YOLO Vision 2026:

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 Dataset Screenshot

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
AşamaÖzellikler
YüklemeOtomatik işlem özellikli görseller (50MB), videolar (1GB) ve veri seti dosyaları (.tar.gz/.tgz dahil ZIP, TAR, NDJSON)
EtiketleTüm 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)
EğitBulut GPU'lar (tüm planlarda 24 + sadece Pro/Enterprise planlarında 2: B200, B300), gerçek zamanlı ölçümler, proje organizasyonu
Dışa Aktar20 deployment formats (ONNX, TensorRT, CoreML, LiteRT, Hailo, Ascend vb.; bkz. supported formats)
DağıtÖzel 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:

BölgeEtiketKonumEn İyi Kullanım
USAmerikaIowa, ABDAmerika kullanıcıları, Amerika için en hızlısı
EUAvrupa, Orta Doğu ve AfrikaBelçika, AvrupaAvrupalı kullanıcılar, GDPR uyumluluğu
APAsya PasifikTayvan, Asya-PasifikAsya-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.

Bölge Kalıcıdır

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:#fff
Desteklenen Görev Türleri

Etiketleme 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)

Ultralytics Platform Project Screenshot Modelleri ister web arayüzü üzerinden (bulut eğitimi) ister kendi makinenizden (uzaktan eğitim) eğitebilirsiniz:

  1. Projener git
  2. New Model öğesine tıkla
  3. Veri setini, modeli, GPU'yu ve epoch sayısını seç
  4. 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:#fff

Dağıtıldıktan 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
Plan Seviyeleri

Güncel sınırlar, GPU erişimi, iş birliği ve lisanslama için temel Free, Pro, and Enterprise comparison sayfasına göz atın.

Hızlı Bağlantılar#

Şu kaynaklarla başlaman yeterli:

Sorun Giderme#

Veri Kümesi Sorunları#

SorunÇözüm
Veri kümesi işlenmiyorDosya 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 etiketlerEtiketlerin, 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 tanımsıznames: listesine sahip bir data.yaml dosyası ekle (bkz. YOLO format) veya Classes tab üzerinden sınıfları tanımla

Eğitim Sorunları#

SorunÇözüm
Eğitim başlamıyorAyarlar > Faturalandırma kısmındaki kredi bakiyeni kontrol et. Pozitif bakiye gereklidir
Bellek yetersiz hatasıToplu iş boyutunu azalt, daha küçük bir model (n/s) kullan veya daha fazla VRAM'e sahip bir GPU seç
Zayıf metriklerVeri kümesi kalitesini kontrol et, dönemleri (epoch) artır, veri artırmayı dene, sınıf dengesini doğrula
Eğitim yavaşDaha hızlı bir GPU seç, görüntü boyutunu küçült, veri kümesinin darboğaz oluşturmadığından emin ol

Dağıtım Sorunları#

SorunÇözüm
Uç nokta yanıt vermiyorUç nokta durumunu kontrol et (Hazır vs Durduruldu). Soğuk başlatma 5-15 saniye sürebilir
401 YetkisizAPI anahtarının aktif olduğunu ve doğru şekilde kopyalandığını doğrula
Yavaş çıkarımModel boyutunu kontrol et, TensorRT export seçeneğini değerlendir, daha yakın bir bölge seç
Dışa aktarma başarısızBazı 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:

    1. Sign Up: platform.ultralytics.com adresinden bir hesap oluştur
    2. Bölge Seç: İşe alım sürecinde veri bölgeni (ABD, AB veya AP) seç
    3. Upload Dataset: Kenar çubuğundan Annotate öğesini aç ve verilerini yükle
    4. Model Eğit: Bir proje oluştur ve bulut GPU'larında eğitime başla
    5. 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:

    GPUNesilVRAMMaliyet/SaatEn İyi Kullanım
    RTX 2000 AdaAda16 GB$0.24Küçük veri kümeleri, test
    RTX A4500Ampere20 GB$0.25Küçük-orta veri kümeleri
    RTX 4000 AdaAda20 GB$0.26Orta ölçekli veri kümeleri
    RTX A5000Ampere24 GB$0.27Orta ölçekli veri kümeleri
    L4Ada24 GB$0.39Çıkarım için optimize edilmiş
    A40Ampere48 GB$0.44Daha büyük yığın (batch) boyutları
    RTX 3090Ampere24 GB$0.46Genel eğitim
    RTX A6000Ampere48 GB$0.49Büyük modeller
    RTX PRO 4000Blackwell24 GB$0.57Budget Blackwell
    RTX PRO 4500Blackwell32 GB$0.64Harika fiyat/performans
    RTX 4090Ada24 GB$0.69En iyi fiyat/performans
    RTX 6000 AdaAda48 GB$0.77Büyük yığın eğitimleri
    L40SAda48 GB$0.86Büyük yığın eğitimleri
    RTX PRO 5000Blackwell48 GB$0.96Büyük yığın eğitimleri
    RTX 5090Blackwell32 GB$0.99En son tüketici nesli
    L40Ada48 GB$0.99Büyük modeller
    A100 PCIeAmpere80 GB$1.39Üretim odaklı eğitim
    A100 SXMAmpere80 GB$1.49Üretim odaklı eğitim
    RTX PRO 6000Blackwell96 GB$2.09Önerilen varsayılan
    H100 PCIeHopper80 GB$2.89Yüksek performanslı eğitim
    H100 NVLHopper94 GB$3.19Maksimum performans
    H100 SXMHopper80 GB$3.29En hızlı eğitim
    H200 NVLHopper143 GB$3.39Maksimum bellek
    H200 SXMHopper141 GB$4.39Maksimum performans
    B200Blackwell180 GB$5.89Büyük modeller (Pro+)
    B300Blackwell288 GB$7.39En 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 Gereksinimi

    Platform 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=exp1

    Uzaktan 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
    KısayolEylem
    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; format argümanına sahip her satır bir dışa aktarma hedefidir.

    Formatformat ArgümanıModelMeta verilerArgümanlar
    PyTorch-yolo26n.pt-
    TorchScripttorchscriptyolo26n.torchscriptimgsz, quantize, dynamic, nms, batch, device
    ONNXonnxyolo26n.onnximgsz, quantize, dynamic, simplify, opset, nms, batch, data, fraction, device
    OpenVINOopenvinoyolo26n_openvino_model/imgsz, quantize, dynamic, nms, batch, data, fraction, device
    TensorRTengineyolo26n.engineimgsz, quantize, dynamic, simplify, opset, workspace, nms, batch, data, fraction, device
    CoreMLcoremlyolo26n.mlpackageimgsz, dynamic, quantize, nms, batch, device
    TF SavedModelsaved_modelyolo26n_saved_model/imgsz, keras, quantize, opset, nms, batch, data, fraction, device
    TF GraphDefpbyolo26n.pbimgsz, opset, batch, device
    TF Edge TPUedgetpuyolo26n_edgetpu.tfliteimgsz, quantize, opset, data, fraction, device
    PaddlePaddlepaddleyolo26n_paddle_model/imgsz, batch, device
    MNNmnnyolo26n.mnnimgsz, batch, dynamic, quantize, simplify, opset, nms, device
    NCNNncnnyolo26n_ncnn_model/imgsz, quantize, batch, device
    IMX500imxyolo26n_imx_model/imgsz, quantize, data, fraction, nms, device
    RKNNrknnyolo26n_rknn_model/imgsz, batch, name, quantize, simplify, opset, data, fraction, device
    ExecuTorchexecutorchyolo26n_executorch_model/imgsz, batch, device
    Axeleraaxelerayolo26n_axelera_model/imgsz, batch, quantize, data, fraction, device
    DEEPXdeepxyolo26n_deepx_model/imgsz, quantize, simplify, opset, data, optimize, device
    Qualcomm QNNqnnyolo26n_qnn.onnximgsz, batch, name, quantize, simplify, opset, data, fraction, device
    LiteRTlitertyolo26n.tfliteimgsz, quantize, batch, data, fraction, device
    Hailohailoyolo26n_hailo_model/imgsz, name, quantize, data, fraction, simplify, conf, iou
    Huawei Ascendascendyolo26n_ascend_model/imgsz, batch, name, quantize, opset, simplify, nms

    FormatA özel seçenekler için Models Export, Export mode guide ve Integrations index sayfalarına göz at.

Yorumlar