Küresel Görüntü Sıkıştırma Kıyaslaması 2026: JPEG vs WebP vs AVIF Benchmark Protokolü

İçindekiler

1. Amaç, Kapsam ve Ölçüm İlkeleri
2. Veri Seti Tasarımı ve Toplama Protokolü
3. Örnekleme Modeli ve Veri Setleri
4. Dahil Etme ve Hariç Tutma Kuralları
5. Deney Tasarımı ve Test Matrisi
6. Kalite Metrikleri ve Encoder Ayarları
7. Donanım ve Ortam Gereksinimleri
8. Otomasyon Pipeline Tasarımı
9. Veri Şeması ve Ham Sonuç Depolama
10. Analiz Planı ve Segmentasyon
11. Nihai Rapor Şablonu
12. Teslimatlar ve Zaman Çizelgesi
13. Kaynak ve Bütçe Yaklaşımı
14. KVKK ve Etik Uyum Çerçevesi

---

Bu çalışma, Tools1984 için Türkiye odaklı olarak “gerçek web görselleri” üzerinde tekrar üretilebilir (reproducible), otomasyonlu ve araştırma-grade bir “küresel” görsel sıkıştırma kıyaslaması (benchmark) üretme yöntemini tanımlar. Ölçüm çıktısı olarak boyut kazancı + kalite kaybı + encode süresi + tarayıcı uyumluluğu dörtlüsünü aynı raporda birleştiren, kaynakları ve kodu şeffaf bir protokol hedeflenir.

Çalışma, doğrudan ölçüm üretmez; yalnızca gerçek veriyi nasıl toplayacağınızı ve nasıl ölçeceğinizi adım adım tarif eder.

Türkiye odağı üç kanalın birleştirilmesiyle sağlanır:

• Açık web veri setleri: HTTP Archive (BigQuery üzerinden .tr ve Türkiye odaklı alan adı filtreleri) ve Common Crawl (CDXJ/Index API ile .tr ve Türkçe içerik filtreleri).
• Türkiye’deki üst alan adları ve kategori örneklemesi: Tranco listesi ile .tr TLD ve Türkiye’nin yoğun trafik alan sektörlerinden (haber, e‑ticaret, kamu, bankacılık, ilan, forum) katmanlı örnekleme.
• Tools1984 kullanım sinyali: Sunucu loglarından yalnızca anonimleştirilmiş/aggregate metriklerle (format türleri, ortalama boyutlar, talep edilen dönüşümler) test matrisini gerçek talebe göre ağırlıklandırma. (KVKK ilkeleri dikkate alınır.)

Ana teknik kapsam: JPEG/PNG kaynakları üzerinden JPEG (MozJPEG), WebP (cwebp/libwebp), AVIF (libavif ile aom/rav1e/SVT-AV1) ve piyasada yaygın servisler (TinyPNG/Tinify, ShortPixel) ile kıyas. Rapor, tek bir “en iyi format budur” iddiası üretmek yerine; içerik türüne, çözünürlüğe, alfa kanalına, kaynak sitenin tipine ve tarayıcı uyumluluğuna göre karar matrisi çıkaracak şekilde tasarlanır.

---

Amaç, Kapsam ve Ölçüm İlkeleri

Bu benchmark’ın “araştırma değeri taşıyan” tarafı; veri setinin şeffaflığı, protokolün tekrar üretilebilirliği, sonuçların segmentlenerek sunulması ve ham verinin (URL/hash/ölçüm) paylaşılabilir oluşudur. Hedeflenen şey; sıradan bir blog yazısı değil, cite edilebilir bir Research/Dataset/Benchmark varlığıdır.

Araştırma Soruları

#	Araştırma Sorusu
1	Türkiye odaklı web görsellerinde format/encoder seçimi (JPEG vs WebP vs AVIF) boyut/kalite/hız dengesini nasıl değiştirir?
2	Hangi içerik türlerinde (fotoğraf, ürün görseli, UI screenshot, ikon/illüstrasyon) hangi format daha avantajlı?
3	“Servis tabanlı” optimizasyon (TinyPNG/ShortPixel) ile “açık kaynak encoder” (mozjpeg/cwebp/libavif) arasındaki farklar neler?
4	Türkiye’de yüksek trafikli sektörlerde (haber, e‑ticaret vb.) görsel dağılımı (boyut, format, çözünürlük, alfa) nasıl?

Ölçüm İlkeleri

• Deterministik pipeline: Aynı kaynak görsel → aynı normalize edilmiş renk/metadata yaklaşımları → her encoder için belirlenmiş kalite merdiveni.
• İki düzeyli veri: Sonuçlar ham veri (tek görsel‑tek deneme) + toplu analiz (domain/sector/type segmentleri) olarak saklanır.
• Pareto yaklaşımı: “Kıyas” tek bir metrik değil; Pareto seti (boyut ↓, kalite ↑, süre ↓) olarak sunulur.

---

Veri Seti Tasarımı ve Toplama Protokolü

Türkiye Odaklı Veri Kaynakları

Kaynak	Açıklama	Türkiye Filtresi	Erişim Yöntemi
HTTP Archive	Her ay güncellenen crawl verisi; sayfa ve request düzeyinde kaynak tipleri	Domain .tr + Türkiye’de bilinen büyük siteler	BigQuery üzerinden sorgu
Common Crawl	WARC arşivleri ve CDX index ile URL/mime/timestamp bazında filtreleme	.tr TLD + Türkçe sayfa dili tespiti	CDXJ/Index API + WARC range fetch
Tranco	.tr TLD filtreli “hedef domain listesi” üretmek için kararlılık sağlar	.tr TLD filtreli üst domainler	CSV indirme + filtreleme
Tools1984 Logları	Kullanıcı talebinin yoğunlaştığı dönüşümleri bulmak için aggregate metrik	Dil/locale ve domain referer segmentasyonu	Log aggregation (KVKK uyumlu)

Not: HTTP Archive, URL seçimini Chrome User Experience Report temelli yapabildiğini belirtir. Tek URL’nin tüm siteyi temsil etmeyebileceği, metodolojik bir sınırlılık olarak raporlanmalıdır.

---

Örnekleme Modeli ve Veri Setleri

Önerilen ana hedef: 10.000 görsel (N=10.000). Pilot aşama N=2.000, yüksek istatistik gücü için N=50.000 alternatif olarak planlanabilir.

Çok Aşamalı Katmanlı Örnekleme

Katman	Kırılım	Değerler
Katman 1	Domain / Sektör	Haber, E‑ticaret, Kamu, Bankacılık, İlan, Forum/Blog, SaaS
Katman 2	Görsel Türü	Fotoğraf, Ürün fotoğrafı, Banner, UI screenshot, İkon/İllüstrasyon, Saydam PNG, Küçük sprite
Katman 3	Çözünürlük Aralığı	≤256px, 257–1024px, 1025–2048px, >2048px

Domain Havuzu Oluşturma

1. Tranco listesinden .tr TLD filtreli ilk K domain (ör: 2.000).
2. Türkiye’de yaygın ama .tr olmayan büyük siteler için elle ek “whitelist” (ör: .com.tr, .com uzantılı Türkiye siteleri). Bu liste raporda şeffaf biçimde yayınlanır.
3. Her domain için HTTP Archive üzerinden yalnızca zaten taranan URL’ler kullanılır.
4. Direkt crawl yapılacaksa: robots.txt ve ToS kontrolü + istek limiti (domain başına en fazla 2–5 HTML sayfa, en fazla 50 görsel URL).
5. Her sayfadan: <img>, srcset, CSS background görselleri ayrıştırılır; her görsel URL için HEAD/GET ile MIME ve bytes doğrulanır.

Planlanan Veri Setleri

Veri Seti Adı	Amaç	Türkiye Filtresi	Toplama Yöntemi	Artıları	Risk / Eksi
HTTPA‑TR‑Images	Türkiye odaklı gerçek sayfa yüklemelerinde görülen görseller	Domain .tr + Türkiye’de bilinen büyük siteler; sayfa dili tespiti	BigQuery → image request URL listesi → görsel indirme	Ölçülebilir ve tekrarlanabilir crawling; aylık güncellenir	HTTP Archive tek URL temsili sınırlı olabilir
CC‑TR‑Images	Daha geniş web kapsaması + historik varyasyon	.tr TLD + Türkçe sayfa dili tespiti (HTML dil sınıflandırması)	CDXJ/Index API ile URL/mime filtrele → WARC range fetch	Çok büyük kapsam; index bazlı çekim mümkün	URL index sunucusunu overload etmeme; columnar index önerisi
TR‑Category‑Crawl	Sektörleri dengeli temsil	Sektör whitelist (haber, e‑ticaret, kamu, banka)	Tools1984 crawler (rate limit + cache)	Türkiye sektör kırılımı çok temiz	ToS/robots uyumu + operasyon yükü
Tools1984‑Usage‑Signals	Hangi tool/format kombinasyonuna ağırlık verileceğini bulmak	Dil/locale ve domain referer segmentasyonu	Log aggregation (format/boyut histogramı, dönüşüm oranı)	Gerçek talebe göre test matrisi optimize edilir	KVKK uyumu ve anonimleştirme zorunlu

---

Dahil Etme ve Hariç Tutma Kuralları

Dahil Etme Kriterleri (Minimum Şartlar)

Kriter	Koşul
MIME Türü	image/jpeg, image/png, image/webp, image/avif (isteğe bağlı: image/svg+xml)
Dosya Boyutu	2 KB – 10 MB (uç değerler ayrı “outlier” analizi)
Minimum Çözünürlük	64×64 piksel (tracking pixel’ları ayıklamak için)

Hariç Tutma Kuralları

Kural	Gerekçe
Animasyonlu içerik (animated WebP/APNG/GIF)	Bu benchmark “still image” odaklı
Telif/dağıtım riskli görseller	Ham görselleri kamuya açık dağıtmamak; yalnızca URL + hash + ölçüm paylaşmak
Dinamik/korumalı URL’ler	İmzalı CDN URL’leri (kısa TTL), login gerektiren içerikler erişilemez
Aynı içeriğin tekrarları	sha256 digest ile dedup uygulanır

Teknik not: Common Crawl tarafında CDX index, WARC file/offset/length alanları ile “range request” yöntemiyle tek bir kaydı çekmeye izin veren bir iş akışını destekler.

---

Deney Tasarımı ve Test Matrisi

Bu benchmark, “araç” ve “codec” ayrımını net tutmalıdır:

• Codec/encoder (açık kaynak, parametrelenebilir): MozJPEG, cwebp/libwebp, libavif (aom/rav1e/SVT-AV1)
• Servis/ürün (black-box, sınırlı parametre): TinyPNG/Tinify API, ShortPixel API

Format × Araç × Ayar Test Matrisi

Çıktı Formatı	Araç / Encoder	Ayar Seti	Not
JPEG	MozJPEG (cjpeg)	quality ∈ {50, 60, 70, 80, 90}; progressive on; optimize on	MozJPEG kalite parametresi 0–100, varsayılan 75
PNG (lossless optimize)	oxipng / zopfli	Optimize parametreleri raporda pinlenir	ImageOptim benzeri toolchain, Linux’ta tekrar üretilebilir
PNG/JPEG (smart lossy)	TinyPNG / Tinify API	“service default” (parametre yok)	TinyPNG smart lossy compression; REST servis
JPEG/PNG/WebP/AVIF	ShortPixel API	lossy / glossy / lossless modları; WebP/AVIF dönüşümü	ShortPixel API; 3 kalite modu
WebP	cwebp (libwebp)	-q ∈ {50, 60, 70, 80, 90}; -m ∈ {4, 6}; -preset ∈ {photo, picture, drawing, text}	cwebp dokümantasyonu ve preset seçenekleri
AVIF	libavif (avifenc)	–codec ∈ {aom, rav1e, svt}; –speed (codec’e göre); -q kalite parametreleri	avifenc man sayfası; AOMedia AVIF spesifikasyonu
AVIF (heifsave)	libvips	Q (varsayılan 50); compression=AV1	libvips heifsave dokümanı; AVIF/AV1 desteği

Not: Squoosh “referans UI” olarak raporda anılabilir (özellikle AVIF denemeleri için yaygın) ancak araştırma-grade ölçüm için CLI/pipeline tarafında aynı encoder’ları doğrudan kullanmak daha tekrar üretilebilir olur.

---

Kalite Metrikleri ve Encoder Ayarları

Encoder Ayar Standardizasyonu

Amaç: “aynı kalite hedefi” altında farklı formatların boyutunu kıyaslamak. İki yaklaşım planlanır:

Yaklaşım	Yöntem	Açıklama
Kalite Merdiveni (Quality Ladder)	Her codec için 5–7 kalite seviyesi	Sabit quality parametreleri ile boyut/kalite karşılaştırması
Algısal Kalite Hedefleme	Butteraugli skoru sabit aralıkta	Algısal kalite sabitlenip boyut kıyası yapılır (ileri seviye)

Kalite Merdiveni Değerleri

Format	Kalite Seviyeleri	Ek Parametreler
JPEG (MozJPEG)	50, 60, 70, 80, 90	progressive=on, optimize=on
WebP (cwebp)	50, 60, 70, 80, 90	-m ∈ {4, 6}; -preset ∈ {photo, picture, drawing, text}
AVIF (avifenc)	30, 40, 50, 60, 70	–speed ∈ {2, 4, 6}; –codec ∈ {aom, rav1e, svt}

Kalite Ölçüm Metrikleri

Metrik	Tür	Açıklama	Kullanım Amacı
PSNR	Piksel bazlı	Sinyal-gürültü oranı (dB)	Hızlı karşılaştırma; referans metrik
SSIM	Yapısal	Yapısal benzerlik indeksi (0–1)	İnsan algısına daha yakın yapısal ölçüm
MS-SSIM	Çok ölçekli yapısal	Multi-Scale SSIM	Farklı çözünürlüklerde daha güvenilir
Butteraugli	Algısal/psikovisüel	Algısal fark mesafesi	İnsan gözü algısına en yakın metrik; kalite hedefleme için kullanılır

---

Donanım ve Ortam Gereksinimleri

Araştırma-grade benchmark’ın “gizli düşmanı” ölçüm ortamıdır. Ortam şartları raporda sabitlenmelidir:

Bileşen	Spesifikasyon	Not
İşletim Sistemi	Ubuntu LTS (ör: 24.04) veya Debian stable	Docker ile sabitlenir
CPU	Tek bir “ana koşum” makinesi + opsiyonel doğrulama makinesi	AVIF encode CPU-yoğun olabilir
RAM	≥ 32 GB	10k × çoklu varyant, paralel encode için
Disk	NVMe, ≥ 1 TB çalışma alanı	Ham indirilenler + ara çıktılar
Sürüm Pinleme	Docker image ile libwebp, libavif, mozjpeg sürümleri sabitlenir	Tekrar üretilebilirlik için zorunlu

---

Otomasyon Pipeline Tasarımı

Pipeline Aşamaları

Aşama	İşlem	Girdi	Çıktı
1. URL Havuzu	HTTP Archive + Common Crawl + Tranco + whitelist birleştirme	BigQuery sorguları, CDX index, Tranco CSV	url_pool.csv
2. İndirme ve Doğrulama	Görsel indir, MIME/boyut/çözünürlük kontrol, sha256 dedup	url_pool.csv	Temizlenmiş görsel arşivi + images.csv
3. Encode Matrisi	Her görsel × her encoder varyantı için sıkıştırma	Görsel arşivi + test matrisi konfigürasyonu	Sıkıştırılmış çıktılar + encode süreleri
4. Kalite Ölçümü	SSIM, MS-SSIM, Butteraugli hesaplama	Orijinal + sıkıştırılmış çiftler	Metrik skorları
5. Ham Sonuçlar	CSV/Parquet yazma + özet tablolar	Tüm ölçüm verileri	runs.csv + özet raporlar

Otomasyon Script İskeleti (Pseudocode)

CONFIG:
  dataset_id       = "gicb-2026-tr"
  target_n_images  = 10000
  encoders         = [mozjpeg, cwebp, avifenc(aom), avifenc(rav1e),
                      avifenc(svt), libvips_heifsave]
  services         = [tinify_api, shortpixel_api]
  quality_ladder   = {
    jpeg: [50, 60, 70, 80, 90],
    webp: [50, 60, 70, 80, 90],
    avif: [30, 40, 50, 60, 70]
  }
  presets = {
    webp: ["photo","picture","drawing","text"],
    avif_speed: [2, 4, 6]
  }

STEP 1: BUILD_URL_POOL()
  domains_tr  = Tranco.top_domains(filter_tld=".tr", limit=K)
  urls_httpa  = HTTPArchive.query_images(domains=domains_tr, month=LATEST)
  urls_cc     = CommonCrawl.cdx_query(tld=".tr", mime="image/*", limit=K2)
  urls_manual = load_whitelist("turkey_high_traffic_domains.txt")
  url_pool    = union(urls_httpa, urls_cc, urls_manual)
  url_pool    = apply_exclusion_rules(url_pool)
  save(url_pool, "url_pool.csv")

STEP 2: DOWNLOAD_AND_VALIDATE()
  for url in url_pool:
    resp = http_get(url, timeout, max_bytes)
    if mime not in allowed_mimes: continue
    if bytes < min_bytes or bytes > max_bytes: continue
    img = decode_image(resp.bytes)
    if img.width < 64 or img.height < 64: continue
    sha = sha256(resp.bytes)
    if sha already_seen: continue
    store_original(img_bytes, sha)
    write_metadata_row(sha, url, domain, mime, width, height, bytes)

STEP 3: RUN_ENCODERS()
  for each original_image in originals:
    for each encoder_variant in test_matrix:
      out_bytes, encode_time, meta = encode(original_image, encoder_variant)
      metrics = compute_metrics(original_image, out_bytes)
      write_result_row(image_id, encoder_variant, out_bytes,
                       encode_time, metrics)

STEP 4: AGGREGATE()
  build_summary_tables(
    segment_by=[format_in, sector, domain, resolution_bucket, alpha_flag]
  )
  export_figures()
  export_report_markdown()

Docker/CI Entegrasyonu

• Pilot: Tek bir docker compose up benchmark komutuyla 200 görsel koşabilmek.
• CI (nightly): GitHub Actions / self-hosted runner üzerinde 20 görsel “smoke test”.
• CI (haftalık): 200 görsel “pilot refresh” koşumu.
• Tam koşum: 10.000 görsel × matristeki varyant sayısı → CI yerine “batch runner” (kendi sunucu/spot VM).

Not: HTTP Archive verisi BigQuery üzerinde olduğundan, sorgu maliyeti ve ücretsiz kota gibi pratikler rapor eklerinde belirtilmelidir.

---

Veri Şeması ve Ham Sonuç Depolama

Ham veri iki dosyaya ayrılır: images.csv (görsel metadata) ve runs.csv (her encode denemesi).

images.csv Şeması

Kolon	Tip	Açıklama
dataset_id	string	Veri seti tanımlayıcısı (ör: “gicb-2026-tr”)
image_id	string (sha256)	Görselin benzersiz hash değeri
source_url	string	Görselin indirildiği URL
source_domain	string	Kaynak alan adı
source_dataset	enum	httpa | cc | crawl | tools1984_optin
fetch_timestamp_utc	datetime	İndirme zamanı (UTC)
mime_in	string	Orijinal MIME türü
bytes_in	integer	Orijinal dosya boyutu (byte)
width	integer	Genişlik (piksel)
height	integer	Yükseklik (piksel)
has_alpha	boolean	Alfa kanalı var mı?
content_hint	enum	photo | product | ui | icon | illustration | unknown
license_note	string	Telif notu (ör: “not redistributed”)

runs.csv Şeması

Kolon	Tip	Açıklama
run_id	uuid	Koşum benzersiz tanımlayıcısı
image_id	string (sha256)	Kaynak görselin hash değeri
encoder_family	enum	mozjpeg | cwebp | avifenc | tinify | shortpixel | libvips
encoder_version	string	Encoder sürümü (tekrar üretilebilirlik için)
codec	enum	jpeg | png | webp | avif
settings_json	JSON string	Kalite/preset/speed parametreleri
bytes_out	integer	Çıktı dosya boyutu (byte)
encode_wall_ms	float	Encode süresi (milisaniye)
peak_rss_mb	float	Pik bellek kullanımı (MB) — opsiyonel
ssim	float	SSIM skoru (0–1)
ms_ssim	float	MS-SSIM skoru
psnr	float	PSNR değeri (dB) — opsiyonel
butteraugli	float	Butteraugli algısal fark skoru
status	enum	ok | fail | skipped
error_message	string (nullable)	Hata mesajı (başarısızlık durumunda)

---

Analiz Planı ve Segmentasyon

Analiz, “genel ortalama” tuzağına düşmeden segmentlenmelidir.

Temel Metrikler

• compression_ratio = bytes_out / bytes_in
• “Bit-per-pixel” benzeri normalize ölçüler
• Butteraugli aralığında “hedef kalite bandı” (ör: 1.0–2.0) için boyut karşılaştırması

Analiz Segmentleri

Segment	Kırılım Değerleri	Analiz Amacı
Sektör	Haber, E-ticaret, Kamu, Finans	Sektörel görsel karakteristiklerinin etkisi
Görsel Türü	Photo, Product, UI, Icon	İçerik tipine göre format avantajı
Alfa Kanalı	Var / Yok	Saydamlık gerektiren görsellerde format performansı
Çözünürlük	≤256px, 257–1024px, 1025–2048px, >2048px	Boyut/kalite dengesinin çözünürlüğe bağlılığı
Kaynak Format	JPEG, PNG	Giriş formatının çıktı performansına etkisi

Karar Çıktıları

• Her segment için “Pareto front”: boyut ↓, Butteraugli ↓, süre ↓
• “Varsayılan öneri seti”: Tools1984 için 2–3 preset kombinasyonu (hızlı / denge / kalite)

---

Nihai Rapor Şablonu ve Görselleştirme

Planlanan Görselleştirmeler

Şekil / Tablo	Tür	İçerik
Şekil 1	Akış Diyagramı	Veri toplama ve benchmark pipeline’ı (tekrar üretilebilir iş akışı)
Şekil 2	Scatter Plot	10.000 Türkiye odaklı görselde encoder‑format Pareto karşılaştırması (Butteraugli vs çıktı boyutu)
Şekil 3	Bar/Box Plot	Haber vs E‑ticaret vs Kamu sitelerinde WebP/AVIF kazanç dağılımı
Şekil 4	CDF Grafiği	“% kaç görselde WebP/AVIF, JPEG’e göre X% küçüldü?” kümülatif dağılım
Şekil 5	Violin Plot	Sektör bazlı sıkıştırma oranı dağılımları
Tablo X	Öneri Tablosu	Tools1984 için önerilen 3 mod (hız/denge/kalite) ve parametreleri

Rapor Bölüm Yapısı

1. Giriş ve Kapsam: Neyi ölçüyoruz, neden; Türkiye odağı nasıl sağlandı.
2. Veri Seti: Kaynaklar, örnekleme, dedup, hariç tutma, veri manifesti.
3. Metodoloji: Encoder ayarları, ortam, ölçüm metrikleri, tekrar üretilebilirlik.
4. Sonuçlar (Genel): Format bazlı tradeoff analizleri.
5. Sonuçlar (Türkiye Segmentleri): Sektör/görsel türü kırılımları.
6. Tools1984 İçin Öneriler: Varsayılan presetler, UI/UX önerileri, API parametreleri.
7. Kısıtlar ve Geçerlilik: Temsil sorunu, timeslice etkisi, servislerin black-box olması.
8. Ekler: Komutlar, Docker hash, CSV şeması, BigQuery sorgu örnekleri.

---

Teslimatlar ve Zaman Çizelgesi

Faz	Süre (Öneri)	Teslimat	Kabul Kriteri
Tasarım Kilidi	1 hafta	Protokol v1, test matrisi v1, etik/KVKK kontrol listesi	Repo’da sürüm pin + veri kaynakları net
Pilot Koşum	1 hafta	N=200–500 görsel pilot sonuçları + performans ölçümü	Pipeline tek komutla çalışıyor; metrikler üretiliyor
Veri Seti Dondurma	1–2 hafta	N ≈ 10.000 “image manifest” (URL + hash + meta)	Dedup oranı raporlanmış; hariç tutma kuralları uygulanmış
Tam Benchmark	1–2 hafta	Tüm matriste encode + metrik ham sonuçları	runs.csv tutarlı; hata oranı < hedef
Analiz ve Yayın	1 hafta	Nihai rapor (TR + EN), grafikler, indirilebilir ham ölçüm	Rapor içi tablolar/figürler tamam; metodoloji şeffaf

---

Kaynak ve Bütçe Yaklaşımı

“Compute bütçesi” uydurulacak bir sayı olmamalı; pilot ölçümle hesaplanmalıdır. Bu yüzden bütçe metodu şöyle tasarlanır:

1. Pilot koşumda her encoder varyantı için ortalama süreyi ölç: t_jpeg, t_webp, t_avif_aom, t_avif_rav1e, t_avif_svt, t_service_call
2. Toplam iş: total_variants = N_images × variants_per_image
3. Tahmini süre: T_total ≈ Σ(N_images × t_variant) / paralellik_katsayısı

Kaynak Gereksinimleri

Kalem	Minimum	Önerilen	Not
Koşum Makinesi	16 vCPU / 32 GB RAM	32 vCPU / 64 GB RAM	AVIF encode ağır olabilir; pilotla doğrula
Depolama	500 GB	1–2 TB	Ham + ara çıktı + log
Paralellik	4–8 worker	8–16 worker	IO/CPU dengesi
Servis API Kotası	Pilot 200 görsel	10k görsel	Tinify/ShortPixel kota modeli doğrulanır
İnsan Zamanı	1 eng (ops) + 1 eng (analysis)	+ 1 eng (data)	4–6 hafta bandında

Servis maliyeti (TinyPNG/ShortPixel): Ödeme modeli ve kota değişebilir; raporda “güncel fiyatı sağlayıcıdan doğrulayın” notu düşülür. Pilot aşamada 100–200 görselle maliyet örneği çıkarılıp birim maliyet hesaplanır.

---

KVKK ve Etik Uyum Çerçevesi

Tools1984 logları kullanılırsa, kişisel veri işleme tanımı ve yükümlülükler için Türkiye mevzuatına (KVKK) uygun bir yaklaşım zorunludur.

Pratik Minimumlar

Kural	Açıklama
Ham görsel paylaşmama	Kullanıcı görsellerini depolamamak / yeniden dağıtmamak (mümkünse hiç almamak)
Sadece aggregate metrik	input_mime, bytes_in, bytes_out, tool_name, timestamp_bucket, country_segment (IP saklamadan)
Opt-in mekanizması	Örnek görsel gerekiyorsa: açık rıza ile “research upload” alanı
Anonimleştirme	Bireysel kullanıcıya ilişkilendirilebilecek hiçbir veri raporda yer almaz

Bu bölüm, nihai raporda “Etik ve Uyum” eki olarak genişletilerek yer almalıdır.

---

Bu çalışma, ölçüm üretmez; yalnızca gerçek veriyi nasıl toplayacağınızı ve nasıl ölçeceğinizi adım adım tarif eder. Tüm metodoloji, veri kaynakları ve pipeline kodları şeffaf ve tekrar üretilebilir şekilde tasarlanmıştır.