Bitki Doktoru

Proje Hakkında

Bitki Doktoru, ev ve bahçe bitkilerinizin sağlığını yapay zeka teknolojisi ile takip etmenizi sağlayan kapsamlı bir bitki bakım asistanıdır. Kullanıcılar bitkilerinin fotoğrafını çekerek saniyeler içinde hastalık teşhisi alabilir, türe özel bakım talimatlarını öğrenebilir ve kişiselleştirilmiş sulama takvimi oluşturabilirler. Uygulamanın kalbi, Core ML üzerinde çalışan özel eğitimli bir görüntü sınıflandırma modelidir. 50.000'den fazla etiketlenmiş bitki görüntüsü ile eğitilen model, 200'den fazla yaygın bitki hastalığını %92 doğrulukla tanıyabilir. Hastalık tespitinin yanı sıra, sağlıklı yaprak analizi ile potansiyel sorunları erken aşamada uyarır. Bitki kütüphanesi modülü, 2.000'i aşkın bitki türünü kapsar. Her tür için sulama sıklığı, ışık ihtiyacı, ideal sıcaklık aralığı, toprak tercihi ve üreme yöntemleri detaylı şekilde açıklanır. Kullanıcılar kendi bitkilerini profil oluşturarak ekleyebilir ve her bitki için özelleştirilmiş bakım takvimi alabilirler. Sulama hatırlatıcı sistemi, sadece zamana değil, hava durumuna da duyarlıdır. WeatherKit entegrasyonu sayesinde yağmurlu günlerde dış mekan bitkilerinin sulaması otomatik olarak ertelenir. Mevsimsel geçişlerde sulama sıklıkları otomatik güncellenir. Sosyal özellikler arasında bitki günlüğü, büyüme takibi time-lapse ve topluluk forumu bulunur. Kullanıcılar bitkilerinin büyüme sürecini fotoğraflarla belgeleyebilir ve diğer bitki severlerle deneyimlerini paylaşabilirler.

Özellikler

Süreç

Zorluklar & Çözümler

Teknik Detaylar

Uygulama, Clean Architecture prensipleri ile katmanlı bir yapıda tasarlanmıştır. Domain, Data ve Presentation katmanları kesin sınırlarla ayrılmıştır. Dependency injection için Swinject kullanılmıştır. ML pipeline iki aşamalıdır: İlk aşamada Vision framework VNRecognizeAnimalsRequest ve custom VNCoreMLRequest ile bitki/yaprak tespiti yapılır. İkinci aşamada, segmente edilmiş yaprak görüntüsü hastalık sınıflandırma modeline gönderilir. Model çıktısı confidence score ile birlikte top-3 tahmin olarak sunulur. Core ML modeli MobileNetV3-Large tabanlıdır. Input boyutu 224x224 piksel, çıktı 203 sınıf (200 hastalık + sağlıklı + tanımsız + bitki değil). Model boyutu quantization sonrası 14MB'a düşürülmüştür. On-device inference süresi iPhone 12 ve üzeri cihazlarda ortalama 45ms'dir. Veri katmanında Core Data + CloudKit entegrasyonu kullanılmıştır. Kullanıcının bitki profilleri, teşhis geçmişi ve büyüme günlüğü iCloud üzerinden senkronize olur. Fotoğraflar CloudKit Asset olarak saklanır ve thumbnail'ler yerel cache'de tutulur. Sulama algoritması, bitki türünün temel sulama sıklığını WeatherKit verileri (sıcaklık, nem, yağış, rüzgar) ile dinamik olarak ayarlar. Toprak nem sensörü entegrasyonu (Bluetooth LE) ile gerçek zamanlı nem verisi de hesaplamaya katılabilir. Algoritma çıktısı, 1-5 arası sulama aciliyeti skoru olarak sunulur. Bahçe planlama aracı, ARKit kullanarak bahçe alanını 3D olarak tarar. Güneş yolu hesaplaması ile her bölgenin günlük güneş alma süresini hesaplar. Bu veriye göre hangi bitkilerin nereye ekilmesi gerektiğini önerir. SceneKit ile 3D bahçe görselleştirmesi sunar. Topluluk forumu Firestore üzerinde gerçek zamanlı çalışır. Gönderi ve yorum sistemi, fotoğraf paylaşımı, oylama ve uzman rozetleri içerir. Content moderation için hem ML tabanlı otomatik filtreleme hem de kullanıcı raporlama sistemi mevcuttur.

Araştırma Notları

Bitki bakım uygulamaları pazarı, pandemi sonrası ev bitkisi trendinin etkisiyle patlama yaşadı. Global pazar büyüklüğü $1.4 milyar olarak tahmin ediliyor. PlantNet, PictureThis ve Planta gibi global oyuncular dominant; ancak Türkçe içerik ve Türkiye'ye özgü bitki türleri konusunda boşluk mevcut. Türkiye'de ev bitkisi ilgisi son 3 yılda %180 artış gösterdi (Google Trends verisi). Özellikle 25-40 yaş arasındaki şehirli kadın demografisi, bitki bakımına yoğun ilgi duyuyor. Balkon bahçeciliği ve süs bitkileri en popüler kategoriler. ML model seçiminde MobileNetV3, on-device inference için optimal denge sunuyor. EfficientNet-Lite daha yüksek doğruluk sağlıyor ancak inference süresi 2.3 kat daha uzun. ResNet50 doğruluk farkı minimal (%0.8) ancak model boyutu 4 kat büyük. MobileNetV3 + quantization, mobil cihazlar için en uygun trade-off. Bitki hastalığı veri setleri: PlantVillage (54K görüntü, 38 sınıf) en yaygın açık veri seti ancak sınıf çeşitliliği yetersiz. PlantDoc (2.5K görüntü) gerçek dünya koşullarına daha yakın. Kendi veri setimiz (50K+ görüntü, 203 sınıf) Türkiye'ye özgü türleri ve hastalıkları kapsar. Sulama algoritması araştırmasında, Penman-Monteith evapotranspirasyon formülü referans alındı. Ancak bu formül tarımsal ölçekte tasarlanmış olup, saksı bitkilerine doğrudan uygulanamaz. Basitleştirilmiş bir adaptasyon geliştirildi.

Tasarım Süreci

Tasarım süreci, 15 bitki sever ile derinlemesine mülakat yapılarak başladı. Mevcut uygulamaları nasıl kullandıkları, en çok hangi sorunlarla karşılaştıkları ve ideal bir bitki bakım asistanından ne bekledikleri araştırıldı. Ortak tema: 'Bitkimin neyi var, ne yapmalıyım?' sorusuna hızlı ve güvenilir cevap. Görsel kimlik için doğadan ilham alan yeşil tonlar tercih edildi: emerald (#10b981) ana renk, yaprak yeşili ve toprak kahverengisi tamamlayıcı renkler. Açık tema, bitki fotoğraflarının doğal renklerini en iyi şekilde göstermek için tercih edildi. Karanlık tema da tam desteklenir. Teşhis akışı, kullanıcı deneyiminin merkezinde yer alır. Kamera açılır → yaprak/bitki çerçevelenir → otomatik çekim → analiz animasyonu → sonuç kartı. Tüm süreç 3 saniyeden kısa. Sonuç kartında hastalık adı, güven skoru, detaylı açıklama ve tedavi adımları gösterilir. Bitki profili oluşturma akışı gamification öğeleri içerir. Her bitki bir avatar alır, büyüme aşamaları takip edilir ve bakım görevlerini tamamlamak XP kazandırır. Bu yaklaşım, günlük uygulama açma alışkanlığını teşvik eder. Bilgi mimarisi, bitki türüne göre kişiselleştirilmiş bir deneyim sunar. Kullanıcının eklediği bitkilere göre ana sayfa dinamik olarak düzenlenir. Sulama takvimi, bakım ipuçları ve sezonluk öneriler bitki portföyüne göre filtrelenir. Accessibility: VoiceOver ile teşhis sonuçları sesli okunur, fotoğraf çekim rehberi haptic feedback ile desteklenir. Renk körlüğü modunda sağlık göstergeleri ikon + metin kombinasyonu ile sunulur. Touch target'lar minimum 48x48pt.

Sonuçlar & Etki

Bitki Doktoru, lansmanın ardından hızla büyüyerek 6 ayda 120.000 aktif kullanıcıya ulaştı. App Store'da Yaşam kategorisinde Türkiye editörün seçimi olarak öne çıkarıldı. Günlük ortalama 15.000 hastalık teşhisi gerçekleştiriliyor. ML model performansı sürekli iyileştirildi: lansmandaki %85 doğruluk, kullanıcı geri bildirimleri ve yeni veri ile %92'ye yükseltildi. Top-3 doğruluk oranı %97'ye ulaştı. Yanlış pozitif oranı %4.2'den %2.1'e düşürüldü. Kullanıcı etkileşim metrikleri oldukça güçlü: ortalama oturum süresi 4.8 dakika, haftalık aktif kullanıcı oranı %52, bitki profili oluşturma oranı %73. Sulama hatırlatıcı özelliğini aktifleştiren kullanıcılarda 30 günlük retention %45 ile genel ortalamanın (%31) çok üzerinde. Topluluk forumu organik büyüme gösterdi: 8.000'den fazla gönderi, günlük ortalama 500 yeni yorum. Uzman botanistlerin katılımı, içerik kalitesini yükseltti ve kullanıcı güvenini artırdı. Teknik metriklerde: ortalama teşhis süresi 1.2 saniye (fotoğraf çekiminden sonuca), crash-free oranı %99.4, Core ML inference P95 65ms. WeatherKit cache hit oranı %89 ile API maliyetleri bütçenin %40 altında kaldı.

Öğrenilen Dersler

ML model eğitiminde veri kalitesi, veri miktarından çok daha önemli. İlk aşamada internet'ten toplanan düşük kaliteli görüntülerle eğitilen model %72 doğruluk gösterdi. Botanist danışmanın etiketlediği küçük ama yüksek kaliteli veri seti ile fine-tune edildikten sonra %92'ye çıktı. Kullanıcı tarafından üretilen veri, model iyileştirmesi için altın madeni. Kullanıcıların teşhis sonuçlarını onaylama veya düzeltme seçeneği sunuldu. Bu geri bildirim döngüsü, modelin sürekli iyileşmesini sağladı ve aynı zamanda kullanıcı bağlılığını artırdı. Offline deneyim, bitki bakım uygulamaları için kritik. Kullanıcıların %18'i bahçede veya kırsal alanda internet bağlantısı olmadan uygulama kullanıyor. On-device ML inference ve offline veritabanı, bu kullanıcılar için vazgeçilmez oldu. Domain uzmanı (botanist) katılımı, ürün kalitesini dramatik şekilde artırdı. Teknik ekip bitki hastalıklarının nüanslarını yeterince anlayamıyordu. Botanistin veri etiketleme, tedavi önerileri ve bakım rehberi oluşturma süreçlerine aktif katılımı, ürünün güvenilirliğini sağladı. WeatherKit gibi harici API bağımlılıklarında dayanıklılık (resilience) planı şart. API'nin 2 saatlik bir kesintisinde sulama hatırlatıcıları tetiklenmedi. Fallback olarak son bilinen hava durumu verisi + mevsimsel ortalamalar kullanılan bir yedek strateji geliştirildi.