve çoğu zaman düşük kaliteli fotoğraflarla çalışılması gerekir. Barınak verilerinin standartlaştırılması beklenenden çok daha zorlu oldu. 300+ belediye barınağının çoğunun dijital kaydı yoktu, mevcut olanların veri formatları tamamen farklıydı. Bazı barınaklar Excel tablosu kullanırken, bazıları sadece kağıt kayıt tutuyordu. Hayvan tanımlama sistemleri de tutarsızdı: bazı barınaklar mikroçip kullanırken, bazıları sadece kulak küpesi veya hiçbir tanımlama kullanmıyordu. Fotoğraf yönetimi de ciddi performans sorunları yarattı. Her hayvanın 3-5 fotoğrafı olduğu düşünüldüğünde, 50.000+ hayvanlık veritabanında 200.000'den fazla fotoğraf yönetilmesi gerekiyordu. Bu fotoğrafların farklı boyutlarda optimize edilmesi, lazy loading stratejisi ve cache yönetimi detaylı planlama gerektirdi. Sahiplendirme sürecinin dijitalleştirilmesi, teknik zorlukların yanında operasyonel karmaşıklık da içeriyordu. Her barınağın farklı sahiplendirme kriterleri, farklı onay süreçleri ve farklı takip protokolleri vardı. Esnek ama tutarlı bir iş akışı tasarlamak, barınak sorumlularıyla yapılan uzun iterasyonlar gerektirdi.
Kayıp hayvan eşleştirmesi için CoreML üzerinde özelleştirilmiş bir görsel benzerlik modeli eğitildi. Model, MobileNetV3 backbone üzerine metric learning yaklaşımıyla fine-tune edildi. 50.000 etiketlenmiş hayvan fotoğrafıyla eğitilen model, hayvanın tüy deseni, renk dağılımı, yüz yapısı ve vücut oranlarını 128 boyutlu embedding vektörüne dönüştürüyor. Eşleştirme, bu vektörler arasındaki cosine similarity ile yapılıyor. Model doğruluğunu artırmak için data augmentation pipeline'ı oluşturuldu: farklı ışık koşulları simülasyonu, perspektif dönüşümü, kısmi oklüzyon ve blur ekleme. Ayrıca kullanıcıların fotoğraf yüklerken hayvanın türü, rengi ve belirgin özelliklerini seçmesi isteniyor — bu metadata ön filtreleme yaparak arama uzayını daraltıyor. Barınak veri standardizasyonu için üç katmanlı strateji uygulandı: API entegrasyonu (dijital sistemi olan barınaklar), web scraping adaptörü (web sitesi olan barınaklar) ve mobil veri girişi (dijital altyapısı olmayan barınaklar). Üçüncü kategori için barınak gönüllülerine özel basitleştirilmiş bir veri giriş arayüzü geliştirildi — fotoğraf çekip birkaç alan doldurarak hayvan kaydı oluşturabiliyorlar. Fotoğraf yönetimi için Kingfisher kütüphanesiyle entegre edilen çok katmanlı cache stratejisi kuruldu. Orijinal fotoğraflar Firebase Storage'da, thumbnail'ler (200x200) ve orta boy (600x600) versiyonlar CDN'de saklanıyor. Ekrana göre uygun boyut seçiliyor ve progressive JPEG formatıyla önce düşük çözünürlüklü versiyon gösterilip ardından yüksek çözünürlüklü versiyon yükleniyor. Sahiplendirme iş akışı için state machine pattern uygulandı. Her başvuru belirli durumlar arasında geçiş yapıyor: Başvuru → İnceleme → Veteriner Kontrol → Ev Ziyareti → Onay → Teslim → Takip. Her geçiş hem başvurana hem barınak sorumlusuna bildirim gönderiyor. Barınaklar kendi özel adımlarını ekleyebiliyor.
Uygulama UIKit tabanlı MVVM + Clean Architecture ile geliştirildi. Domain katmanı use case'ler, Repository protokolleri ve entity'lerden oluşuyor. Data katmanı Firebase Firestore, Storage ve Cloud Functions ile iletişimi yönetiyor. Presentation katmanı ViewModel'ler ve UIViewController'lardan oluşuyor. CoreML görsel eşleştirme modeli .mlmodel formatında uygulama bundle'ına dahil ediliyor (18MB). VNCoreMLRequest ile fotoğraf embedding'i çıkarılıyor ve VNFeaturePrintObservation olarak 128 boyutlu vektör elde ediliyor. Eşleştirme sorgusu sunucu tarafında FAISS (Facebook AI Similarity Search) index'i üzerinde yapılıyor — 100.000 vektör arasında sub-millisecond arama süresi sağlanıyor. Vision framework ile fotoğraf ön işleme yapılıyor: VNDetectAnimalBodyPoseRequest ile hayvanın vücut bölgeleri tespit ediliyor, VNGenerateAttentionBasedSaliencyImageRequest ile dikkat noktaları belirleniyor ve otomatik crop uygulanıyor. Bu ön işleme, eşleştirme doğruluğunu %18 artırdı. Harita katmanı MKMapView üzerine custom MKAnnotationView'lar ile inşa edildi. Barınak annotation'ları hayvan türü dağılımını gösteren mini pasta grafik içeriyor. Cluster annotation'lar zoom seviyesine göre dinamik boyutlandırılıyor. MKLocalSearch ile kullanıcının arama sorgusuna göre barınak önerileri sunuluyor. Firebase Firestore veri modeli üç ana collection'dan oluşuyor: shelters (barınak profilleri), animals (hayvan kayıtları) ve adoption_applications (sahiplendirme başvuruları). Compound index'ler ile tür+şehir+durum filtrelemesi optimize edilmiş. Firebase Storage'da fotoğraf resize Cloud Function'ı ile otomatik thumbnail üretimi yapılıyor.
Türkiye'deki sokak hayvanı popülasyonu ve barınak sistemi hakkında kapsamlı araştırma yapıldı. TÜİK ve Tarım Bakanlığı verilerine göre Türkiye'de tahminen 10 milyon sokak köpeği ve 5 milyon sokak kedisi yaşamaktadır. 30 büyükşehir belediyesinin tamamında hayvan barınağı bulunurken, ilçe bazında kapsam oranı sadece %42'dir. Hayvan tanıma teknolojileri literatür taramasında, pet facial recognition alanındaki akademik çalışmalar incelendi. Petfinder (ABD) ve PiP (İngiltere) uygulamalarının kullandığı SIFT ve SURF tabanlı geleneksel yöntemler ile deep learning tabanlı modern yaklaşımlar karşılaştırıldı. MobileNetV3'ün metric learning ile fine-tune edilmesinin, mobil cihaz kısıtlamaları altında en iyi accuracy/latency trade-off'unu sunduğu belirlendi. Sahiplendirme süreçleri araştırmasında 25 barınakla derinlemesine görüşme yapıldı. Ortalama sahiplendirme süreci 3 hafta, iade oranı %12 olarak tespit edildi. İade nedenlerinin başında hayvanın sağlık sorunlarının önceden bildirilmemesi (%34) ve davranış uyumsuzluğu (%28) geliyordu. Bu bulgular, hayvan profil kartının detaylandırılmasına ve eşleştirme öncesi beklenti yönetimi adımının eklenmesine yol açtı. Gönüllü mama bağışı ağı için Feeding America (ABD) ve FareShare (İngiltere) gıda bağış koordinasyon modellerinden ilham alındı. Rota optimizasyonu ve teslimat lojistiği için traveling salesman problem varyantları incelendi ve greedy nearest-neighbor heuristik'i ile pratik çözüm üretildi.
Tasarım süreci, 60 hayvan sever, 15 barınak gönüllüsü ve 8 barınak sorumlusuyla yapılan kapsamlı kullanıcı araştırmasıyla başladı. En güçlü kullanıcı içgörüsü, insanların sahiplenmek istedikleri hayvanla duygusal bağ kurma ihtiyacıydı. Sadece filtreleme ve liste göstermek yetmiyordu; her hayvanın hikâyesi, kişiliği ve ihtiyaçları anlatılmalıydı. Bu içgörü doğrultusunda "Hayvan Profil Kartı" konsepti geliştirildi. Her hayvanın Tinder benzeri kaydırılabilir fotoğraf galerisi, isim ve kişilik özellikleri, sağlık durumu ve veteriner notları, barınak gönüllüsünün kişisel notu ve sahiplendirme uyumluluk skoru gösteriliyor. Swipe-right ile favorilere ekleme, swipe-left ile geçme mekanizması tanıdık ve eğlenceli bir keşif deneyimi sunuyor. Renk paleti sıcaklık, şefkat ve doğa temasını yansıtan amber-lime tonlarında tasarlandı. Ana renk amber (#d97706) güven ve sıcaklık, accent renk lime yeşili canlılık ve umut duygusunu vurguluyor. Hayvan türüne göre ikon renklendirmesi yapılıyor: köpekler amber, kediler yeşil, kuşlar mavi, diğerleri mor. Prototip 4 iterasyondan geçti. İlk iterasyonda klasik liste görünümü kullanılmıştı ancak engagement metrikleri düşüktü. İkinci iterasyonda kart tabanlı swipe arayüzü test edildi ve ortalama oturum süresi 2.4 dakikadan 7.8 dakikaya çıktı. Üçüncü iterasyonda harita ve kart görünümü arasında sorunsuz geçiş eklendi. Son iterasyonda sahiplendirme başvuru akışı 5 adımdan 3 adıma sadeleştirildi.
Barınak Bul platformu lansmanından bu yana 60+ ilde 400'den fazla barınak kayıt oldu ve 50.000'i aşkın hayvan profili oluşturuldu. Platformun en büyük başarısı, 15.000'den fazla başarılı sahiplendirme gerçekleştirmesi oldu — bu Türkiye'deki dijital sahiplendirme platformları arasında en yüksek rakamdır. AI görsel eşleştirme motoru toplamda 8.500 kayıp hayvan ilanı üzerinde test edildi ve %73 doğruluk oranıyla (ilk 5 öneri içinde doğru eşleşme) 2.800'den fazla kayıp hayvanın sahiplerine kavuşmasına yardımcı oldu. Özellikle belirgin desenleri olan kedilerde doğruluk oranı %86'ya çıkıyor. Sahiplendirme sürecinin dijitalleştirilmesi, ortalama sahiplendirme süresini 21 günden 8 güne düşürdü. Dijital başvuru ve takip sistemi sayesinde başvuru tamamlama oranı %62'den %88'e yükseldi. Barınak sorumlularının idari iş yükü tahminen %45 azaldı. Gönüllü Mama Ağı modülü üzerinden aylık ortalama 12 ton mama bağışı koordine ediliyor. 2.800+ düzenli mama bağışçısı, 180+ besleme noktasına düzenli teslimat yapıyor. Bu ağ, özellikle kış aylarında sokak hayvanlarının beslenmesine kritik katkı sağlıyor. Uygulama, Hayvan Hakları Federasyonu tarafından "Yılın Dijital Projesi" ödülüne aday gösterildi. Belediye barınaklarının %35'i artık Barınak Bul üzerinden sahiplendirme yapıyor.
Bu projede en önemli teknik öğrenimimiz, bilgisayar görüsü modellerinin gerçek dünya koşullarında laboratuvar ortamından çok farklı performans gösterdiğiydi. Eğitim veri setimiz profesyonel fotoğraflardan oluşuyordu ancak kullanıcılar bulanık, karanlık, kötü çerçevelenmiş fotoğraflar yüklüyordu. Data augmentation pipeline'ına gerçekçi bozulma senaryoları eklemek modelin gerçek dünya performansını %31 artırdı. Barınak veri toplama sürecinde dijital okuryazarlık eşitsizliğinin ne kadar derin olduğunu gördük. Büyük şehirlerdeki barınaklar API entegrasyonunu kolayca yapabilirken, küçük ilçe barınaklarında temel akıllı telefon kullanımı bile zorlayıcıydı. Bu eşitsizliği gidermek için barınak gönüllülerine yönelik video eğitim serileri ve basitleştirilmiş veri giriş modu geliştirdik. En değerli öğrenimimiz, teknolojiyi kullanıcıya uyarlamanın her zaman daha etkili olduğuydu. Sahiplendirme iş akışının tek bir kalıba sığmayacağını ilk elden deneyimledik. İstanbul'daki bir barınak ev ziyareti zorunluluğu koyarken, küçük bir kasaba barınağı sadece kimlik fotokopisi isteyebiliyordu. Esnek state machine yapısı bu çeşitliliği karşılıyor ancak başlangıçta sabit bir akış tasarlamıştık. 5 barınakla pilot test yapmak bizi bu rigid yaklaşımdan kurtardı. Topluluk motivasyonunun teknolojiden daha güçlü olduğunu bu projede öğrendik. En aktif mama bağışçıları ve sahiplendirme başvuru sahipleri, topluluk hikâyeleri bölümündeki başarılı sahiplendirme hikâyelerinden ilham alıyordu. Bu bölümü ön plana çıkardığımızda sahiplendirme başvuruları %42 arttı.
Swift 6.0 ile gelen complete concurrency checking, typed throws, Synchronization framework ve ownership model. Production projelerinizi nasıl migrate edeceğinizi adım adım öğrenin.
22 dkNavigationStack'in ötesine geçin! Coordinator pattern, deep linking ve custom transition'lar ile profesyonel navigation sistemi oluşturun.
22 dkSwift 5.9+ Macros ile compile-time code generation. Freestanding ve attached macro türleri, SwiftSyntax ile custom macro yazımı, testing ve production best practices.
26 dk12+ yıllık mobil geliştirme deneyimimle hayalinizdeki uygulamayı birlikte hayata geçirelim.
İlk görüşme tamamen ücretsizdir