YOLO26 Modellerini Eğitmek için Kaggle Kullanım Kılavuzu
Yapay zekâ hakkında bilgi ediniyor ve küçük projeler üzerinde çalışıyorsan güçlü bilgi işlem kaynaklarına henüz erişimin olmayabilir ve üst düzey donanımlar pahalı olabilir. Google'a ait bir platform olan Kaggle, GPU kaynaklarına erişebileceğin, büyük veri kümelerini işleyebileceğin ve farklı veri bilimcilerden ve makine öğrenimi meraklılarından oluşan bir toplulukla iş birliği yapabileceğin ücretsiz, bulut tabanlı bir ortam sunar.
Kaggle, Ultralytics YOLO26 modellerini eğitmek ve denemek için kullanışlı bir seçenektir. Kaggle Notebooks, popüler makine öğrenimi kütüphaneleri ve çerçeveleri önceden yüklenmiş olarak gelir. Bu kılavuzda Kaggle'ın temel özelliklerini inceliyor ve platformda YOLO26 modellerini nasıl eğiteceğini gösteriyoruz.
Kaggle nedir?#
Kaggle, dünyanın dört bir yanındaki veri bilimcileri gerçek dünyadaki veri bilimi sorunlarını çözmek için iş birliği yapma, öğrenme ve yarışma amacıyla bir araya getiren bir platformdur. Anthony Goldbloom ve Jeremy Howard tarafından 2010'da kurulan ve 2017'de Google tarafından satın alınan Kaggle, kullanıcıların bağlantı kurmasına, veri kümelerini keşfedip paylaşmasına, GPU destekli not defterlerini kullanmasına ve veri bilimi yarışmalarına katılmasına olanak tanır. Platform hem deneyimli profesyonellere hem de öğrenenlere hitap eder.
2022 itibarıyla 10 milyondan fazla kullanıcısıyla Kaggle, makine öğrenimi modelleri geliştirmek ve denemek için zengin bir ortam sunar. Yerel makinenin özellikleri veya kurulumu hakkında endişelenmene gerek yok; ihtiyacın olan tek şey bir Kaggle hesabı ve web tarayıcısı.
Kurulum#
Kaggle'da YOLO26 modellerini eğitmeye başlamadan önce not defteri ortamının doğru yapılandırıldığından emin olmalısın. Şu adımları izle:
İnternet Erişimini Etkinleştir#
Kaggle not defterleri, paketleri ve bağımlılıkları indirmek için internet erişimi gerektirir. Kaggle not defterinde interneti etkinleştirmek için:
- Kaggle not defterini aç
- Not defteri arayüzünün sağ tarafındaki Settings paneline tıkla
- Internet bölümüne kaydır
- İnternet bağlantısını etkinleştirmek için anahtarı ON konumuna getir
Not: Ultralytics paketini yüklemek ve önceden eğitilmiş modelleri veya veri kümelerini indirmek için internet erişimi gerekir. İnternet etkin değilse paket yüklemeleri başarısız olur.

Ultralytics'i Yükleme#
İnternet erişimini etkinleştirdikten sonra, not defterindeki bir hücrede aşağıdaki komutu çalıştırarak Ultralytics paketini yükle:
!pip install ultralyticsEn güncel geliştirme sürümü için doğrudan GitHub'dan yükleyebilirsin:
!pip install git+https://github.com/ultralytics/ultralytics.gitBağımlılık Çakışmalarını Çözme#
Yükleme sırasında özellikle opencv-python, numpy veya torch gibi paketlerde bağımlılık çakışmalarıyla karşılaşabilirsin. İşte yaygın çözümler:
Yöntem 1: --upgrade ile Zorla Yeniden Yükleme#
Mevcut paketlerle çakışma yaşarsan yükseltmeyi zorla:
!pip install --upgrade --force-reinstall ultralyticsYöntem 2: Kurulumdan Sonra Çekirdeği Yeniden Başlatma#
Bazen içe aktarma sorunlarını çözmek için yüklemeden sonra çekirdeği yeniden başlatman gerekir:
!pip install ultralytics
# Then click "Restart Kernel" from the notebook menuYaygın Hatalara Yönelik Çözümler#
Hata: "No module named 'ultralytics'"
- Çözüm: İnternetin etkin olduğundan emin ol ve yükleme komutunu yeniden çalıştır
- Yüklemeden sonra çekirdeği yeniden başlat
Hata: "ERROR: pip's dependency resolver does not currently take into account..."
- Çözüm: Bu genellikle bir uyarıdır ve güvenle yok sayılabilir. Mesaja rağmen yükleme genellikle başarıyla tamamlanır
Hata: Yüklemeden sonra "ModuleNotFoundError"
- Çözüm: Not defteri arayüzündeki yeniden başlatma düğmesini kullanarak çekirdeği yeniden başlat
- İçe aktarma ifadelerini yeni bir hücrede yeniden çalıştır
Yüklemeyi Doğrulama#
Yüklemeden sonra aşağıdaki komutu çalıştırarak Ultralytics'in doğru şekilde yüklendiğini doğrula:
import ultralytics
ultralytics.checks()Bu komut sistem bilgilerini görüntüler ve tüm bağımlılıkların doğru şekilde yüklendiğini doğrular.
Kaggle Kullanarak YOLO26 Eğitimi#
Kaggle'ın ücretsiz GPU'ları, YOLO26 modellerini kolayca eğitmeyi sağlar.
Başlamak için Kaggle'daki Ultralytics YOLO26 eğitim not defterini aç. Kaggle ortamında TensorFlow ve PyTorch gibi kütüphaneler önceden yüklü olduğundan kurulum kolaylaşır.

Kaggle hesabında oturum açtığında not defteri düzenleyebileceğin kendi kopyan olarak açılır: hızlandırıcı ayarlarından bir GPU seç ve modelini eğitmeye başlamak için not defterindeki hücreleri çalıştır. Model eğitimi sürecini ve en iyi uygulamaları ayrıntılı olarak öğrenmek için YOLO26 Model Eğitimi kılavuzumuza göz at.

Kaggle Kullanırken Sık Karşılaşılan Sorunlar#
Kaggle'ı kullanırken bazı yaygın sorunlarla karşılaşabilirsin. Platformda yolunu bulmana yardımcı olacak önemli noktalar şunlardır:
- GPU Erişimi: Kaggle not defterlerinde GPU'yu istediğin zaman etkinleştirebilir ve haftada 30 saate kadar kullanabilirsin. Kaggle, 16 GB belleğe sahip NVIDIA Tesla P100 GPU sağlar ve NVIDIA T4 x2 seçeneğini de sunar. GPU hızlandırması, model eğitimini ve çıkarımı çok daha hızlı hâle getirir.
- Kaggle Kernels: Kaggle Kernels, GPU'ları entegre edebilen ve bulut bilgisayarlarında makine öğrenimi işlemleri yapmanı sağlayan ücretsiz Jupyter not defteri sunucularıdır. Kendi bilgisayarının CPU'suna bağlı kalman gerekmez; böylece bilgisayarın aşırı yüklenmesini önler ve yerel kaynaklarını serbest bırakırsın.
- Kaggle Veri Kümeleri: Kaggle veri kümelerini indirmek ücretsizdir. Ancak kullanım kısıtlamalarını öğrenmek için her veri kümesinin lisansını kontrol etmen önemlidir. Bazı veri kümelerinin akademik yayınlarda veya ticari kullanımda kısıtlamaları olabilir. Veri kümelerini doğrudan Kaggle not defterine veya başka bir yere Kaggle API aracılığıyla indirebilirsin.
- Not Defterlerini Kaydetme ve Gönderme: Kaggle'da bir not defterini kaydedip göndermek için "Sürümü Kaydet" seçeneğine tıkla. Bu işlem, not defterinin mevcut durumunu kaydeder. Arka plan çekirdeği çıktı dosyalarını oluşturmayı bitirdiğinde bunlara ana not defteri sayfasındaki Çıktı sekmesinden erişebilirsin.
- İş Birliği: Kaggle iş birliğini destekler, ancak birden fazla kullanıcı aynı anda bir not defterini düzenleyemez. Kaggle'daki iş birliği eş zamansızdır; yani kullanıcılar aynı not defterini farklı zamanlarda paylaşabilir ve üzerinde çalışabilir.
- Önceki Bir Sürüme Dönme: Not defterinin önceki bir sürümüne dönmen gerekiyorsa not defterini açıp sağ üst köşedeki üç dikey noktaya tıklayarak "Sürümleri Görüntüle" seçeneğini belirle. Dönmek istediğin sürümü bul, yanındaki "..." menüsüne tıkla ve "Sürüme Geri Dön" seçeneğini belirle. Not defteri eski sürüme döndükten sonra değişiklikleri göndermek için "Sürümü Kaydet" seçeneğine tıkla.
Kaggle'ın Temel Özellikleri#
Kaggle'ın veri bilimi ve makine öğrenimi için sunduğu temel özelliklerden bazıları şunlardır:
- Veri Kümeleri: Kaggle, çeşitli konularda geniş bir veri kümesi koleksiyonuna ev sahipliği yapar. Bu veri kümelerini arayıp projelerinde kullanabilirsin; bu, YOLO26 modellerini eğitmek ve test etmek için özellikle kullanışlıdır.
- Yarışmalar: Kaggle yarışmaları, veri bilimcilerin ve makine öğrenimi uygulayıcılarının gerçek dünyadaki sorunları çözmesine olanak tanır. Yarışmalara katılmak becerilerini geliştirir, yeni teknikler öğrenmeni sağlar ve toplulukta tanınmana yardımcı olur.
- TPU'lara Ücretsiz Erişim: Kaggle, bunları destekleyen çerçeveler için TPU'lara ücretsiz erişim sağlar. Ultralytics YOLO26 eğitimi, Kaggle'ın GPU'larında veya CPU'sunda çalışır; TPU'larda çalışmaz.
- GitHub Entegrasyonu: Kaggle, not defterlerini yüklemek ve çalışmalarını kaydetmek için GitHub deponu bağlamana olanak tanır. Bu entegrasyon, dosyalarını yönetmeyi ve bunlara erişmeyi kolaylaştırır.
- Topluluk ve Tartışmalar: Kaggle'da geniş bir veri bilimci ve makine öğrenimi uygulayıcısı topluluğu bulunur. Tartışma forumları ve paylaşılan not defterleri öğrenme ve sorun giderme için kullanışlı kaynaklardır. Yardım alabilir, bilgini paylaşabilir ve başkalarıyla iş birliği yapabilirsin.
YOLO26 Projelerin için Neden Kaggle Kullanmalısın?#
Makine öğrenimi modellerini eğitmek ve değerlendirmek için birden fazla platform bulunur. Makine öğrenimi projelerinde Kaggle kullanmanın bazı avantajları şunlardır:
- Herkese Açık Not Defterleri: Kaggle not defterlerini herkese açık hâle getirerek diğer kullanıcıların çalışmalarını görüntülemesine, oy vermesine, çatallamasına ve tartışmasına izin verebilirsin. Kaggle; iş birliğini, geri bildirimi ve fikir paylaşımını teşvik ederek YOLO26 modellerini geliştirmen için sana yardımcı olur.
- Not Defteri Kayıtlarının Ayrıntılı Geçmişi: Kaggle, not defteri kayıtlarının ayrıntılı bir geçmişini oluşturur. Böylece değişiklikleri zaman içinde inceleyip takip edebilir, projenin gelişimini daha kolay anlayabilir ve gerekirse önceki sürümlere dönebilirsin.
- Konsol Erişimi: Kaggle, ortamın üzerinde daha fazla kontrol sağlayan bir konsol sunar. Bu özellik, çeşitli görevleri doğrudan komut satırından gerçekleştirmeni sağlar.
- Kaynak Kullanılabilirliği: Kaggle'daki her not defteri düzenleme oturumunda önemli kaynaklar sunulur: CPU ve GPU oturumları için 12 saatlik çalışma süresi, TPU oturumları için 9 saatlik çalışma süresi ve otomatik kaydedilen 20 gigabaytlık disk alanı.
- Not Defteri Zamanlama: Kaggle, not defterlerinin belirli zamanlarda çalışmasını zamanlamana olanak tanır. Modelini düzenli aralıklarla eğitmek gibi yinelenen görevleri elle müdahale etmeden otomatikleştirebilirsin.
Kaggle Hakkında Öğrenmeye Devam Et#
Kaggle hakkında daha fazla bilgi edinmek istersen sana yol gösterecek yararlı kaynaklar şunlardır:
- Kaggle Learn: Kaggle Learn'deki çeşitli ücretsiz ve etkileşimli eğitimleri keşfet. Bu kurslar, uygulamalı alıştırmalarla temel veri bilimi konularını ele alır.
- Kaggle'a Başlarken: Bu kılavuz, yarışmalara katılmaktan ilk not defterini oluşturmaya kadar Kaggle kullanımının temellerini adım adım anlatır.
- Kaggle Medium Sayfası: Kaggle'ın Medium sayfasındaki eğitimleri, güncellemeleri ve topluluk katkılarını incele.
- Kaggle Entegrasyonunu Kullanarak Ultralytics YOLO Modellerini Eğit: Bu blog yazısı, Kaggle'ın özellikle Ultralytics YOLO modelleri için nasıl kullanılacağını gösterir.
Özet#
Kaggle, YOLO26 projelerinde model eğitimi ve değerlendirmesi için GPU'lara ücretsiz erişim ve hızlı kurulum sağlayan önceden yüklenmiş kütüphaneler sunar. Ultralytics YOLO26 ve Kaggle birlikte, pahalı donanımlara ihtiyaç duymadan bilgisayarlı görü modelleri geliştirmeni, eğitmeni ve dağıtmanı sağlar.
Daha fazla bilgi için Kaggle belgelerini ziyaret et.
Sık Sorulan Sorular#
Ultralytics YOLO26'yı Kaggle'a yüklemek için:
- İnterneti Etkinleştir: Ayarlar paneline git ve İnternet seçeneğini AÇIK konuma getir.
- Paketi Yükle: Bir not defteri hücresinde
!pip install ultralyticskomutunu çalıştır. - Yüklemeyi Doğrula: Onaylamak için
import ultralytics; ultralytics.checks()komutunu çalıştır.
Bağımlılık çakışmalarıyla karşılaşırsan
!pip install --upgrade --force-reinstall ultralyticskomutunu dene veya yükleme sonrasında çekirdeği yeniden başlat. Ayrıntılı sorun giderme adımları için yukarıdaki Yükleme bölümüne bak.Kaggle'da YOLO26 modeli eğitmek kolaydır. Önce Kaggle'daki Ultralytics YOLO26 öğretici not defterini aç. Kaggle hesabında oturum aç ve hızlandırıcı ayarlarından bir GPU seç. Eğitime başlamak için not defterindeki hücreleri çalıştır. Daha ayrıntılı adımlar için YOLO26 Model Eğitimi kılavuzumuza göz at.
Kaggle, YOLO26 modellerini eğitmek için çeşitli avantajlar sunar:
- Ücretsiz GPU Erişimi: NVIDIA Tesla P100 veya T4 x2 gibi GPU'ları haftada 30 saate kadar kullan.
- Önceden Yüklenmiş Kütüphaneler: TensorFlow ve PyTorch gibi kütüphaneler önceden yüklenmiştir ve kurulumu kolaylaştırır.
- Topluluk İş Birliği: Geniş bir veri bilimci ve makine öğrenimi meraklısı topluluğuyla etkileşim kur.
- Sürüm Kontrolü: Not defterlerinin farklı sürümlerini yönet ve gerekirse önceki sürümlere dön.
Yaygın sorunlar şunlardır:
- GPU'lara Erişim: Not defteri ayarlarında GPU'yu etkinleştirdiğinden emin ol. Kaggle, haftada en fazla 30 saat GPU kullanımına izin verir.
- İnternet Etkin Değil: Paketleri yüklemeden önce Ayarlar panelinde interneti etkinleştirdiğinden emin ol.
- Bağımlılık Çakışmaları:
!pip install --upgrade --force-reinstall ultralyticskullan. - Veri Kümesi Lisansları: Kullanım kısıtlamalarını öğrenmek için her veri kümesinin lisansını kontrol et.
- Not Defterlerini Kaydetme ve Gönderme: Not defterinin durumunu kaydetmek ve çıktı dosyalarına Çıktı sekmesinden erişmek için "Sürümü Kaydet" seçeneğine tıkla.
- İş Birliği: Kaggle eş zamansız iş birliğini destekler; birden fazla kullanıcı aynı anda bir not defterini düzenleyemez.
Daha fazla sorun giderme ipucu için Yükleme bölümüne ve Sık Karşılaşılan Sorunlar kılavuzumuza bak.
Kaggle'ı Google Colab platformundan ayıran çeşitli özellikler vardır:
- Herkese Açık Not Defterleri: Geri bildirim ve iş birliği için çalışmalarını toplulukla paylaş.
- Kapsamlı Geçmiş: Not defteri kayıtlarının ayrıntılı geçmişiyle değişiklikleri zaman içinde takip et.
- Kaynak Kullanılabilirliği: Her not defteri oturumunda CPU ve GPU oturumları için 12 saatlik çalışma süresi dâhil olmak üzere önemli kaynaklar sunulur.
Önceki bir sürüme dönmek için:
- Not defterini aç ve sağ üst köşedeki üç dikey noktaya tıkla.
- "Sürümleri Görüntüle" seçeneğini belirle.
- Dönmek istediğin sürümü bul, yanındaki "..." menüsüne tıkla ve "Sürüme Geri Dön" seçeneğini belirle.
- Değişiklikleri göndermek için "Sürümü Kaydet" seçeneğine tıkla.
Yorumlar3
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.
md-jawad-117
Hello, I was using the GPU T4 x2 for training my custom RT-DETR model which is infact was twice as fast compared to P100 GPU with just one of them running.🚀🚀 While the second one was idle. Now when I tried to utilize both GPUs using device=[0, 1] & device=[-1, -1], i received an error which persisted as long as I did not restart the kernel. ⛓️💥⛓️💥
from ultralytics import RTDETR
model = RTDETR('/kaggle/working/rtdr.yaml').load('rtdetr-l.pt')
model.info()
results = model.train(data="/kaggle/working/data.yaml", epochs=30, imgsz=512, optimizer='AdamW', plots=True, batch=32, lr0=0.0001, device=[0,1])
md-jawad-117
Error Msg: Transferred 725/725 items from pretrained weights DDP: debug command /usr/bin/python3 -m torch.distributed.run --nproc_per_node 2 --master_port 52415 /root/.config/Ultralytics/DDP/_temp_xi8731gh140405119848080.py Traceback (most recent call last): File "/root/.config/Ultralytics/DDP/_temp_xi8731gh140405119848080.py", line 6, in from ultralytics.models.rtdetr.train import RTDETRTrainer ModuleNotFoundError: No module named 'ultralytics' Traceback (most recent call last): File "/root/.config/Ultralytics/DDP/_temp_xi8731gh140405119848080.py", line 6, in from ultralytics.models.rtdetr.train import RTDETRTrainer ModuleNotFoundError: No module named 'ultralytics' E0601 09:54:34.472000 132 torch/distributed/elastic/multiprocessing/api.py:869] failed (exitcode: 1) local_rank: 0 (pid: 134) of binary: /usr/bin/python3 Traceback (most recent call last): File "", line 198, in _run_module_as_main File "", line 88, in _run_code File "/usr/local/lib/python3.11/dist-packages/torch/distributed/run.py", line 922, in main() File "/usr/local/lib/python3.11/dist-packages/torch/distributed/elastic/multiprocessing/errors/init.py", line 355, in wrapper return f(*args, **kwargs) ^^^^^^^^^^^^^^^^^^ File "/usr/local/lib/python3.11/dist-packages/torch/distributed/run.py", line 918, in main run(args) File "/usr/local/lib/python3.11/dist-packages/torch/distributed/run.py", line 909, in run elastic_launch( File "/usr/local/lib/python3.11/dist-packages/torch/distributed/launcher/api.py", line 138, in call return launch_agent(self._config, self._entrypoint, list(args)) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "/usr/local/lib/python3.11/dist-packages/torch/distributed/launcher/api.py", line 269, in launch_agent raise ChildFailedError( torch.distributed.elastic.multiprocessing.errors.ChildFailedError:
/root/.config/Ultralytics/DDP/_temp_xi8731gh140405119848080.py FAILED
Failures: [1]: time : 2025-06-01_09:54:34 host : 9bca5bb85783 rank : 1 (local_rank: 1) exitcode : 1 (pid: 135) error_file: <N/A> traceback : To enable traceback see: https://pytorch.org/docs/stable/elastic/errors.html
Root Cause (first observed failure): [0]: time : 2025-06-01_09:54:34 host : 9bca5bb85783 rank : 0 (local_rank: 0) exitcode : 1 (pid: 134) error_file: <N/A> traceback : To enable traceback see: https://pytorch.org/docs/stable/elastic/errors.html
CalledProcessError Traceback (most recent call last) /tmp/ipykernel_35/2411087223.py in <cell line: 0>() ----> 1 results = model.train(data="/kaggle/working/data.yaml", epochs=30, imgsz=512, optimizer='AdamW', plots=True, batch=16, lr0=0.0001, device=[0,-1])
/kaggle/working/ultralytics/engine/model.py in train(self, trainer, **kwargs) 795 796 self.trainer.hub_session = self.session # attach optional HUB session --> 797 self.trainer.train() 798 # Update model and cfg after training 799 if RANK in {-1, 0}:
/kaggle/working/ultralytics/engine/trainer.py in train(self) 220 subprocess.run(cmd, check=True) 221 except Exception as e: --> 222 raise e 223 finally: 224 ddp_cleanup(self, str(file))
/kaggle/working/ultralytics/engine/trainer.py in train(self) 218 try: 219 LOGGER.info(f"{colorstr('DDP:')} debug command {' '.join(cmd)}") --> 220 subprocess.run(cmd, check=True) 221 except Exception as e: 222 raise e
/usr/lib/python3.11/subprocess.py in run(input, capture_output, timeout, check, *popenargs, **kwargs) 569 retcode = process.poll() 570 if check and retcode: --> 571 raise CalledProcessError(retcode, process.args, 572 output=stdout, stderr=stderr) 573 return CompletedProcess(process.args, retcode, stdout, stderr)
CalledProcessError: Command '['/usr/bin/python3', '-m', 'torch.distributed.run', '--nproc_per_node', '2', '--master_port', '52415', '/root/.config/Ultralytics/DDP/_temp_xi8731gh140405119848080.py']' returned non-zero exit status 1.
Glenn JocherUltralyticsThanks for sharing your multi-GPU training issue with RT-DETR on Kaggle! The error you're encountering is related to DDP (Distributed Data Parallel) not being able to find the Ultralytics module in the spawned processes.
This is a known issue on Kaggle when using multi-GPU training with DDP. The spawned processes don't inherit the current environment properly. Here are a few solutions to try:
- Install Ultralytics system-wide before training:
import subprocess subprocess.run(['pip', 'install', '-U', 'ultralytics'], check=True)- Use single GPU with larger batch size instead:
results = model.train(data="/kaggle/working/data.yaml", epochs=30, imgsz=512, optimizer='AdamW', plots=True, batch=64, lr0=0.0001, device=0)- Try using device='cpu' to verify your setup works, then switch back to single GPU.
Unfortunately, Kaggle's multi-GPU DDP setup can be unreliable due to environment isolation issues. Since you mentioned T4 x2 was already twice as fast as P100 with just one GPU active, you might get better results focusing on optimizing single-GPU training with larger batch sizes or mixed precision training.
Have you tried increasing the batch size on a single T4 GPU to maximize utilization?