Ultralytics Platform#
Ultralytics Platform, veri hazırlamadan model dağıtımına kadar tüm makine öğrenimi iş akışını kolaylaştıran kapsamlı, uçtan uca bir bilgisayarlı görü platformudur. Altyapı karmaşıklığı olmadan üretime hazır computer vision çözümlerine ihtiyaç duyan ekipler ve bireyler için tasarlanmıştır.

Ultralytics Platform nedir?#
Ultralytics Platform, veri seti yönetimi ve etiketleme, deney takibi, bulut ve uzaktan eğitim, model dışa aktarma, özel çıkarım uç noktaları ve dağıtım izlemeyi tek bir çalışma alanında birleştirir. YOLO26, YOLO11, YOLOv8 ve YOLOv5 modelleri için yerel desteğe sahiptir.
İş Akışı: Yükle → Etiketle → Eğit → Dışa Aktar → Dağıt#
Platform, uçtan uca bir iş akışı sağlar:
graph LR
subgraph Data["📁 Data"]
A[Upload]:::start --> B[Annotate]:::proc
B --> C[Analyze]:::proc
end
subgraph Train["🚀 Train"]
D[Configure]:::proc --> E[Train on GPU]:::proc
E --> F[View Metrics]:::out
end
subgraph Deploy["🌐 Deploy"]
G[Export]:::proc --> H[Deploy Endpoint]:::proc
H --> I[Monitor]:::out
end
Data --> Train --> Deploy
classDef start fill:#4CAF50,color:#fff
classDef proc fill:#2196F3,color:#fff
classDef out fill:#9C27B0,color:#fff| Aşama | Özellikler |
|---|---|
| Yükleme | Otomatik işlem özellikli görseller (50MB), videolar (1GB) ve veri seti dosyaları (.tar.gz/.tgz dahil ZIP, TAR, NDJSON) |
| Etiketle | Tüm 6 görev türü için manuel araçlar ve ayrıca nesne tespiti, segmentasyon, anlamsal segmentasyon ve OBB için SAM ve YOLO modellerini içeren Smart Annotation (bkz. supported tasks) |
| Eğit | Bulut GPU'lar (tüm planlarda 24 + sadece Pro/Enterprise planlarında 2: B200, B300), gerçek zamanlı ölçümler, proje organizasyonu |
| Dışa Aktar | 20 deployment formats (ONNX, TensorRT, CoreML, LiteRT, Hailo, Ascend vb.; bkz. supported formats) |
| Dağıt | Özel uç noktalarla 42 küresel bölge, varsayılan olarak sıfıra ölçeklenme (tek aktif örnek) ve izleme |
Yapabileceklerin:
- Eğitim veri setleri oluşturmak için görseller, videolar ve veri seti dosyaları Yükle
- Tüm 6 YOLO görev türü için interaktif katmanlarla etiketleri görselleştir (bkz. supported tasks)
- Modelleri bulut GPU'larda (tüm planlarda 24, B200 ve B300 için Pro veya Enterprise ile 26) gerçek zamanlı ölçümlerle eğit
- 20 deployment formats (ONNX, TensorRT, CoreML, LiteRT, Hailo, Ascend vb.) formatına aktar
- Dağıt tek tıkla özel uç noktalarla 42 küresel bölgeye
- Eğitim ilerlemesini, dağıtım sağlığını ve kullanım metriklerini İzle
- Projeleri ve veri setlerini topluluk için herkese açık hale getirerek İşbirliği yap
Çok Bölgeli Altyapı#
Verilerin kendi bölgende kalır. Ultralytics Platform, altyapısını üç küresel bölgede işletir:
| Bölge | Etiket | Konum | En İyi Kullanım |
|---|---|---|---|
| US | Amerika | Iowa, ABD | Amerika kullanıcıları, Amerika için en hızlısı |
| EU | Avrupa, Orta Doğu ve Afrika | Belçika, Avrupa | Avrupalı kullanıcılar, GDPR uyumluluğu |
| AP | Asya Pasifik | Tayvan, Asya-Pasifik | Asya-Pasifik kullanıcıları, en düşük APAC gecikme süresi |
Veri bölgeni ilk kurulum sırasında seçersin. Veri setleri, modeller ve yönetilen eğitim verileri bu bölgede kalır. Özel uç noktalar, küresel dağıtım haritasından seçtiğin bir bölgeye ayrı olarak dağıtılır.
Hesap oluşturduktan sonra veri bölgenizi kendiniz değiştiremezsiniz. Kayıt sırasında Platform, her bölgeye olan gecikmeyi ölçer ve en yakın olanı önerir. Daha sonra bir bölge değişikliği talep etmeniz gerekirse destek ekibiyle iletişime geçin. Bu, veri seti ve model içerikleri için geçerlidir; Privacy Policy ve Data Processing Agreement belgelerinde açıklandığı üzere profil, faturalandırma ve etkinlik kayıtları gibi hesap düzeyindeki veriler küresel olarak işlenir.
Temel Özellikler#
Veri Hazırlığı#
- Veri Seti Yönetimi: Otomatik işlem özellikli görseller, videolar veya veri seti dosyaları yükle
- Annotation Editor: Tüm 6 YOLO görev türü (detect, segment, semantic, classify, pose, OBB) için manuel etiketleme (bkz. supported tasks)
- İskelet Şablonları: Tek tıkla poz etiketleme için yerleşik (Kişi, El, Yüz, Köpek, Kutu) ve özel iskelet şablonları
- Smart Annotation: Detect, segment, semantic ve OBB görevleri için etiketleme araç çubuğundan SAM 2.1 (Tiny, Small, Base, Large), SAM 3, önceden eğitilmiş Ultralytics YOLO modellerini veya kendi ince ayar yapılmış YOLO modellerini kullan
- Veri Seti Sürümleme: Tekrarlanabilir eğitim için açıklamalı, numaralandırılmış NDJSON anlık görüntüleri oluştur
- İstatistikler: Sınıf dağılımı, konum ısı haritaları ve boyut analizi
graph LR
A[Upload Dataset/Images/Video]:::start --> B[Auto-Process]:::proc
B --> C[Browse & Filter]:::proc
C --> D{Annotate}:::decide
D --> E[Manual Tools]:::proc
D --> F[SAM Smart]:::proc
D --> G[YOLO Auto-Label]:::proc
E --> H[Train-Ready Dataset]:::out
F --> H
G --> H
classDef start fill:#4CAF50,color:#fff
classDef proc fill:#2196F3,color:#fff
classDef decide fill:#FF9800,color:#fff
classDef out fill:#9C27B0,color:#fffEtiketleme düzenleyicisi, tüm 6 YOLO görev türünü destekler: detect (sınırlayıcı kutular), segment (çokgenler), semantic (sınıf başına bölgeler), classify (görsel düzeyinde etiketler), pose (eklem noktaları) ve OBB (yönlendirilmiş kutular). Her görev türünün kendine ait etiketleme kontrolleri ve klavye kısayolları vardır.
Model Eğitimi#
- Cloud Training: Gerçek zamanlı metriklerle bulut GPU'larında eğitim yap (tüm planlarda 24, B200 ve B300 için Pro or Enterprise ile 26)
- Uzaktan Eğitim: İstediğin yerde eğit ve metrikleri Ultralytics Platform üzerine akış olarak aktar
- Proje Organizasyonu: İlgili modelleri grupla, deneyleri karşılaştır, aktiviteyi takip et
- 20 Dışa Aktarma Formatı: ONNX, TensorRT, CoreML, LiteRT, Hailo, Ascend ve daha fazlası (bkz. supported formats)
Modelleri ister web arayüzü üzerinden (bulut eğitimi) ister kendi makinenizden (uzaktan eğitim) eğitebilirsiniz:
- Projener git
New Modelöğesine tıkla- Veri setini, modeli, GPU'yu ve epoch sayısını seç
- Gerçek zamanlı kayıp eğrilerini ve metrikleri izle
Dağıtım#
- Çıkarım Testi: Modelleri tarayıcıda özel görsellerle doğrudan test et
- Özel Uç Noktalar: Varsayılan olarak sıfıra ölçeklenme (tek aktif örnek) ile 42 küresel bölgeye dağıt
- İzleme: Gerçek zamanlı metrikler, istek günlükleri ve performans panoları
graph LR
A[Trained Model]:::start --> B{Action}:::decide
B --> C[Browser Predict]:::proc
B --> D[Export Format]:::proc
B --> E[Deploy Endpoint]:::proc
D --> F[ONNX / TensorRT / CoreML / LiteRT / ...]:::out
E --> G[42 Global Regions]:::proc
G --> H[API Endpoint URL]:::proc
H --> I[Monitor & Scale]:::out
classDef start fill:#4CAF50,color:#fff
classDef proc fill:#2196F3,color:#fff
classDef decide fill:#FF9800,color:#fff
classDef out fill:#9C27B0,color:#fffDağıtıldıktan sonra, uç noktanı herhangi bir dilden çağır:
import requests
url = "https://your-endpoint-url/predict"
headers = {"Authorization": "Bearer YOUR_API_KEY"}
with open("image.jpg", "rb") as f:
response = requests.post(url, headers=headers, files={"file": f})
print(response.json())Hesap Yönetimi#
- Ekipler ve Kuruluşlar: Ekip üyeleriyle işbirliği yap, rolleri ve davetleri yönet
- API Anahtarları: Uzak eğitim ve API erişimi için güvenli anahtar yönetimi
- Krediler ve Faturalandırma: Şeffaf fiyatlandırma ile kullandıkça öde eğitimi
- Aktivite Akışı: Tüm hesap etkinliklerini ve işlemlerini takip et
- Çöp Kutusu ve Geri Yükleme: Öğe kurtarma ile 30 günlük yumuşak silme
- GDPR Uyumluluğu: Veri dışa aktarma ve hesap silme
Güncel sınırlar, GPU erişimi, iş birliği ve lisanslama için temel Free, Pro, and Enterprise comparison sayfasına göz atın.
Hızlı Bağlantılar#
Şu kaynaklarla başlaman yeterli:
- Quickstart: İlk projeni oluştur ve dakikalar içinde bir model eğit
- Datasets: Eğitim verilerini yükle ve yönet
- Annotation: Verilerini manuel ve yapay zeka destekli araçlarla etiketle
- Projects: Modellerini ve deneylerini organize et
- Cloud Training: Bulut GPU'larında eğit
- Inference: Modellerini test et
- Endpoints: Modelleri üretime dağıt
- Monitoring: Dağıtım performansını takip et
- API Keys: API erişimini yönet
- Billing: Krediler ve ödeme
- Activity: Hesap olaylarını takip et
- Trash: Silinen öğeleri kurtar
- REST API: API referansı
Sorun Giderme#
Veri Kümesi Sorunları#
| Sorun | Çözüm |
|---|---|
| Veri kümesi işlenmiyor | Dosya formatının desteklendiğini kontrol et (görüntüler için JPEG, PNG, WebP, TIFF, HEIC, AVIF, BMP, JP2, DNG, MPO). Maksimum dosya boyutu: görüntüler 50 MB, videolar 1 GB, veri kümesi arşivleri 10 GB (Ücretsiz) / 20 GB (Pro) / 50 GB (Enterprise) |
| Eksik etiketler | Etiketlerin, görsel dosya adlarıyla eşleşen .txt dosyalarıyla YOLO format olduğundan emin ol veya COCO JSON yükle |
| "Eğitim bölümü gerekli" | Veri seti yapına train/ klasörünü ekle veya split bar aracılığıyla bölümleri yeniden dağıt |
| Sınıf adları tanımsız | names: listesine sahip bir data.yaml dosyası ekle (bkz. YOLO format) veya Classes tab üzerinden sınıfları tanımla |
Eğitim Sorunları#
| Sorun | Çözüm |
|---|---|
| Eğitim başlamıyor | Ayarlar > Faturalandırma kısmındaki kredi bakiyeni kontrol et. Pozitif bakiye gereklidir |
| Bellek yetersiz hatası | Toplu iş boyutunu azalt, daha küçük bir model (n/s) kullan veya daha fazla VRAM'e sahip bir GPU seç |
| Zayıf metrikler | Veri kümesi kalitesini kontrol et, dönemleri (epoch) artır, veri artırmayı dene, sınıf dengesini doğrula |
| Eğitim yavaş | Daha hızlı bir GPU seç, görüntü boyutunu küçült, veri kümesinin darboğaz oluşturmadığından emin ol |
Dağıtım Sorunları#
| Sorun | Çözüm |
|---|---|
| Uç nokta yanıt vermiyor | Uç nokta durumunu kontrol et (Hazır vs Durduruldu). Soğuk başlatma 5-15 saniye sürebilir |
| 401 Yetkisiz | API anahtarının aktif olduğunu ve doğru şekilde kopyalandığını doğrula |
| Yavaş çıkarım | Model boyutunu kontrol et, TensorRT export seçeneğini değerlendir, daha yakın bir bölge seç |
| Dışa aktarma başarısız | Bazı formatlar belirli model mimarileri gerektirir. En geniş uyumluluk için ONNX dene |
Sıkça Sorulan Sorular#
Kayıttan sonra kullanıcı adımı değiştirebilir miyim?
Hayır, kullanıcı adları kalıcıdır ve değiştirilemez. Kayıt sırasında dikkatli seç.
Veri bölgemi değiştirebilir miyim?
Veri bölgen kayıt sırasında seçilir ve kendin değiştiremezsin. Bölgeleri değiştirmek için bir bölge değişikliği talebinde bulunmak üzere destek ekibiyle iletişime geç.
Nasıl daha fazla kredi alırım?
Settings > Billing bölümüne git ve Top Up öğesine tıkla. 5$ ile 1.000$ arasında kredi satın al. Satın alınan kredilerin süresi asla dolmaz.
Eğitim başarısız olursa ne olur?
Bulut bilişim başladıysa, geçen GPU süresi ücretlendirilir. GPU başlamadan önce gerçekleşen başarısızlıklar için bilişim kullanım ücreti alınmaz.
Eğittiğim modelimi indirebilir miyim?
Evet. .pt ağırlıkları için bir model sayfasındaki indirme simgesine tıkla veya tamamlanan dışa aktarılan formatlar için Export sekmesini aç.
Çalışmalarımı herkese nasıl açık paylaşırım?
Projeyi veya veri setini aç, üst navigasyon çubuğundaki Private rozetine tıkla ve Make Public seçeneğini onayla. Genel içerik Keşfet sayfasında görünür.
Dosya boyutu sınırları nelerdir?
Görüntüler: 50MB, Videolar: 1GB, veri kümeleri: Ücretsiz planda 10GB, Pro'da 20GB, Enterprise'da 50GB. Daha büyük dosyalar için birden fazla yüklemeye böl.
Silinen öğeler Çöp Kutusu'nda ne kadar süre tutulur?
30 gün. Bu süreden sonra öğeler kalıcı olarak silinir ve geri getirilemez.
Platform modellerini ticari olarak kullanabilir misin?
Ücretsiz ve Pro planlar AGPL lisansını kullanır. AGPL gereksinimleri olmaksızın ticari kullanım için Ultralytics Licensing sayfasına göz at.
SSS#
Ultralytics Platform ile başlamak için:
- Sign Up: platform.ultralytics.com adresinden bir hesap oluştur
- Bölge Seç: İşe alım sürecinde veri bölgeni (ABD, AB veya AP) seç
- Upload Dataset: Kenar çubuğundan
Annotateöğesini aç ve verilerini yükle - Model Eğit: Bir proje oluştur ve bulut GPU'larında eğitime başla
- Dağıt: Modelini test et ve özel bir uç noktaya dağıt
Ayrıntılı bir kılavuz için Quickstart sayfasına göz at.
Ultralytics Platform şunları sunar:
- Birleşik İş Akışı: Veri, eğitim ve dağıtım tek bir yerde
- Çok Bölgeli: ABD, AB veya AP bölgelerinde veri yerleşimi
- Kodsuz Eğitim: Kod yazmadan gelişmiş YOLO modellerini eğit
- Gerçek Zamanlı Metrikler: Eğitim sürecini yayınla ve dağıtımları izle
- 42 Dağıtım Bölgesi: Modelleri dünya genelinde kullanıcılarına yakın şekilde dağıt
- 7 Task Types: Nesne tespiti, örnek segmentasyonu, anlamsal segmentasyon, derinlik tahmini (şu an modeller ve tahmin; derinlik veri setleri yakında geliyor), sınıflandırma, poz ve OBB desteği (bkz. task docs)
- AI-Assisted Annotation: Veri hazırlığını hızlandırmak için SAM ve YOLO modelleriyle Smart annotation
Ultralytics Platform bulut eğitimi için birden fazla GPU türünü destekler:
GPU Nesil VRAM Maliyet/Saat En İyi Kullanım RTX 2000 Ada Ada 16 GB $0.24 Küçük veri kümeleri, test RTX A4500 Ampere 20 GB $0.25 Küçük-orta veri kümeleri RTX 4000 Ada Ada 20 GB $0.26 Orta ölçekli veri kümeleri RTX A5000 Ampere 24 GB $0.27 Orta ölçekli veri kümeleri L4 Ada 24 GB $0.39 Çıkarım için optimize edilmiş A40 Ampere 48 GB $0.44 Daha büyük yığın (batch) boyutları RTX 3090 Ampere 24 GB $0.46 Genel eğitim RTX A6000 Ampere 48 GB $0.49 Büyük modeller RTX PRO 4000 Blackwell 24 GB $0.57 Budget Blackwell RTX PRO 4500 Blackwell 32 GB $0.64 Harika fiyat/performans RTX 4090 Ada 24 GB $0.69 En iyi fiyat/performans RTX 6000 Ada Ada 48 GB $0.77 Büyük yığın eğitimleri L40S Ada 48 GB $0.86 Büyük yığın eğitimleri RTX PRO 5000 Blackwell 48 GB $0.96 Büyük yığın eğitimleri RTX 5090 Blackwell 32 GB $0.99 En son tüketici nesli L40 Ada 48 GB $0.99 Büyük modeller A100 PCIe Ampere 80 GB $1.39 Üretim odaklı eğitim A100 SXM Ampere 80 GB $1.49 Üretim odaklı eğitim RTX PRO 6000 Blackwell 96 GB $2.09 Önerilen varsayılan H100 PCIe Hopper 80 GB $2.89 Yüksek performanslı eğitim H100 NVL Hopper 94 GB $3.19 Maksimum performans H100 SXM Hopper 80 GB $3.29 En hızlı eğitim H200 NVL Hopper 143 GB $3.39 Maksimum bellek H200 SXM Hopper 141 GB $4.39 Maksimum performans B200 Blackwell 180 GB $5.89 Büyük modeller (Pro+) B300 Blackwell 288 GB $7.39 En büyük modeller (Pro+) Eksiksiz fiyatlandırma ve GPU seçenekleri için Cloud Training sayfasına göz at.
Modelleri kendi donanımında eğitebilir ve gerçek zamanlı metrikleri Ultralytics Platform üzerine akış olarak aktarabilirsin.
Paket Sürümü GereksinimiPlatform entegrasyonu ultralytics>=8.4.104 gerektirir. Daha düşük sürümler Platform ile ÇALIŞMAZ.
pip install "ultralytics>=8.4.104"# Set your API key export ULTRALYTICS_API_KEY="YOUR_API_KEY" # Train with project/name to stream metrics yolo train model=yolo26n.pt data=coco.yaml epochs=100 project=username/my-project name=exp1Uzaktan eğitim hakkında daha fazla detay için Cloud Training sayfasına göz at.
Platform, aşağıdakileri destekleyen tam özellikli bir etiketleme düzenleyici içerir:
- Manuel Araçlar: Sınırlayıcı kutular, çokgenler, iskelet şablonlu anahtar noktalar, yönelimli kutular, sınıflandırma
- İskelet Şablonları: Dahili (Kişi, El, Yüz, Köpek, Kutu) veya özel şablonları kullanarak tüm anahtar noktaları tek seferde yerleştir
- Smart Annotation: Tıklama tabanlı etiketleme için SAM 2.1 veya SAM 3 kullan ya da detect, segment, semantic ve OBB için araç çubuğundan önceden eğitilmiş Ultralytics YOLO modellerini ve kendi ince ayar yapılmış YOLO modellerini çalıştır
- Klavye Kısayolları: Kısayol tuşlarıyla verimli iş akışları
Kısayol Eylem VManuel (çizim) modu SAkıllı mod (SAM veya YOLO modeli) AOtomatik uygulamayı aç/kapat (Akıllı modda) 1-9Sınıfı numaraya göre seç DeleteSeçili açıklamayı sil Ctrl+ZGeri al Ctrl+YYinele EscapeKaydet / seçimi kaldır / çık Eksiksiz kılavuz için Annotation sayfasına göz at.
Platform, Ultralytics Export modu ile aynı 20 dağıtım formatını destekler. PyTorch kaynak formatıdır;
formatargümanına sahip her satır bir dışa aktarma hedefidir.Format formatArgümanıModel Meta veriler Argümanlar PyTorch - yolo26n.pt✅ - TorchScript torchscriptyolo26n.torchscript✅ imgsz,quantize,dynamic,nms,batch,deviceONNX onnxyolo26n.onnx✅ imgsz,quantize,dynamic,simplify,opset,nms,batch,data,fraction,deviceOpenVINO openvinoyolo26n_openvino_model/✅ imgsz,quantize,dynamic,nms,batch,data,fraction,deviceTensorRT engineyolo26n.engine✅ imgsz,quantize,dynamic,simplify,opset,workspace,nms,batch,data,fraction,deviceCoreML coremlyolo26n.mlpackage✅ imgsz,dynamic,quantize,nms,batch,deviceTF SavedModel saved_modelyolo26n_saved_model/✅ imgsz,keras,quantize,opset,nms,batch,data,fraction,deviceTF GraphDef pbyolo26n.pb❌ imgsz,opset,batch,deviceTF Edge TPU edgetpuyolo26n_edgetpu.tflite✅ imgsz,quantize,opset,data,fraction,devicePaddlePaddle paddleyolo26n_paddle_model/✅ imgsz,batch,deviceMNN mnnyolo26n.mnn✅ imgsz,batch,dynamic,quantize,simplify,opset,nms,deviceNCNN ncnnyolo26n_ncnn_model/✅ imgsz,quantize,batch,deviceIMX500 imxyolo26n_imx_model/✅ imgsz,quantize,data,fraction,nms,deviceRKNN rknnyolo26n_rknn_model/✅ imgsz,batch,name,quantize,simplify,opset,data,fraction,deviceExecuTorch executorchyolo26n_executorch_model/✅ imgsz,batch,deviceAxelera axelerayolo26n_axelera_model/✅ imgsz,batch,quantize,data,fraction,deviceDEEPX deepxyolo26n_deepx_model/✅ imgsz,quantize,simplify,opset,data,optimize,deviceQualcomm QNN qnnyolo26n_qnn.onnx✅ imgsz,batch,name,quantize,simplify,opset,data,fraction,deviceLiteRT litertyolo26n.tflite✅ imgsz,quantize,batch,data,fraction,deviceHailo hailoyolo26n_hailo_model/✅ imgsz,name,quantize,data,fraction,simplify,conf,iouHuawei Ascend ascendyolo26n_ascend_model/✅ imgsz,batch,name,quantize,opset,simplify,nmsFormatA özel seçenekler için Models Export, Export mode guide ve Integrations index sayfalarına göz at.