Antigravity CLI ile Firebase AI Tabanlı Görüntü Analiz Uygulaması Nasıl Geliştirilir?

Günümüzde yapay zekâ tabanlı uygulamalar geliştirmek, hem geliştiriciler hem de son kullanıcılar için büyük avantajlar sunuyor. Peki, bir görüntü analiz aracını sadece birkaç adımda nasıl oluşturabilir ve AI yeteneklerini projenize nasıl entegre edebilirsiniz? Bu rehberde, Antigravity CLI kullanarak Firebase AI mantığıyla çalışan bir demo uygulamasının nasıl geliştirildiğini adım adım inceleyeceğiz.

Projede Angular, Firebase Hybrid & Yerel Cihazda Çalışan AI SDK'sı ve Gemini modelleri kullanılarak kullanıcıların yüklediği görüntüleri analiz eden bir sistem oluşturuldu. Sistem, görüntüye ilişkin alternatif metinler, etiketler, öneriler ve hatta CSS ipuçları üretebiliyor. Bu özellikler sayesinde hem içerik üreticileri hem de geliştiriciler, görüntülerin kalitesini artırmak için değerli içgörüler elde edebiliyor.

Projenin Temel Bileşenleri ve İşleyişi

Uygulama, farklı tarayıcılarda farklı işlem modları kullanıyor. Chrome 148 ve üzeri sürümlerde, Yerel Cihazda Çalışan AI SDK'sı, cihazdaki Gemini Nano modelinin Prompt API özelliğini kullanarak görüntüden metne dönüştürme işlemlerini gerçekleştiriyor. Bu durumda token kullanımı sıfır oluyor. Öte yandan, Safari veya Firefox gibi tarayıcılarda aynı işlemler yapıldığında, sistem Bulut AI hizmetine (Gemini 3.5 Flash modeli) geçiş yapıyor ve token kullanımı sıfırdan büyük oluyor.

Bu esnek yapı, kullanıcı deneyimini optimize ederken AI kaynaklarının verimli kullanılmasını da sağlıyor. Yerel cihazda çalışan mod, hızlı yanıt süreleri ve veri gizliliği açısından önemli avantajlar sunarken, bulut tabanlı mod daha güçlü işlem kapasitesi gerektiren senaryolarda devreye giriyor.

Antigravity CLI ile Geliştirme Süreci

Projenin altyapısını oluşturmak için Antigravity CLI kullanıldı. Bu araç, geliştiricilerin projelerine hızlıca AI yetenekleri eklemesine olanak tanıyan bir komut satırı aracı olarak öne çıkıyor. Aşağıda, projeye dahil edilen temel bileşenler ve amaçları yer alıyor:

• grill-with-docs: Özellikle karmaşık iyileştirmeler veya yeni özellikler için katı bir soru-cevap oturumu düzenleyerek spesifikasyonların oluşturulmasına yardımcı oluyor. AI, bu süreçte detaylı analizler yaparak kod önerileri sunuyor.

• Angular: Modern Angular mimarisinin en iyi uygulamalarını sunuyor. Özellikle signals ve signal forms gibi yenilikçi özellikler sayesinde uygulamanın performansı ve bakımı kolaylaşıyor.

• Firebase: Firebase AI mantığı ve Firebase Remote gibi hizmetlere erişim sağlıyor. Bu sayede uygulama, hem yerel cihazda çalışan hem de bulut tabanlı AI modellerini destekleyebiliyor.

Kurulum ve Yapılandırma Adımları

Projeye başlamak için öncelikle gerekli bileşenlerin projeye dahil edilmesi gerekiyor. Aşağıda, bu adımların özeti yer alıyor:

1. Gereksinimlerin Kontrolü: Projeyi çalıştırmak için Node.js ve npm gibi temel araçların yüklü olduğundan emin olun.

1. Antigravity CLI Kurulumu: CLI aracını yüklemek için terminalde aşağıdaki komutu çalıştırın:

npm install -g @antigravity/cli

1. Yeteneklerin Projeye Eklenmesi: Projede kullanılacak yetenekleri aşağıdaki komutlarla ekleyin:

antigravity skill install grill-with-docs
antigravity skill install angular
antigravity skill install firebase

1. Stitch MCP Sunucusunun Kaydedilmesi: Firebase altyapısını yönetmek için Stitch MCP sunucusunu kayıt edin. Bu adımda, Stitch ile Firebase projesi arasındaki bağlantının kurulması gerekiyor.

1. Angular Projesinin Oluşturulması: Angular CLI kullanarak yeni bir proje oluşturun ve gerekli bağımlılıkları yükleyin:

ng new ng-firebase-image-analyzer
cd ng-firebase-image-analyzer
npm install @angular/fire firebase @google-ai/generativelanguage

1. Firebase Projesinin Yapılandırılması: Firebase konsolundan yeni bir proje oluşturun ve gerekli ayarları yapılandırın. Firebase API anahtarlarını ve yapılandırma dosyasını projeye ekleyin.

1. AI Modellemesinin Entegrasyonu: Firebase AI mantığını projeye entegre edin. Bu adımda, Gemini modellerinin kullanılabilmesi için gerekli SDK'ların projeye dahil edilmesi gerekiyor.

Yerel ve Bulut Tabanlı AI Modlarının Avantajları

Proje, kullanıcıların tarayıcı tercihlerine göre farklı AI modlarını kullanıyor. Bu esnek yaklaşımın birçok avantajı bulunuyor:

• Veri Gizliliği: Yerel cihazda çalışan mod, kullanıcı verilerinin üçüncü taraf sunuculara gönderilmesini engelliyor. Bu, özellikle gizlilik konusunda hassas olan kullanıcılar için önemli bir avantaj.

• Hız ve Performans: Yerel mod, görüntü analizini hızlı bir şekilde gerçekleştiriyor. Bu sayede kullanıcılar, anında geri bildirim alabiliyor.

• Güvenilirlik: Bulut tabanlı mod, daha karmaşık analizler için gerekli olan yüksek işlem kapasitesini sunuyor. Özellikle yerel cihazların sınırlı kaynakları nedeniyle gerçekleştirilemeyen işlemler için ideal.

Sonuç ve Geleceğe Bakış

Antigravity CLI kullanarak Firebase AI mantığıyla çalışan bir görüntü analiz uygulaması geliştirmek, hem geliştiriciler hem de son kullanıcılar için büyük faydalar sağlıyor. Bu proje, AI entegrasyonunun nasıl basit ve etkili bir şekilde yapılabileceğini gösteriyor. Gelecekte, bu tür uygulamaların daha da yaygınlaşması ve AI yeteneklerinin çeşitli sektörlerde kullanılması bekleniyor.

AI teknolojilerinin hızla gelişmesiyle birlikte, geliştiricilerin bu araçları projelerine entegre etmeleri giderek kolaylaşıyor. Antigravity CLI ve Firebase gibi platformlar, bu süreci daha erişilebilir hale getiriyor. Siz de kendi projelerinizde AI yeteneklerini kullanarak kullanıcı deneyimini zenginleştirebilirsiniz.