Hasar AI wikiHasar AI wiki

Sürüm değişiklikleri, yöntem, literatür denetimi, API ve 100 beceriVersion changes, method, literature audit, API and 100 skills

← AI Lab
🔬 Hasar AI 2.2 (2026-10-19) · araştırma sürümüresearch release · CarDD verisiyle CPU’da iki ek aşama eğitildi (öğrenilmiş yeniden puanlayıcı, döşemeli çıkarım; val ile seçildi, test bir kez). Sonuç: +0,23 AP [95% GA +0,03…+0,42], döşemeler kazanç yok. Model eğitim görüntülerini ezberlemiş (train AP 79,4 / test 59,9). Canlı site 2.1’de kalıyor; gerçek kazanç için GPU not defteri hazır. Tüm koşular Weights & Biases’ta; makale taslağı yayında.Two extra stages trained on CarDD on CPU (learned rescorer, tiled inference; selected on val, test once). Result: +0.23 AP [95% CI +0.03…+0.42]; tiles give no gain. The model has memorised its training images (train AP 79.4 / test 59.9). The live site stays on 2.1; a GPU notebook is ready for real gains. All runs are on Weights & Biases; paper draft published. v2.2 · 📄 PDF · W&B ↗
🆕 Hasar AI 2.1 (2026-10-19) · Resmi CarDD test setinde (374 fotoğraf) makalelerle aynı ölçüt: telefondaki model kutu AP 59,9 / AP50 75,7; dikkatli mod artık iki görünümün kutularını Weighted Boxes Fusion ile birleştiriyor → AP 62,3 / AP50 78,1 (CarDD makalesinin en iyisi DCN+ R101: 60,6 / 78,8). Karar katmanı ağırlıkları 2.0 ile aynı.On the official CarDD test split (374 photos), same metric as the papers: on-phone model box AP 59.9 / AP50 75.7; careful mode now fuses the boxes of both views with Weighted Boxes Fusion → AP 62.3 / AP50 78.1 (CarDD paper best, DCN+ R101: 60.6 / 78.8). Decision-layer weights unchanged from 2.0. 📚 100 makale · 100 beceri · karşılaştırma100 papers · 100 skills · comparison

Hasar AI 2.0 · 17 Ekim 2026Hasar AI 2.0 · 17 October 2026

Telefonda çalışan iki dedektörün üstüne kalibre edilmiş bir karar katmanı, fotoğraf kalite kapısı ve isteğe bağlı dikkatli mod eklendi; bulut modeli artık telefonun bulgularını doğrulayarak çalışıyor. Aynı testte tür F1 0.588 → 0.623, bütün araçta yanlış alarm 20.5% → 16.1%, yakın çekimde 40.2% → 31.1%; hasar yakalama 86.4% → 84.8%.On top of the two on-phone detectors: a calibrated decision layer, a photo-quality gate and an optional careful mode; the cloud model now verifies the phone's findings. On the same test: type F1 0.588 → 0.623, false alarms on whole cars 20.5% → 16.1%, on close-ups 40.2% → 31.1%; damage recall 86.4% → 84.8%.

0.623tür F1 (+3.5 puan)type F1 (+3.5 pts)
16.1%yanlış alarm, bütün araçfalse alarm, whole car
31.1%yanlış alarm, yakın çekimfalse alarm, close-up
35100 becerinin v2'de uygulananıof 100 skills applied in v2

Dene: model test sayfası (v1.3 ile karşılaştırma düğmesi var) · Telegram @Cekicin_bot · WhatsApp köprüsü (API 1.5).Try it: model test page (has a compare-with-v1.3 switch) · Telegram @Cekicin_bot · WhatsApp bridge (API 1.5).

Değişiklik günlüğüChangelog

v2.0.0 güncelcurrent

2026-10-17 · API 1.5.0
  • Karar katmanı: iki modelin tüm kutuları (skor ≥ 0,05) 34 özelliğe dönüşür; lojistik "hasar var mı" kapısı + 4 tür başlığı. Eşik, sağlam fotoğraflarda %25 yanlış-alarm bütçesiyle seçildi.Decision layer: all boxes from both models (score ≥ 0.05) become 34 features; a logistic "is there damage" gate + 4 type heads. Threshold set by a 25% false-alarm budget on intact photos.
  • Zor negatifler: 112 sağlam aracın 336 yakın çekim kesiti eğitime ve teste eklendi (aynı aracın kesitleri aynı katta).Hard negatives: 336 close-up crops of 112 intact cars added to training and testing (crops of one car stay in one fold).
  • Kalite kapısı: bulanık veya karanlık fotoğrafta "yeniden çek" uyarısı.Quality gate: retake prompt for blurry or dark photos.
  • Dikkatli mod: aynalı ikinci geçiş (TTA), kendi ağırlıkları, ~2× süre.Careful mode: mirrored second pass (TTA) with its own weights, ~2× time.
  • Güvenlik: lamba/lastik ≥ 0,60 her zaman gösterilir (kapıyı atlar).Safety: lamp/tyre ≥ 0.60 is always shown (bypasses the gate).
  • Temellendirilmiş bulut modeli: telefonun bulguları Llama 4 Scout'a "doğrula, göremiyorsan çıkar" diye verilir.Grounded cloud model: the phone's findings go to Llama 4 Scout as "verify, drop if you cannot see it".
  • Tek kaynak: ağırlıklar ve eşikler hasar-ai-v2.json; aynı JS modülü tarayıcıda ve Worker'da çalışır (eşdeğerlik 1336/1336).Single source: weights and thresholds in hasar-ai-v2.json; the same JS module runs in the browser and the Worker (parity 1336/1336).
  • API: GET /v1/model, POST /v1/device/assess, client_raw, ai_version, device_ai, grounded.API: GET /v1/model, POST /v1/device/assess, client_raw, ai_version, device_ai, grounded.

API 1.4.0

2026-10-17
  • WhatsApp (bağlı cihaz köprüsü + resmî Cloud API şablonları) ve Telegram asistanı; model değişikliği yok.WhatsApp (linked-device bridge + official Cloud API templates) and the Telegram assistant; no model change.

v1.3

2026-10-16
  • Sağlam araçlarla eğitilmiş YOLO11m hasar modeli (shanexf) + parça modeli yalnızca hasar onaylanınca. F1 0.588, yakalama 86.4%, yanlış alarm 20.5%.Intact-trained YOLO11m damage model (shanexf) + parts model only when damage is confirmed. F1 0.588, recall 86.4%, false alarms 20.5%.

v1.2 / v1.2.2

2026-10-16
  • Karar mantığı v1.2 (bulut vetosu, 3 soru, hava yastığı → acil) ve lamba/lastik alt sınırı 0,60: yanlış alarm %41 → %28.Decision logic v1.2 (cloud veto, 3 questions, airbag → emergency) and the lamp/tyre floor 0.60: false alarms 41% → 28%.

v1.0 – v1.1

2026-10-14 / 15
  • CarDD YOLO tarayıcıda (int8) + bulut ikinci görüş (Llama 4 Scout, hibrit birleştirme), API v1.1.1.CarDD YOLO in the browser (int8) + cloud second opinion (Llama 4 Scout, hybrid fusion), API v1.1.1.

v2 nasıl çalışır?How does v2 work?

  1. Kalite kapısı: 256 px kopyada keskinlik ve parlaklık. Kötüyse "yeniden çek" (sonuç yine gösterilir).Quality gate: sharpness and brightness on a 256-px copy. If bad: retake prompt (the result is still shown).
  2. Hasar modeli YOLO11m (6 tür) ve parça modeli YOLO11n (14 parça) düşük eşikle (0,05) çalışır, en çok 100 kutu.Damage model YOLO11m (6 types) and parts model YOLO11n (14 parts) run at a low threshold (0.05), up to 100 boxes.
  3. Her tür için: en yüksek skor, ilk 3 kutunun "gürültülü-VEYA" birleşimi, kutu sayısı, en büyük alan, parça modelinin skoru + 4 genel özellik = 34 özellik.Per type: max score, noisy-OR of the top-3 boxes, box count, largest area, parts-model score + 4 global features = 34 features.
  4. Kapı: hasar olasılığı ≥ 0.336 ise hasar var. Tür başlıkları: çatlak 0.525, göçük 0.425, cam 0.75, çizik 0.3.Gate: damage if probability ≥ 0.336. Type heads: crack 0.525, dent 0.425, glass 0.75, scratch 0.3.
  5. Lamba/lastik ≥ 0,60 her durumda eklenir. Sonra 3 kısa soru ve operatör onayı (değişmedi).Lamp/tyre ≥ 0.60 is always added. Then the 3 short questions and operator approval (unchanged).

Doğrulama: 1000 test fotoğrafı + 336 yakın çekim, gruplu 5 kat × 5 tohum; eşikler yalnızca eğitim katlarında seçildi. Yayındaki ağırlıklar tüm veriyle eğitildi; sitedeki sayılar çapraz doğrulama sonuçlarıdır.Validation: 1000 test photos + 336 close-ups, grouped 5-fold × 5 seeds; thresholds chosen inside training folds only. Shipped weights are fitted on all data; the numbers on the site are the cross-validated ones.

Literatür denetimi: 2023–2026 makaleleriyle karşılaştırmaLiterature audit: compared with 2023–2026 papers

KonuTopicLiteratür / iyi uygulamaLiterature / good practicev1.3v2.0
Yakın çekim sağlam araç (zor negatif)Intact close-ups (hard negatives)CarDD makalesi: başlıca hata yansıma, kenar çizgisi, yakın/uzak çekim; "Small Dents" (2025) 432 doğru / 424 yanlış göçük.CarDD paper: main errors are reflections, panel outlines, close/far shots; "Small Dents" (2025): 432 true vs 424 false dents.Yalnızca bütün araç fotoğraflarıyla test edildi; yakın çekimde gizli %40 yanlış alarm.Tested only on whole-car photos; hidden 40% false alarms on close-ups.336 yakın çekim negatif + zor-negatif karar katmanı → %31 (dikkatli mod %25). Hâlâ yüksek → v3 yeniden eğitim.336 close-up negatives + hard-negative decision layer → 31% (careful 25%). Still high → v3 retraining.◐ kısmen / partly
Hasarlı/hasarsız ön filtresiDamaged / undamaged pre-filterCarDD yazarları VGG16 ön sınıflandırıcı kullandı (kesinlik %91,6, duyarlılık %97,6).CarDD authors used a VGG16 pre-classifier (precision 91.6%, recall 97.6%).El yazımı kural (parça modeli ancak hasar modeli onaylarsa).Hand-written rule (parts count only if the damage model agrees).Öğrenilmiş "hasar var mı" kapısı, yanlış-alarm bütçesiyle ayarlı (AUROC 0.842 → 0.873, dikkatli 0.889).Learned "is there damage" gate set by a false-alarm budget (AUROC 0.842 → 0.873, careful 0.889).✓ v2
Modellerin uzlaşması (ensemble)Model agreement (ensemble)Endüstri (Inspektlabs 2026): yansıma yanlışlarını modeller arası örtüşmeyle eler.Industry (Inspektlabs 2026): reject reflection false positives by cross-model overlap.Sabit kural.Fixed rule.34 özellikli öğrenilmiş birleştirici (iki modelin tüm kutuları ≥ 0,05).Learned 34-feature stacker over all boxes ≥ 0.05 from both models.✓ v2
KalibrasyonCalibrationGüven skorları olasılık değildir; karar için kalibre edilmeli.Detector scores are not probabilities; calibrate them before deciding.Ham skor yüzde olarak gösteriliyordu.Raw scores were shown as percentages.Lojistik olasılık + tür başına eşik; ağırlıklar tek JSON dosyasında.Logistic probabilities + per-type thresholds; weights in one JSON file.✓ v2
Fotoğraf kalitesiPhoto qualityCarDD: kar, kir, karanlık hataları; bizim testimiz: bulanıklıkta CarDD F1 0,55 → 0,06.CarDD: snow, dirt, darkness errors; our test: CarDD F1 0.55 → 0.06 on blur.Kontrol yok.No check.Bulanık/karanlık kapısı + "yeniden çek": bulanık %100, karanlık %95 yakalandı veya yeniden çekim istendi (v1.3 karanlıkta %50).Blur/dark gate + retake prompt: blur 100%, dark 95% found or retake asked (v1.3 on dark: 50%).✓ v2
Test-zamanı çoğaltma (TTA)Test-time augmentation (TTA)Standart uygulama; maliyeti 2× işlem.Standard practice; costs 2× compute.Yok.None.Ölçüldü: aynı duyarlılıkta yakın çekim yanlış alarmı ~6 puan düşük; isteğe bağlı "dikkatli mod".Measured: ~6 points fewer close-up false alarms at equal recall; optional "careful mode".✓ v2
Dedektör mimarisi ve lisansDetector architecture and licenceIEEE 2025: CarDD'de en iyi YOLOv11m (mAP50:95 %63,3), RT-DETR daha yavaş; RF-DETR (ICLR 2026) ve D-FINE Apache-2.0.IEEE 2025: YOLOv11m best on CarDD (mAP50:95 63.3%), RT-DETR slower; RF-DETR (ICLR 2026) and D-FINE are Apache-2.0.YOLO11m güncel literatürle uyumlu; ama AGPL + lisanssız ağırlık + CarDD ticari değil.YOLO11m matches the literature; but AGPL + unlicensed weights + CarDD non-commercial.Değişmedi (GPU yok). v3: RF-DETR/D-FINE + yakın çekim negatiflerle yeniden eğitim.Unchanged (no GPU). v3: retrain RF-DETR/D-FINE with close-up negatives.✗ v3
Çoklu görüntüMulti-viewMVA-CDD (IEEE TITS 2025) ve CDDM veri seti: yakın + uzak fotoğraf birleşimi belirsizliği azaltır.MVA-CDD (IEEE TITS 2025) and the CDDM dataset: fusing close + distant photos reduces ambiguity.Tek fotoğraf.Single photo.Henüz yok; yol haritası: botta 2 fotoğraf (yakın + uzak).Not yet; roadmap: 2 photos in the bot (close + distant).✗ v3
VLM'i dedektörle temellendirmeGrounding the VLM in detector output2026 çalışması: segmentasyonla temellendirme halüsinasyonu %78 → %31 düşürdü; VLM'ler ince çiziği kaçırıyor.2026 study: segmentation grounding cut hallucination 78% → 31%; VLMs miss thin scratches.Bulut modeli cihazın ne gördüğünü bilmiyordu.The cloud model did not know what the phone saw.API 1.5: cihaz bulguları "doğrula" hipotezi olarak istemde. Kendi bulut ölçümümüz bekliyor (kota).API 1.5: device findings sent as hypotheses to verify. Our own cloud benchmark is pending (quota).◐ kısmen / partly
Şiddet tahminiSeverityINS-MMBench (ICCV 2025): GPT-4o hasar şiddetinde ~%30.INS-MMBench (ICCV 2025): GPT-4o ~30% on damage severity.VLM şiddeti çekici kararına giriyordu (bulut veto ile sınırlı).VLM severity fed the tow decision (limited by the cloud veto).Çekici kararı 3 soru + ölçülen alan + güvenlik sınıflarına dayanır; VLM şiddeti tek başına yetmez.Tow decision relies on 3 questions + measured area + safety classes; VLM severity alone is not enough.✓ v2
Yapılandırılmış değerlendirmeStructured evaluationCarDamageEval (2026): (tür, parça, şiddet) üçlüsü üzerinde kesinlik/duyarlılık.CarDamageEval (2026): precision/recall on (type, part, severity) tuples.Görüntü düzeyi tür F1.Image-level type F1.+ sınıf başına F1, iki tür yanlış alarm, 5 kat × 5 tohum; üçlü etiketler sonraki adım.+ per-class F1, two kinds of false alarm, 5-fold × 5 seeds; tuple labels next.◐ kısmen / partly
Küçük hasar / döşeme (SAHI)Small damage / tiling (SAHI)İnce çizikler 640 px'te kayboluyor; döşemeli çıkarım önerilir.Thin scratches vanish at 640 px; tiled inference is recommended.Yok.None.Yok (telefonda 4× süre). Sunucu tarafı için sonraki adım.None (4× time on a phone). Next step on the server side.✗ v3

Kaynaklar: CarDD (IEEE TITS 2023, arXiv 2211.00945) · YOLOv11 vs RT-DETR (IEEE 2025) · MVA-CDD / CDDM (IEEE TITS 2025) · VLM temellendirme (arXiv 2608.02470, 2026) · INS-MMBench (ICCV 2025) · CarDamageEval (Springer 2026) · RF-DETR (ICLR 2026) · Small Dents, Big Impact (arXiv 2508.15431) · CrashSplat (2025).Sources: CarDD (IEEE TITS 2023, arXiv 2211.00945) · YOLOv11 vs RT-DETR (IEEE 2025) · MVA-CDD / CDDM (IEEE TITS 2025) · VLM grounding (arXiv 2608.02470, 2026) · INS-MMBench (ICCV 2025) · CarDamageEval (Springer 2026) · RF-DETR (ICLR 2026) · Small Dents, Big Impact (arXiv 2508.15431) · CrashSplat (2025).

Doğruluk yeterli mi?Is the accuracy enough?

Ön değerlendirme ve yönlendirme için evet (insan onayıyla): hasarlı fotoğrafların ~%85'i yakalanıyor, bütün araçta yanlış alarm %16, lamba/lastik güvenlik kuralı korunuyor, kötü fotoğraf yakalanıyor.Yes for pre-assessment and routing (with a human in the loop): ~85% of damaged photos are caught, 16% false alarms on whole cars, the lamp/tyre safety rule is kept, bad photos are caught.

Otomatik karar için hayır: tür F1 0.62 (çatlak 0.36), sağlam yakın çekimde yanlış alarm 31.1%, lisans sorunları çözülmedi. Hedefler (v3): yakın çekim yanlış alarmı ≤ %15, tür F1 ≥ 0,70, lamba yakalama ≥ %90 — gerçek Çekicin fotoğraflarıyla (KVKK onaylı) yeniden eğitim gerekir.No for automatic decisions: type F1 0.62 (crack 0.36), 31.1% false alarms on intact close-ups, licence issues open. Targets (v3): close-up false alarms ≤ 15%, type F1 ≥ 0.70, lamp recall ≥ 90% — needs retraining on real Çekicin photos (KVKK consent).

Makalelerle doğrudan karşılaştırma yapılamaz: makaleler kutu/maske AP'si (CarDD içi) raporlar, biz farklı bir veri setinde (VehiDE kaynaklı) görüntü düzeyi F1 ölçüyoruz.Direct comparison with papers is not possible: papers report box/mask AP (in-domain CarDD); we measure image-level F1 on a different dataset (VehiDE origin).

API · WhatsApp ve Telegram dahilincluding WhatsApp and Telegram

Taban adresBase URL: https://cekicin-ai-api.elasa2next.workers.dev · openapi.json

Uç noktaEndpointNe yaparWhat it does
GET /v1/modelHasar AI 2.0 ağırlıkları, eşikler, kalite ayarları (uygulama bunu indirip kullanır).Hasar AI 2.0 weights, thresholds, quality settings (the app downloads and uses this).
POST /v1/device/assessTelefonun ham kutuları {{dets, parts, flip?}} → v2 kararı. Fotoğraf yok, kota yok.Raw phone boxes {{dets, parts, flip?}} → v2 decision. No photo, no quota.
POST /v1/damage/assessFotoğraf + isteğe bağlı client_raw → bulut modeli (temellendirilmiş) + fiyat + çekici kararı; yanıtta ai_version, device_ai, grounded.Photo + optional client_raw → cloud model (grounded) + price + tow decision; response has ai_version, device_ai, grounded.
POST /v1/bridge/waWhatsApp köprüsü → asistan (fotoğraf, ses, konum, metin); başlık x-bridge-secret.WhatsApp bridge → assistant (photo, voice, location, text); header x-bridge-secret.
POST /v1/whatsapp/send · /v1/telegram/webhookResmî WhatsApp şablon gönderimi (+90 numara gerekir) · Telegram botu.Official WhatsApp template sending (needs a +90 number) · Telegram bot.
curl -X POST https://cekicin-ai-api.elasa2next.workers.dev/v1/device/assess \
  -H 'content-type: application/json' \
  -d '{"dets":[{"cls":"dent","score":0.82,"box":[0.2,0.2,0.6,0.7]}],"parts":[{"cls":"dent","score":0.5}]}'

WhatsApp ve Telegram fotoğrafları sunucuda bulut modeliyle değerlendirilir (telefon dedektörü yok); aynı API sürümü ve aynı çekici mantığı kullanılır.WhatsApp and Telegram photos are assessed on the server with the cloud model (no phone detector); same API version and same tow logic.

100 beceri100 skills

Makalelerden, denetimlerimizden ve kendi hatalarımızdan çıkarılan 100 uygulama. [v2.0] bu sürümde uygulandı (35), [v1.x] zaten vardı (57), [→] yol haritasında (8). Liste İngilizcedir.100 practices from papers, our audits and our own mistakes. [v2.0] applied in this version (35), [v1.x] already there (57), [→] on the roadmap (8).

Data & labels

  1. [v1.x] Keep a fixed, versioned test set that never touches training (test1000, hard78, scenarios12)
  2. [v1.x] Measure out-of-domain: test photos from a different dataset than training (VehiDE vs CarDD)
  3. [v1.x] Include intact cars in every test set and report the false-alarm rate next to recall
  4. [v2.0] Add intact CLOSE-UP negatives, not only whole-car dealer photos (crop protocol, 336 views)
  5. [v2.0] Group related images (crops of one car) in the same fold to stop leakage
  6. [v1.x] Stratify rare classes (crack, glass ≥ 200 images) so per-class F1 is stable
  7. [v1.x] Keep a hard set for classes missing from the main set (lamp, tyre)
  8. [v1.x] Store every raw detection ≥ 0.05 so thresholds can be re-tuned without re-running models
  9. [v1.x] Collect real Çekicin photos only with KVKK consent into a private dataset
  10. [→] Label part + damage + severity tuples (CarDamageEval style), not only damage type

Evaluation

  1. [v1.x] Report image-level F1 per class and macro-F1, not only mAP
  2. [v1.x] Report bootstrap 95 % confidence intervals
  3. [v2.0] Tune thresholds only inside training folds (nested / cross-validated)
  4. [v2.0] Repeat cross-validation with several seeds and report mean ± sd
  5. [v2.0] Report false alarms separately for whole-car and close-up intact photos
  6. [v2.0] Compare every new version with the shipped one on the SAME folds
  7. [v1.x] Check the browser pipeline equals the original weights (parity test)
  8. [v2.0] Re-check parity after every export / quantisation change (Δ max score < 1e-4)
  9. [v1.x] Measure latency on a slow device profile, not a workstation
  10. [v2.0] Publish the negative results too (what did not help)

False alarms & robustness

  1. [v1.x] Train detectors with intact-car negatives (shanexf YOLO11m-neg)
  2. [v1.x] Per-class minimum scores for tow-triggering classes (lamp, tyre ≥ 0.6)
  3. [v1.x] Use model agreement to reject reflections (parts model only counts when the damage model agrees)
  4. [v2.0] Learn the agreement rule from data (calibrated stacker) instead of hand rules
  5. [v2.0] Hard-negative training of the decision layer with intact close-ups
  6. [v2.0] Test-time augmentation (horizontal flip) and measure if it is worth 2× compute
  7. [v2.0] Detect blur before inference (Laplacian variance) and ask for a retake
  8. [v2.0] Detect dark photos (mean luma) and ask for a retake / flash
  9. [v1.x] Synthetic stress tests: blur, dark copies of real photos
  10. [v2.0] Abstain ("not sure, retake") instead of guessing when confidence is low

Models & architecture

  1. [v1.x] Prefer a medium detector (YOLO11m) over nano when accuracy matters and the phone can run it
  2. [v1.x] Quantise (int8) for the browser but verify the accuracy cost
  3. [v1.x] Keep a cloud second opinion (VLM) for hard photos
  4. [v2.0] Ground the VLM with detector output as hypotheses to verify (2026: grounding cut hallucination 78 % → 31 %; in API 1.5, own cloud benchmark pending)
  5. [→] Evaluate transformer detectors (RT-DETR / RF-DETR / D-FINE) on the same test set
  6. [→] Move to Apache-2.0 architectures + own data for commercial use
  7. [v1.x] Instance segmentation for area → severity → cost
  8. [→] Multi-view input (close-up + distant view, CDDM) to reduce ambiguity
  9. [v1.x] Part detection to map damage → part → price
  10. [→] Knowledge distillation from the cloud model into the phone model with consented photos

Calibration & decisions

  1. [v2.0] Turn scores into calibrated probabilities (logistic regression, portable to JS)
  2. [v2.0] Separate "is there damage?" (gate) from "which type?" (heads)
  3. [v2.0] Set the gate by a false-alarm budget (25 % on pooled intact whole-car + close-up photos) instead of a raw score
  4. [v2.0] Per-class thresholds chosen for F1 under the gate
  5. [v1.x] Never let a low-confidence device finding trigger a tow on its own
  6. [v1.x] Cloud veto: if the cloud saw a good photo and no damage, raise the device bar to 0.7
  7. [v1.x] Ask 3 short questions (starts? wheels? smoke?) before recommending tow vs roadside
  8. [v1.x] Airbag / smoke / leak → emergency regardless of the photo
  9. [v1.x] Show confidence (high / medium / low) to the user
  10. [→] Log the decision path so a dispatcher can audit it

Cost estimation

  1. [v1.x] Use transparent cost rules (part × labour × paint) from a public dataset
  2. [v1.x] Segment multipliers (economy / mid / premium)
  3. [v1.x] Show a range, not a single price
  4. [v1.x] Label prices as illustrative, not an expert report
  5. [→] Calibrate cost tables with real Çekicin invoices
  6. [v2.0] Track VLM severity weakness (INS-MMBench: severity ~30 %) and prefer measured area
  7. [→] Update labour rates with inflation (TRY) monthly
  8. [v1.x] Keep the cost tables on Hugging Face so non-developers can edit them
  9. [v1.x] Show what drives the price (part, action, hours)
  10. [v1.x] Separate tow cost from repair cost

Product & UX

  1. [v1.x] Run on-device first: free, private, works with weak signal
  2. [v1.x] Explain the photo rules before the camera opens
  3. [v2.0] Retake prompt when the quality gate fails
  4. [v1.x] Large touch targets (≥ 48 dp) and 4.5:1 contrast
  5. [v1.x] Turkish first, English second, same content
  6. [v1.x] Messaging channels: Telegram bot, WhatsApp (official Cloud API + linked-device bridge)
  7. [v1.x] Voice questions (Whisper) for drivers who cannot type
  8. [v1.x] Nearest workshop / tyre shop by damage type
  9. [v2.0] A public version history (wiki) so customers see how the AI improves
  10. [v1.x] A live test page where anyone can try the current version

MLOps

  1. [v2.0] Version every model, threshold set and prompt together (one version number)
  2. [v2.0] Keep thresholds in a JSON next to the model, not hard-coded in three places
  3. [v1.x] Reproducible scripts for every number on the site
  4. [v1.x] Unit tests for decision rules (node --test)
  5. [v1.x] CI deploy on push; avoid deploy races
  6. [v1.x] Health endpoint with version
  7. [v1.x] Quota per user / per day to protect the free tier
  8. [v2.0] Canary: ship v2 in the lab first, then the API, then the app
  9. [v2.0] Rollback switch (?ai=v1.3) for side-by-side comparison
  10. [v1.x] Monitor live false-alarm feedback (user "wrong" button)

Privacy, licence, ethics

  1. [v1.x] Process photos in memory; store only with explicit consent
  2. [v1.x] Delete chat state after 24 h and on /sil
  3. [v1.x] Track dataset licences (CarDD non-commercial)
  4. [v1.x] Track model licences (AGPL, no-licence weights)
  5. [v1.x] Do not message people who did not opt in; honour STOP/DUR
  6. [v1.x] Never claim a tow was dispatched by the bot
  7. [v1.x] Disclose that results are AI pre-assessments
  8. [v1.x] Keep sanctioned-country rules of platforms in mind (Meta +98)
  9. [v1.x] Report honest numbers, including weaknesses, on the public site
  10. [v1.x] Human dispatcher stays in the loop for tow decisions

Research watch

  1. [v2.0] Follow CarDD-based detector papers (YOLO11 vs RT-DETR, 2025)
  2. [v2.0] Follow VLM insurance benchmarks (INS-MMBench, CarDamageEval)
  3. [v2.0] Follow grounding work for VLM damage reports (2026)
  4. [v2.0] Follow multi-view datasets (CDDM, 2025)
  5. [v2.0] Follow real-time detector releases (RF-DETR ICLR 2026, D-FINE)
  6. [v2.0] Follow 3-D damage work (CrashSplat, 2025) for future multi-photo claims
  7. [v1.x] Keep a 1000-paper database and refresh it each quarter
  8. [v2.0] Turn every paper insight into a testable change with a metric
  9. [v2.0] Prefer changes that run on a phone without new training when data is scarce
  10. [v2.0] Write down what to try next with the data/GPU it needs

Tüm sayılar cekicin-ai/v2/ betikleriyle yeniden üretilebilir (eval_v2.py, history.py, eval_hard.py, eval_robust.py, parity.mjs). Sayfa make_docs.py ile otomatik üretildi.Every number is reproducible with the scripts in cekicin-ai/v2/ (eval_v2.py, history.py, eval_hard.py, eval_robust.py, parity.mjs). This page is generated by make_docs.py.