Çekicin AI Lab · Hasar kontrolüÇekicin AI Lab · Damage check
Ücretsiz · kayıt yok · fotoğraf telefonunuzdan çıkmazFree · no sign-up · your photo never leaves your phone
veya örnek bir fotoğrafla deneyin:or try a sample photo:
Model Hugging Face'ten bir kez indirilir (~20 MB + 11 MB), sonra telefonunuzda saklanır ve tekrar indirilmez. Hasar modeli YOLO11m (sağlam araç fotoğraflarıyla da eğitildi), eşik 0,10 (lamba/lastik 0,60); parça modeli YOLO11n, eşik 0,25 ve yalnızca hasar bulunduğunda gösterilir. Hasar AI 2.0: iki model de düşük eşikle (0,05) çalışır; kutular 34 özelliğe dönüştürülür ve kalibre edilmiş bir karar katmanı (lojistik regresyon, 1336 fotoğrafla doğrulandı) hasar olasılığını ve türünü verir. Bulanık veya karanlık fotoğrafta yeniden çekmeniz istenir. Ayrıntılar: AI wiki. Bu bir ön değerlendirmedir, eksper raporu değildir.The model is downloaded once from Hugging Face (~20 MB + 11 MB), then kept on your phone and not downloaded again. Damage model YOLO11m (also trained on intact cars), threshold 0.10 (lamp/tyre 0.60); parts model YOLO11n, threshold 0.25, shown only when damage is found. Hasar AI 2.0: both models run at a low threshold (0.05); the boxes become 34 features and a calibrated decision layer (logistic regression, validated on 1336 photos) gives the damage probability and type. Blurry or dark photos get a retake prompt. Details: AI wiki. This is a pre-assessment, not an expert report.
1000 fotoğraflık bağımsız testteIn an independent 1000-photo test
Test sonuçlarıTest results
Fotoğraflar 1000'lik test setinden rastgele seçildi (her hasar türünden 12, seed 42); iyi örnekler ayıklanmadı. Kesikli beyaz kutular uzmanların işaretlediği gerçek hasarlar, renkli kutular modelin bulduğu hasarlardır. Kartın altında: ✓ bulunan tür, ✗ kaçırılan tür, + fazladan tahmin edilen tür. Bir fotoğrafa tıklayınca büyür.Photos were drawn at random from the 1000-photo test set (12 per damage type, seed 42); good examples were not hand-picked. Dashed white boxes are the true damages marked by annotators, coloured boxes are what the model found. Under each card: ✓ type found, ✗ type missed, + extra type predicted. Click a photo to enlarge it.
Sağlam araç fotoğrafları (Stanford Cars) lisans gereği yeniden yayınlanamadığı için galeride yok; yanlış alarm oranı yukarıdaki %20,5 değeridir. Fotoğraflar: AutoDamageIQ (VehiDE kaynaklı), CC-BY-4.0. Gerçek hasar türleri bu veri setinde 4 tanedir (çatlak, göçük, cam kırığı, çizik).Intact-car photos (Stanford Cars) cannot be redistributed under their licence, so they are not in the gallery; the false-alarm rate is the 20.5% above. Photos: AutoDamageIQ (VehiDE origin), CC-BY-4.0. This dataset labels 4 damage types (crack, dent, glass shatter, scratch).
3 · Diğer uzman modellerle karşılaştırma3 · Comparison with other specialised models
Hugging Face'teki açık hasar modelleri, Çekicin modelleriyle aynı fotoğraflarda ve aynı kurallarla test edildi. F1: hasar türünü doğru bulma (yüksek iyi). Yakalama: hasarlı fotoğrafta en az bir hasar bulma. Yanlış alarm: sağlam araçta hasar görme (düşük iyi).Open damage models from Hugging Face were tested on the same photos with the same rules as the Çekicin models. F1: finding the right damage type (higher is better). Recall: flagging at least one damage on a damaged photo. False alarm: seeing damage on an intact car (lower is better).
← tabloyu kaydırınswipe the table →
| Model | TürType | Nerede çalışırRuns where | F1 | YakalamaRecall | Yanlış alarmFalse alarm | Süre/fotoTime/photo | LisansLicence |
|---|---|---|---|---|---|---|---|
| ⭐ Çekicin AI Lab · İkisi birlikteBoth YOLO11m-neg int8 + YOLO11n | 6 tür + 14 parça6 types + 14 parts | tarayıcı / telefonbrowser / phone | 0,588 | %86,4 | %20,5 | ~0,5 s | araştırma/pilot (CarDD lisansı)research/pilot (CarDD licence) |
| ⭐ Çekicin hasar modeliÇekicin damage model YOLO11m-neg int8, 20 MB | 6 hasar türü6 damage types | tarayıcı / telefonbrowser / phone | 0,550 | %86,4 | %20,5 | ~0,5 s | araştırma/pilotresearch/pilot |
| Önceki Çekicin modeliPrevious Çekicin model CarDD YOLOv8s-seg int8 | 6 tür + maske6 types + mask | tarayıcıbrowser | 0,524 | %79,7 | %27,7 | 0,24 s | ticari olmayannon-commercial |
| shanexf/car-damage-yolo11m-ft orijinal fp32 (bizim modelin kaynağı)original fp32 (source of our model) | 6 hasar türü6 damage types | sunucuserver | 0,512 | %76,2 | %14,3 | 0,45 s | belirtilmemişnot stated |
| Naiscorp/car-damage-detection Mask R-CNN R101, 764 MB · 300 fotoğraflık alt küme300-photo subset | 7 sınıf + maske7 classes + mask | sunucuserver | 0,636* | %82,8 | %12,1 | 4,4 s | özel (kapalı)proprietary |
| beingamit99/car_damage_detection ViT-Base, 86 M | fotoğraf başına 1 etiket1 label per photo | sunucuserver | 0,462 | %98,1 | %94,6 | 0,17 s | MIT |
| Çekicin parça modeli (tek başına)Çekicin parts model (alone) YOLO11n, 10,6 MB | 14 hasarlı parça14 damaged parts | tarayıcıbrowser | 0,248 | %70,0 | %46,4 | 0,05 s | Apache-2.0 |
| tatar01230/car-damage-yolo11n | 16 hasarlı parça16 damaged parts | telefon olabilirphone-capable | 0,178 | %77,7 | %51,8 | 0,03 s | AGPL-3.0 |
* Naiscorp en yüksek F1'e sahip, ama yalnızca 300 fotoğrafta çalıştırılabildi (2 GB RAM), fotoğraf başına 4,4 saniye ve 764 MB sunucu gerektiriyor, lisansı kapalı ve Vietnam sigorta fotoğraflarıyla eğitildiği için test setiyle aynı kaynaktan olabilir (avantajlı olabilir). Telefonda/tarayıcıda çalışan modeller arasında en iyi denge Çekicin “İkisi birlikte” modudur. ViT her fotoğrafa hasar dediği için yakalaması yüksek ama sağlam araçların %95'inde yanlış alarm veriyor. Ayrıntılar: 1000 fotoğraf testi.* Naiscorp has the highest F1, but could only run on 300 photos (2 GB RAM), needs 4.4 s per photo and a 764 MB server, has closed weights, and was trained on Vietnamese insurance photos, so it may share the test set's source (possible advantage). Among models that run on the phone/in the browser, the Çekicin “Both” mode has the best balance. ViT calls every photo damaged, so its recall is high but it false-alarms on 95% of intact cars. Details: 1000-photo test.
| FirmaCompany | Ne yaparWhat it does | Beyan edilenClaimed | Çekicin için notNote for Çekicin |
|---|---|---|---|
| Tractable (UK) | Sigortalının fotoğraflarından hasar ve onarım maliyeti tahmini; sigorta hasar dosyası entegrasyonuDamage and repair-cost estimate from policyholder photos; claims-system integration | ~%95 doğruluk; dünyanın ilk 100 sigortacısından 25'i müşteri~95% accuracy; 25 of the world's top-100 insurers as clients | Sigortacı odaklı, kapalı ve ücretli; Çekicin'in poliçe akışına benzer hedefInsurer-focused, closed, paid; similar goal to Çekicin's policy flow |
| Inspektlabs (US) | Fotoğraf/video ile denetim, 21 hasar türü, 163 parça, API ve web uygulamasıPhoto/video inspection, 21 damage types, 163 parts, API and web app | %90–95 (nadir durumlar hariç)90–95% (excluding rare corner cases) | Denetim başına ücret; fotoğraf kalitesi kontrolü iyi bir fikirPer-inspection pricing; photo-quality checks are a good idea |
| Monk (FR, ACV) | Telefonla 360° tarama, SDK/API360° smartphone scan, SDK/API | — | Kiralama ve bayi odaklıRental and dealer focus |
| UVeye (US/IL) | Donanım geçitleri: gövde, lastik, alt takım taramasıHardware gates: body, tyre and underbody scans | 700+ lokasyon, ayda 3 milyon+ tarama700+ locations, 3M+ scans/month | Sabit tesis gerektirir; yol kenarı için uygun değilNeeds fixed installations; not for roadside |
| ProovStation (FR) | Geçişli tarama istasyonu, Michelin lastik analiziDrive-through scanning station, Michelin tyre analysis | — | Servis/filo tesisleri içinFor workshops and fleet sites |
Ticari firmaların doğruluk oranları kendi beyanlarıdır, farklı veri ve ölçütlerle verilir; yukarıdaki tabloyla doğrudan karşılaştırılamaz. Çekicin'in farkı: ücretsiz ve açık modeller, telefonda çalışma (fotoğraf cihazdan çıkmaz, KVKK), çekici ve yol yardım akışına özel çıktı (çekici gerekli mi, hangi ekipman) ve Çekicin fotoğraflarıyla yeniden eğitilebilme. Kaynaklar: Inspektlabs, USA Today, Analytics Insight, TimesTech, Binariks.Commercial accuracy figures are self-reported, on different data and metrics; they cannot be compared directly with the table above. What sets Çekicin apart: free and open models, on-phone inference (the photo never leaves the device, KVKK), outputs tailored to towing and roadside assistance (is a tow needed, which equipment) and the ability to retrain on Çekicin photos. Sources: Inspektlabs, USA Today, Analytics Insight, TimesTech, Binariks.
4 · Kavram haritası4 · Concept map
