Link to this sectionSık Karşılaşılan YOLO Sorunlarını Giderme#

Link to this sectionGiriş#

Bu kılavuz, Ultralytics projelerinde YOLO26 ile çalışırken karşılaşılan yaygın sorunları gidermenize yardımcı olacak kapsamlı bir kaynaktır. Doğru rehberlikle bu sorunların üstesinden gelmek çocuk oyuncağıdır; böylece projelerinin gereksiz gecikmeler olmadan ilerlemesini sağlayabilirsin.

Link to this sectionYaygın Sorunlar#

Link to this sectionKurulum Hataları#

Kurulum hataları; uyumsuz sürümler, eksik bağımlılıklar veya yanlış ortam kurulumları gibi çeşitli nedenlerle ortaya çıkabilir. Öncelikle, aşağıdakileri yaptığından emin ol:

• Önerildiği gibi Python 3.8 veya daha yeni bir sürümünü kullanıyorsun.
• PyTorch (1.8 veya daha yeni) sürümünün doğru şekilde yüklendiğinden emin ol.
• Çakışmaları önlemek için sanal ortamları kullanmayı değerlendir.
• Resmi kurulum kılavuzunu adım adım takip et.

Ayrıca, kullanıcıların karşılaştığı bazı yaygın kurulum sorunlarını ve bunların çözümlerini aşağıda bulabilirsin:

• İçe Aktarma Hataları veya Bağımlılık Sorunları - Eğer YOLO26 içe aktarılırken hata alıyorsan veya bağımlılıklarla ilgili sorun yaşıyorsan, şu sorun giderme adımlarını değerlendir:

  • Temiz Kurulum: Bazen temiz bir kurulum yapmak, beklenmedik sorunları çözebilir. Özellikle güncellemelerin dosya ağacı yapısında veya işlevlerde değişiklikler getirebildiği Ultralytics gibi kütüphanelerde bu durum önemlidir.

  • Düzenli Güncelle: Kütüphanenin en son sürümünü kullandığından emin ol. Eski sürümler, son güncellemelerle uyumlu olmayabilir ve bu durum olası çakışmalara veya sorunlara yol açabilir.

  • Bağımlılıkları Kontrol Et: Gerekli tüm bağımlılıkların doğru şekilde yüklendiğini ve uyumlu sürümlerde olduğunu doğrula.

  • Değişiklikleri İncele: Eğer eski bir sürümü kopyaladıysan veya kurduysan, önemli güncellemelerin kütüphane yapısını veya işlevlerini etkileyebileceğini unutma. Herhangi bir büyük değişikliği anlamak için her zaman resmi belgelere veya değişiklik günlüklerine başvur.

  • Unutma, sorunsuz ve hatasız bir deneyim için kütüphanelerini ve bağımlılıklarını güncel tutman çok önemlidir.

• YOLO26'yı GPU Üzerinde Çalıştırma - Eğer YOLO26'yı GPU üzerinde çalıştırmakta sorun yaşıyorsan, şu sorun giderme adımlarını değerlendir:

  • CUDA Uyumluluğunu ve Kurulumunu Doğrula: GPU'nun CUDA ile uyumlu olduğundan ve CUDA'nın doğru şekilde kurulduğundan emin ol. NVIDIA GPU'nun durumunu ve CUDA sürümünü kontrol etmek için nvidia-smi komutunu kullan.

  • PyTorch ve CUDA Entegrasyonunu Kontrol Et: Bir Python terminalinde import torch; print(torch.cuda.is_available()) komutunu çalıştırarak PyTorch'un CUDA'yı kullanabildiğinden emin ol. Eğer 'True' sonucunu döndürürse, PyTorch CUDA kullanacak şekilde ayarlanmıştır.

  • GPU Uyumluluğunu Kontrol Et: Turing öncesi GPU mimarileri ve 7.5'ten küçük işlem kapasitesi (SM) desteği, cuDNN 9.11.0 sürümünden itibaren kaldırılmıştır. Bu nedenle, 1080Ti gibi eski bir GPU'n varsa, CUDA/cuDNN'in daha eski bir sürümüyle derlenmiş bir PyTorch sürümü kullanman gerekebilir. Bunu import torch; cap = torch.cuda.get_device_capability(0) if torch.cuda.is_available() else (0, 0); cudnn = torch.backends.cudnn.version() or 0; ok = "not compatible" if cudnn >= 91100 and (cap[0] < 7 or (cap[0] == 7 and cap[1] < 5)) else "should be ok"; print(f"Compute capability: SM {cap[0]}.{cap[1]}, cuDNN: {cudnn} => {ok}") komutunu çalıştırarak kontrol edebilirsin.

  • Ortam Aktivasyonu: Gerekli tüm paketlerin yüklü olduğu doğru ortamda bulunduğundan emin ol.

  • Paketlerini Güncelle: Güncel olmayan paketler GPU'nla uyumlu olmayabilir. Bunları güncel tut.

  • Program Yapılandırması: Programın veya kodun GPU kullanımını belirtip belirtmediğini kontrol et. YOLO26'da bu durum ayarlarda veya yapılandırmada olabilir.

Link to this sectionModel Eğitimi Sorunları#

Bu bölüm, eğitim sırasında karşılaşılan yaygın sorunları, bunların açıklamalarını ve çözümlerini ele alacaktır.

Link to this sectionYapılandırma Ayarlarının Doğrulanması#

Sorun: Model eğitimi sırasında .yaml dosyasındaki yapılandırma ayarlarının doğru şekilde uygulanıp uygulanmadığından emin değilsin.

Çözüm: .yaml dosyasındaki yapılandırma ayarları, model.train() fonksiyonu kullanıldığında uygulanmalıdır. Bu ayarların doğru şekilde uygulandığından emin olmak için şu adımları izle:

• .yaml yapılandırma dosyana giden yolun doğru olduğunu onayla.

• Make sure you pass the path to your .yaml file as the data argument when calling model.train(), as shown below:

  model.train(data="/path/to/your/data.yaml", batch=4)

Link to this sectionBirden Fazla GPU ile Eğitimi Hızlandırma#

Sorun: Tek GPU'da eğitim yavaş ve birden fazla GPU kullanarak süreci hızlandırmak istiyorsun.

Çözüm: Batch size değerini artırmak eğitimi hızlandırabilir, ancak GPU bellek kapasitesini göz önünde bulundurman önemlidir. Birden fazla GPU ile eğitimi hızlandırmak için şu adımları izle:

• Birden fazla GPU'nun kullanılabilir olduğundan emin ol.

• device argümanını GPU indekslerinin bir listesine ayarla, örneğin device=[0,1,2,3].

• Bellek sınırlarını aşmadan birden fazla GPU'dan tam olarak yararlanmak için batch size değerini uygun şekilde artır.

• Eğitim komutunu birden fazla GPU kullanacak şekilde değiştir:

  # Adjust the batch size and other settings as needed to optimize training speed
  model.train(data="/path/to/your/data.yaml", batch=32, device=[0, 1, 2, 3])

Link to this sectionSürekli İzleme Parametreleri#

Sorun: Eğitim sırasında loss dışında hangi parametrelerin sürekli izlenmesi gerektiğini öğrenmek istiyorsun.

Çözüm: Loss izlenmesi gereken kritik bir metrik olsa da, model performans optimizasyonu için diğer metrikleri takip etmek de önemlidir. Eğitim sırasında izlenmesi gereken bazı temel metrikler şunlardır:

• Precision
• Recall
• Mean Average Precision (mAP)

Bu metrikleri eğitim günlüklerinden veya görselleştirme için TensorBoard ya da wandb gibi araçları kullanarak inceleyebilirsin. Bu metrikleri temel alarak erken durdurma (early stopping) uygulamak, daha iyi sonuçlar elde etmene yardımcı olabilir.

Link to this sectionEğitim İlerlemesini Takip Etme Araçları#

Sorun: Eğitim ilerlemesini takip etmek için araç önerileri arıyorsun.

Çözüm: Eğitim ilerlemesini takip etmek ve görselleştirmek için şu araçları kullanmayı düşünebilirsin:

• TensorBoard: TensorBoard; loss, accuracy ve daha fazlası dahil olmak üzere eğitim metriklerini görselleştirmek için popüler bir seçimdir. Bunu YOLO26 eğitim sürecine entegre edebilirsin.
• Comet: Comet, deney takibi ve karşılaştırması için kapsamlı bir araç seti sağlar. Metrikleri, hiperparametreleri ve hatta model ağırlıklarını takip etmene olanak tanır. YOLO modelleri ile entegrasyonu da basittir ve deney döngüne dair eksiksiz bir genel bakış sunar.
• Ultralytics Platform: Ultralytics Platform, YOLO modellerini takip etmek için özel bir ortam sunar ve metrikleri, veri setlerini yönetmen, hatta ekibinle iş birliği yapman için tek bir platform sağlar. YOLO'ya özel odaklanması nedeniyle daha kişiselleştirilmiş izleme seçenekleri sunar.

Bu araçların her birinin kendine has avantajları vardır, bu nedenle seçim yaparken projenin özel ihtiyaçlarını değerlendirmek isteyebilirsin.

Link to this sectionEğitimin GPU'da Olup Olmadığı Nasıl Kontrol Edilir#

Sorun: Eğitim günlüklerindeki 'device' değeri 'null' ve eğitimin GPU'da gerçekleşip gerçekleşmediğinden emin değilsin.

Çözüm: 'device' değerinin 'null' olması genellikle eğitim sürecinin mevcut bir GPU'yu otomatik olarak kullanacak şekilde ayarlandığı anlamına gelir ki bu varsayılan davranıştır. Eğitimin belirli bir GPU'da gerçekleştiğinden emin olmak için .yaml yapılandırma dosyanızda 'device' değerini manuel olarak GPU indeksine (örneğin ilk GPU için '0') ayarlayabilirsin:

device: 0

Bu, eğitim sürecini açıkça belirtilen GPU'ya atayacaktır. Eğer CPU üzerinde eğitmek istersen, 'device' değerini 'cpu' olarak ayarla.

Eğitim ilerlemesini etkili bir şekilde izlemek için günlükleri ve metrikleri 'runs' klasöründen takip et.

Link to this sectionEtkili Model Eğitimi İçin Temel Hususlar#

Model eğitimiyle ilgili sorunlar yaşıyorsan, aklında bulundurman gereken bazı noktalar şunlardır.

Veri Seti Formatı ve Etiketler

• Önemi: Herhangi bir machine learning modelinin temeli, eğitildiği verinin kalitesine ve formatına dayanır.
• Öneri: Özel veri setinin ve ilişkili etiketlerin beklenen formata uyduğundan emin ol. Açıklamaların doğru ve yüksek kaliteli olduğunu doğrulamak çok önemlidir. Yanlış veya düşük kaliteli açıklamalar modelin öğrenme sürecini rayından çıkarabilir ve öngörülemeyen sonuçlara yol açabilir.

Model Yakınsaması

• Önemi: Model yakınsamasını sağlamak, modelin training data üzerinden yeterince öğrendiğinden emin olmayı sağlar.
• Öneri: Bir modeli 'sıfırdan' eğitirken, modelin tatmin edici bir yakınsama düzeyine ulaştığından emin olmak hayati önem taşır. Bu, mevcut bir modele ince ayar yapmaya kıyasla daha fazla epochs ile daha uzun bir eğitim süresi gerektirebilir.

Learning Rate ve Batch Size

• Önemi: Bu hiperparametreler, eğitim sırasında modelin ağırlıklarını nasıl güncellediğini belirlemede önemli bir rol oynar.
• Öneri: Seçilen öğrenme oranı ve batch size değerlerinin veri setin için optimal olup olmadığını düzenli olarak değerlendir. Veri setinin özellikleriyle uyumlu olmayan parametreler modelin performansını engelleyebilir.

Sınıf Dağılımı

• Önemi: Veri setindeki sınıfların dağılımı, modelin tahmin eğilimlerini etkileyebilir.
• Öneri: Veri setindeki sınıf dağılımını düzenli olarak değerlendir. Eğer bir sınıf dengesizliği varsa, modelin daha yaygın olan sınıfa karşı bir önyargı geliştirme riski vardır. Bu önyargı, modelin çoğunlukla baskın sınıfı tahmin edebileceği karışıklık matrisinde (confusion matrix) belirginleşebilir.

Önceden Eğitilmiş Ağırlıklarla Çapraz Kontrol

• Önemi: Özellikle verinin sınırlı olduğu durumlarda, önceden eğitilmiş ağırlıklardan yararlanmak model eğitimi için sağlam bir başlangıç noktası sağlayabilir.
• Öneri: Bir tanı adımı olarak, modelini aynı veriyi kullanarak eğit ama önceden eğitilmiş ağırlıklarla başlatmayı dene. Eğer bu yaklaşım iyi biçimlendirilmiş bir karışıklık matrisi verirse, bu durum 'sıfırdan' eğitilen modelin daha fazla eğitim veya ayarlamaya ihtiyaç duyabileceğini gösterebilir.

Link to this sectionModel Tahminleriyle İlgili Sorunlar#

Bu bölüm, model tahmini sırasında karşılaşılan yaygın sorunları ele alacaktır.

Link to this sectionYOLO26 Özel Modelinle Bounding Box Tahminleri Alma#

Sorun: Özel bir YOLO26 modeliyle tahminler çalıştırırken, bounding box koordinatlarının formatı ve görselleştirilmesiyle ilgili zorluklar var.

Çözüm:

• Koordinat Formatı: YOLO26, bounding box koordinatlarını mutlak piksel değerleri olarak sağlar. Bunları göreceli koordinatlara (0'dan 1'e kadar) dönüştürmek için görüntü boyutlarına bölmen gerekir. Örneğin, görüntü boyutunun 640x640 olduğunu varsayalım. O zaman şunları yaparsın:

  # Convert absolute coordinates to relative coordinates
  x1 = x1 / 640  # Divide x-coordinates by image width
  x2 = x2 / 640
  y1 = y1 / 640  # Divide y-coordinates by image height
  y2 = y2 / 640

• Dosya Adı: Tahmin yaptığın görüntünün dosya adını almak için tahmin döngün içerisindeki sonuç nesnesinden görüntü dosya yoluna doğrudan eriş.

Link to this sectionYOLO26 Tahminlerinde Nesneleri Filtreleme#

Sorun: Ultralytics kütüphanesini kullanarak YOLO26 çalıştırırken tahmin sonuçlarında yalnızca belirli nesnelerin nasıl filtreleneceği ve görüntüleneceğiyle ilgili sorun yaşıyorsun.

Çözüm: Belirli sınıfları tespit etmek için çıktıda dahil etmek istediğin sınıfları belirtmek üzere classes argümanını kullan. Örneğin, sadece arabaları tespit etmek için ('arabalar' sınıf indeksinin 2 olduğunu varsayarak):

yolo task=segment mode=predict model=yolo26n-seg.pt source='path/to/car.mp4' show=True classes=2

Link to this sectionYOLO26'da Hassasiyet (Precision) Metriklerini Anlama#

Sorun: YOLO26'da box precision, mask precision ve confusion matrix precision arasındaki fark konusunda kafa karışıklığı.

Çözüm: Box precision, metrik olarak IoU (Intersection over Union) kullanarak tahmin edilen bounding box'ların gerçek ground truth kutularına kıyasla doğruluğunu ölçer. Mask precision, piksel bazlı nesne sınıflandırmasında tahmin edilen segmentasyon maskeleri ile ground truth maskeleri arasındaki uyumu değerlendirir. Öte yandan, confusion matrix precision tüm sınıflar genelindeki genel sınıflandırma doğruluğuna odaklanır ve tahminlerin geometrik doğruluğunu dikkate almaz. Sınıf tahmini yanlış olsa bile bir bounding box'ın geometrik olarak doğru (true positive) olabileceğini ve bunun box precision ile confusion matrix precision arasında farklara yol açabileceğini belirtmek önemlidir. Bu metrikler model performansının farklı yönlerini değerlendirir ve çeşitli görevlerde farklı değerlendirme metriklerine duyulan ihtiyacı yansıtır.

Link to this sectionYOLO26'da Nesne Boyutlarını Çıkarma#

Sorun: YOLO26'da, özellikle bir görüntüde birden fazla nesne tespit edildiğinde, tespit edilen nesnelerin uzunluğunu ve yüksekliğini almada zorluk.

Çözüm: Bounding box boyutlarını almak için önce bir görüntüdeki nesneleri tahmin etmek üzere Ultralytics YOLO26 modelini kullan. Ardından, tahmin sonuçlarından bounding box'ların genişlik ve yükseklik bilgilerini çıkar.

from ultralytics import YOLO

# Load a pretrained YOLO26 model
model = YOLO("yolo26n.pt")

# Specify the source image
source = "https://ultralytics.com/images/bus.jpg"

# Make predictions
results = model.predict(source, save=True, imgsz=320, conf=0.25)

# Extract bounding box dimensions
boxes = results[0].boxes.xywh.cpu()
for box in boxes:
    x, y, w, h = box
    print(f"Width of Box: {w}, Height of Box: {h}")

Link to this sectionDağıtım Zorlukları#

Link to this sectionGPU Dağıtım Sorunları#

Sorun: Modelleri çoklu GPU ortamında dağıtmak bazen beklenmedik bellek kullanımı, GPU'lar arası tutarsız sonuçlar gibi beklenmedik davranışlara yol açabilir.

Çözüm: Varsayılan GPU başlatmasını kontrol et. PyTorch gibi bazı çerçeveler, belirlenen GPU'lara geçmeden önce CUDA işlemlerini varsayılan bir GPU üzerinde başlatabilir. Beklenmedik varsayılan başlatmaları atlamak için dağıtım ve tahmin sırasında GPU'yu doğrudan belirt. Ardından, gerçek zamanlı anomalileri belirlemek için GPU kullanımını ve bellek kullanımını izleyen araçlar kullan. Ayrıca, çerçevenin veya kütüphanenin en son sürümünü kullandığından emin ol.

Link to this sectionModel Dönüştürme/Dışa Aktarma Sorunları#

Sorun: Makine öğrenimi modellerini farklı formatlara veya platformlara dönüştürme veya dışa aktarma sürecinde kullanıcılar hatalarla veya beklenmedik davranışlarla karşılaşabilir.

Çözüm:

• Uyumluluk Kontrolü: Birbiriyle uyumlu kütüphane ve çerçeve sürümlerini kullandığından emin ol. Uyumsuz sürümler, dönüştürme sırasında beklenmedik hatalara yol açabilir.
• Ortam Sıfırlama: Jupyter veya Colab gibi interaktif bir ortam kullanıyorsan, önemli değişiklikler veya kurulumlar yaptıktan sonra ortamını yeniden başlatmayı düşün. Temiz bir başlangıç bazen temel sorunları çözebilir.
• Resmi Belgeler: Dönüştürme için kullandığın aracın veya kütüphanenin resmi belgelerine her zaman başvur. Genellikle model dışa aktarma için özel kılavuzlar ve en iyi uygulamalar içerir.
• Topluluk Desteği: Diğer kullanıcılar tarafından bildirilen benzer sorunlar için kütüphanenin veya çerçevenin resmi deposunu kontrol et. Bakımcılar veya topluluk, tartışma başlıklarında çözümler veya geçici çözümler sağlamış olabilir.
• Düzenli Güncelle: Kullandığın aracın veya kütüphanenin en son sürümünü kullandığından emin ol. Geliştiriciler sık sık bilinen hataları düzelten veya işlevselliği iyileştiren güncellemeler yayınlar.
• Kademeli Test Et: Tam bir dönüştürme yapmadan önce, potansiyel sorunları erken aşamada belirlemek için süreci daha küçük bir model veya veri seti ile test et.

Link to this sectionTopluluk ve Destek#

Seninle benzer düşünen bir toplulukla etkileşimde bulunmak, YOLO26 ile çalışma konusundaki deneyimini ve başarını önemli ölçüde artırabilir. Aşağıda faydalı bulabileceğin bazı kanallar ve kaynaklar yer almaktadır.

Link to this sectionYardım Almak İçin Forumlar ve Kanallar#

GitHub Issues: GitHub üzerindeki YOLO26 deposunda soru sorabileceğin, hata bildirebileceğin ve yeni özellikler önerebileceğin bir Issues sekmesi bulunur. Topluluk ve geliştiriciler burada oldukça aktiftir, bu yüzden belirli sorunlarla ilgili yardım almak için harika bir yerdir.

Ultralytics Discord Sunucusu: Ultralytics, diğer kullanıcılarla ve geliştiricilerle etkileşime geçebileceğin bir Discord sunucusuna sahiptir.

Link to this sectionResmi Belgeler ve Kaynaklar#

Ultralytics YOLO26 Dokümanları: Resmi dokümantasyon, kurulum, kullanım ve sorun giderme ile ilgili kılavuzlarla birlikte YOLO26'ya dair kapsamlı bir genel bakış sunar.

Bu kaynaklar, sorunları gidermek, YOLO26 projelerini geliştirmek ve YOLO26 topluluğundaki diğer kişilerle bağlantı kurmak için sağlam bir temel sağlayacaktır.

Link to this sectionSonuç#

Sorun giderme, herhangi bir geliştirme sürecinin ayrılmaz bir parçasıdır ve doğru bilgiyle donanmak, sorunları çözmek için harcanan zamanı ve çabayı önemli ölçüde azaltabilir. Bu kılavuz, Ultralytics ekosistemindeki YOLO26 modeli kullanıcılarının karşılaştığı en yaygın zorlukları ele almayı amaçlamıştır. Bu yaygın sorunları anlayıp çözerek, proje ilerleyişinin daha sorunsuz olmasını sağlayabilir ve bilgisayarlı görü görevlerinde daha iyi sonuçlar elde edebilirsin.

Unutma, Ultralytics topluluğu değerli bir kaynaktır. Diğer geliştiriciler ve uzmanlarla etkileşime girmek, standart dokümantasyonda yer almayan ek bilgiler ve çözümler sağlayabilir. Topluluğun ortak bilgi birikimine katkıda bulunmak için öğrenmeye, denemeler yapmaya ve deneyimlerini paylaşmaya devam et.

Link to this sectionSSS#

Link to this sectionYOLO26 ile ilgili kurulum hatalarını nasıl çözerim?#

Kurulum hataları genellikle uyumluluk sorunlarından veya eksik bağımlılıklardan kaynaklanabilir. Python 3.8 veya daha yeni bir sürümünü kullandığından ve PyTorch 1.8 veya daha yeni bir sürümünün yüklü olduğundan emin ol. Çakışmaları önlemek için sanal ortamlar kullanman faydalı olacaktır. Adım adım kurulum kılavuzu için resmi kurulum kılavuzumuzu takip et. Eğer içe aktarma (import) hatalarıyla karşılaşırsan, temiz bir kurulum yapmayı dene veya kütüphaneyi en güncel sürüme yükselt.

Link to this sectionYOLO26 model eğitimim tek bir GPU üzerinde neden yavaş?#

Tek bir GPU üzerinde eğitim, büyük yığın boyutları (batch size) veya yetersiz bellek nedeniyle yavaş olabilir. Eğitimi hızlandırmak için birden fazla GPU kullan. Sisteminde birden fazla GPU'nun mevcut olduğundan emin ol ve device bağımsız değişkenini ayarla, örneğin device=[0,1,2,3]. Bellek sınırlarını aşmadan GPU'lardan tam olarak yararlanmak için yığın boyutunu buna göre artır. Örnek komut:

model.train(data="/path/to/your/data.yaml", batch=32, device=[0, 1, 2, 3])

Link to this sectionYOLO26 modelimin GPU üzerinde eğitim aldığından nasıl emin olabilirim?#

Eğer eğitim günlüklerinde 'device' değeri 'null' olarak görünüyorsa, bu genellikle eğitim sürecinin otomatik olarak kullanılabilir bir GPU'yu kullanacak şekilde ayarlandığı anlamına gelir. Belirli bir GPU'yu açıkça atamak için .yaml yapılandırma dosyanızdaki 'device' değerini ayarla. Örneğin:

device: 0

Bu, eğitim sürecini ilk GPU'ya ayarlar. CUDA kurulumunu doğrulamak için nvidia-smi komutuna bak.

Link to this sectionYOLO26 model eğitim ilerlememi nasıl izleyebilir ve takip edebilirim?#

Tracking and visualizing training progress can be efficiently managed through tools like TensorBoard, Comet, and Ultralytics Platform. These tools allow you to log and visualize metrics such as loss, precision, recall, and mAP. Implementing early stopping based on these metrics can also help achieve better training outcomes.

Link to this sectionYOLO26 veri seti formatımı tanımazsa ne yapmalıyım?#

Veri setinin ve etiketlerinin beklenen formata uygun olduğundan emin ol. Açıklamaların (annotations) doğru ve yüksek kalitede olduğunu doğrula. Herhangi bir sorunla karşılaşırsan, en iyi uygulamalar için Veri Toplama ve Etiketleme kılavuzuna başvur. Veri setine özel daha fazla rehberlik için dokümantasyondaki Veri Setleri bölümüne göz at.