Veri Kümeleri#

Ultralytics Platform veri kümeleri, eğitim verilerini yönetmek için akıcı bir çözüm sunar. Yükleme sonrasında platform; görüntüleri, etiketleri ve istatistikleri otomatik olarak işler. Bir veri kümesi, işleme tamamlandığında, train bölümünde en az bir görüntüye, val veya test bölümünden birinde en az bir görüntüye, etiketlenmiş en az bir görüntüye ve toplamda en az iki görüntüye sahip olduğunda eğitilmeye hazır hale gelir.

Veri Seti Yükle#

Ultralytics Platform, esneklik sağlamak adına birden fazla yükleme formatını kabul eder.

Desteklenen Formatlar#

Video Kodek Desteği#

Yalnızca dosya uzantısı yeterli değildir: Kodeği Platform veri alım çalışanı tarafından çözülemediği takdirde bir video yine de başarısız olabilir.

ffmpeg -i input.mov \
  -c:v libx264 -pix_fmt yuv420p \
  -c:a aac -movflags +faststart \
  output.mp4

Veri Setini Hazırlama#

Platform; Ultralytics YOLO, COCO, Ultralytics NDJSON ve ham (etiketlenmemiş) yüklemeleri destekler:

my-dataset/
├── images/
│   ├── train/
│   │   ├── img001.jpg
│   │   └── img002.jpg
│   └── val/
│       ├── img003.jpg
│       └── img004.jpg
├── labels/
│   ├── train/
│   │   ├── img001.txt
│   │   └── img002.txt
│   └── val/
│       ├── img003.txt
│       └── img004.txt
└── data.yaml

# data.yaml
path: .
train: images/train
val: images/val

names:
    0: person
    1: car
    2: dog

Göreve özel format detayları için bkz. supported tasks ve Datasets Overview.

Yükleme Süreci#

Bir veri kümesi oluşturmak için:

1. Kenar çubuğunda Annotate öğesine git
2. New Dataset öğesine tıkla
3. Görev türünü seç (bkz. supported tasks)
4. Bir isim ve isteğe bağlı açıklama ekle
5. Görünürlüğü (herkese açık veya gizli) ve isteğe bağlı lisansı ayarla (bkz. available licenses)
6. Dosyaları ekle ve Create & Upload öğesine tıkla veya boş bir veri kümesiyle başlamak için Create Dataset öğesine tıkla

Mevcut bir veri kümesine dosya eklemek için veri kümesi sayfasını aç ve dosyaları galeriye sürükle veya sayfa başlığındaki yükleme simgesine tıkla. Veri kümesi görevi zaten tanımlı olduğu için yükleme simgesi tarayıcının yerel dosya seçicisini doğrudan açar.

Yüklemeden sonra platform, verilerini çok aşamalı bir işlem hattından geçirir:

graph LR
    A[Upload]:::start --> B[Validate]:::proc
    B --> C[Normalize]:::proc
    C --> D[Thumbnail]:::proc
    D --> E[Parse Labels]:::proc
    E --> F[Statistics]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

1. Doğrulama: Format ve boyut kontrolleri
2. Normalleştirme: Büyük görseller yeniden boyutlandırılır (maksimum 4096 piksel, minimum boyut 28 piksel)
3. Küçük Resimler: 256 piksel WebP önizlemeleri oluşturulur
4. Label Parsing: YOLO ve COCO formatı etiketleri çıkarıldı
5. İstatistikler: Sınıf dağılımları ve görsel boyutları hesaplanır

from ultralytics.data.utils import check_det_dataset

check_det_dataset("path/to/data.yaml")

Görsellere Göz At#

Veri seti görsellerini birden fazla düzende görüntüle.

Veri kümeni interaktif bir 2D saçılım grafiği olarak incelemek için galeri araç çubuğundan Clustering panelini aç.

Sıralama ve Filtreleme#

Görseller verimli tarama için sıralanabilir ve filtrelenebilir:

Tam Ekran Görüntüleyici#

Tam ekran görüntüleyiciyi şunlarla açmak için herhangi bir resme tıkla:

• Gezinme: Göz atmak için ok tuşları veya küçük resim önizlemeleri
• Görüntü bilgisi: Platform tarafından oluşturulan özellikleri, özel meta verileri ve EXIF gibi gömülü dosya meta verilerini incele
• Özel meta veriler: Sahipler ve düzenleyiciler, 500.000'e kadar serileştirilmiş karakter içeren yuvalanmış değerler ve 128 karaktere kadar üst düzey anahtarlar dahil olmak üzere bir JSON nesnesi ekleyebilir veya değiştirebilir
• Açıklamalar: Açıklama katmanı görünürlüğünü aç/kapat
• Sınıf Dağılımı: Renk göstergeleriyle sınıf bazlı etiket sayıları
• Annotate: Düzenleme erişiminiz olduğunda, masaüstünde tam ekran görüntüleyici açıldığında açıklama kontrolleri hemen etkinleşir
• İndir: Orijinal resim dosyasını indir
• Sil: Resmi veri kümesinden sil
• Zoom: Yakınlaştırmak için Cmd/Ctrl+Scroll, Cmd/Ctrl++ veya Cmd/Ctrl+=, uzaklaştırmak için Cmd/Ctrl+-
• Reset view: Görüntüyü görüntüleyiciye sığdırmak için Cmd/Ctrl + 0 veya sıfırlama düğmesi
• Pan: Yakınlaştırılmış durumdayken tuvali kaydırmak için Space tuşunu basılı tut ve sürükle
• Piksel görünümü: Yakın inceleme için pikselli işlemeyi aç/kapat

Bölüme Göre Filtrele#

Resimleri veri kümesi bölümlerine göre filtrele:

Kümeleme#

Clustering paneli, görsel olarak benzer görüntülerin birbirine yakın durduğu interaktif bir 2D saçılım grafiğine veri kümeni yansıtır. Galeriden ayrılmadan kümeleri ortaya çıkarmak, kopyaları ve uç değerleri tespit etmek ve bölümlerin veya sınıfların verilerine nasıl dağıldığını incelemek için bunu kullan. Herhangi bir veri kümesi sayfasındaki galeri araç çubuğunda bulunan saçılım grafiği simgesinden aç.

Analizi Çalıştırma#

Bir analiz başlat:

1. Bir veri kümesi aç ve galeri araç çubuğundaki dağılım grafiği simgesine tıkla
2. Analyze Dataset öğesine tıkla
3. İlerleme çubuğunun bitmesini bekle — sonuçlar aynı panelde görünecektir

Analiz arka planda çalışır ve veri kümenin boyutuna bağlı olarak birkaç dakika sürebilir. Paneli kapatabilir veya sayfadan ayrılıp daha sonra geri gelebilirsin.

Görselleştirme#

Analiz tamamlandığında, panel analiz edilen tüm resimlerin 2D dağılımını gösterir. Galeri filtreleri (bölüm, sınıf, etiketli/etiketsiz), ilgilendiğin alt kümeye odaklanabilmen için filtre dışındaki noktaları karartır.

Renklendir#

Panel araç çubuğundaki Color by açılır menüsü ile veri noktalarının nasıl renklendirileceğini değiştir. İstediğin zaman görünüm modlarını değiştir — grafik anında yeniden renklendirilir, böylece bölümlerin, sınıfların veya görüntü özelliklerinin kümelerine nasıl dağıldığını görebilirsin:

Kement Seçimi#

Grafik üzerindeki noktaları vurgulamak için bir bölgenin etrafında serbest biçimli bir seçim çiz. Galeri, eşleşen görüntülere daraltılır, böylece olağan image operations kullanarak bunları inceleyebilir, yeniden etiketleyebilir, taşıyabilir veya silebilirsin.

Kaydır ve Yakınlaştır#

Büyük dağılımlarda doğrudan faren ve klavyenle gezin:

Yeniden Analiz#

Veri kümen analizden sonra değişirse, panelin üst kısmında sahipler ve editörler için bir Re-analyze düğmesi görünür.

Gömüleri ve 2D projeksiyonu sıfırdan yeniden hesaplamak için Re-analyze öğesine tıkla.

Veri Kümesi Sekmeleri#

Her veri kümesi sayfası, veri kümesi durumuna ve izinlerine bağlı olarak altı sekmeye kadar gösterebilir:

Resimler Sekmesi#

Açıklama katmanları içeren resim galerisini gösteren varsayılan görünümdür. Izgara, kompakt ve tablo görünüm modlarını destekler. Daha fazla resim eklemek için dosyaları buraya sürükleyip bırakabilirsin.

Sınıflar Sekmesi#

Bu sekme, veri kümesinde resim olduğunda görünür.

Veri kümen için açıklama sınıflarını yönet:

• Sınıf histogramı: Doğrusal/logaritmik ölçek geçişli, sınıf başına açıklama sayısını gösteren çubuk grafik
• Sınıf tablosu: Sınıf adı, etiket sayısı ve görsel sayısı ile sıralanabilir, aranabilir tablo
• Sınıf adlarını düzenle: Satır içi yeniden adlandırmak için herhangi bir sınıf adına tıkla
• Sınıf renklerini düzenle: Sınıf rengini değiştirmek için bir renk örneğine tıkla
• Yeni sınıf ekle: Sınıfları eklemek için alttaki giriş alanını kullan

Grafikler Sekmesi#

Bu sekme, veri kümesinde resim olduğunda görünür.

Veri kümenizden otomatik olarak hesaplanan istatistikler:

Modeller Sekmesi#

Bu veri kümesi üzerinde eğitilmiş tüm modelleri aranabilir bir tabloda görüntüle:

Hatalar Sekmesi#

Bu sekme yalnızca bir veya daha fazla dosya işlenemediğinde görünür.

İşlenemeyen görseller şunlarla birlikte listelenir:

• Hata başlığı: Başarısız görsellerin toplam sayısı ve yönlendirme
• Hata tablosu: Dosya adı, kullanıcı dostu hata açıklaması, düzeltme ipuçları ve önizleme küçük resmi
• Yaygın hatalar arasında bozuk dosyalar, desteklenmeyen biçimler, çok küçük görseller (min 28px) ve desteklenmeyen renk modları bulunur

Sürümler Sekmesi#

Tekrarlanabilir eğitim için veri kümenizin değiştirilemez NDJSON anlık görüntülerini oluştur. Her sürüm, oluşturulduğu andaki görsel sayılarını, sınıf sayılarını, açıklama sayılarını ve dosya boyutunu kaydeder.

Sürüm oluşturmak için:

1. Sürümler sekmesini aç
2. İsteğe bağlı olarak bir açıklama gir (örneğin "500 eğitim görseli eklendi" veya "hatalı etiketli sınıflar düzeltildi")
3. + New Version düğmesine tıkla
4. Yeni sürüm tabloda görünür
5. Sürümü indirmek, geri yüklemek veya silmek için satır işlemlerini kullanın

Her sürüm ardışık olarak numaralandırılır (v1, v2, v3...). Kaydedilmiş bir sürümü, sürümler tablosunda kaldığı sürece indirebilirsiniz.

Veri Kümesini Dışa Aktar#

Veri kümesi başlığından veya Sürümler sekmesinden bir NDJSON indirerek veri kümeni çevrimdışı kullanım için dışa aktar.

Dışa aktarmak için:

1. Veri kümesi başlığındaki Download (indirme simgesi) düğmesine tıkla
2. Güncel NDJSON anlık görüntüsünü doğrudan indir
3. Daha sonra tekrar indirebileceğin, numaralandırılmış ve değiştirilemez bir anlık görüntü istediğinde Versions sekmesini kullan

NDJSON formatı her satırda bir JSON nesnesi depolar. İlk satır veri kümesi meta verilerini içerir, bunu her görüntü başına bir satır takip eder:

{"type": "dataset", "task": "detect", "name": "my-dataset", "description": "...", "bytes": 12345678, "url": "https://platform.ultralytics.com/...", "class_names": {"0": "person", "1": "car"}, "version": 1, "created_at": "2026-01-15T10:00:00Z", "updated_at": "2026-02-20T14:30:00Z"}
{"type": "image", "file": "img001.jpg", "url": "https://...", "width": 640, "height": 480, "split": "train", "metadata": {"location": {"site": "factory-1"}, "reviewed": true}, "annotations": {"boxes": [[0, 0.5, 0.5, 0.2, 0.3]]}}
{"type": "image", "file": "img002.jpg", "url": "https://...", "width": 1280, "height": 720, "split": "val"}

İsteğe bağlı resim düzeyindeki metadata nesnesi, bir NDJSON dosyası Platform'a aktarıldığında korunur. Resmi tam ekran bilgi panelinden inceleyebilir veya düzenleyebilirsin. Programatik arşiv yüklemeleri için Dataset Ingest API, eşdeğer imageMetadata yol haritasını kabul eder.

Tam şartname için Ultralytics NDJSON format documentation sayfasına bak.

Görsel İşlemleri#

Hızlı Eylemler#

Hızlı işlemlere erişmek için Grid veya Compact görünümündeki herhangi bir görsele sağ tıkla:

Toplu Bölüme Taşı (Bulk Move to Split)#

Seçili görselleri aynı veri kümesi içinde farklı bir bölüme yeniden ata:

1. Table görünümüne geç
2. Onay kutularını kullanarak görselleri seç
3. Bağlam menüsünü açmak için sağ tıkla
4. Move to split > Train, Validation veya Test seçeneğini seç

Görselleri ayrıca grid görünümündeki bölüm filtresi sekmelerine sürükleyip bırakabilirsin.

Bölüm Yeniden Dağıtımı (Split Redistribution)#

Tüm görselleri özel oranlar kullanarak train, validation ve test bölümleri arasında yeniden dağıt:

1. Redistribute Splits iletişim kutusunu açmak için veri kümesi araç çubuğundaki split bar öğesine tıkla
2. Bölüm yüzdelerini aşağıdaki yöntemlerden herhangi birini kullanarak ayarla
3. Dağılımı doğrulamak için canlı görsel sayısı önizlemesini incele
4. Tüm görselleri belirlediğin yüzdelere göre rastgele yeniden atamak için Apply düğmesine tıkla

Bu diyalog, hedef bölme oranlarını belirlemenin üç yolunu sunar:

Canlı önizleme, uygulamadan önce her bölüme tam olarak kaç görselin düşeceğini gösterir.

Toplu Silme#

Birden fazla görseli aynı anda sil:

1. Table görünümünde görselleri seç
2. Sağ tıkla ve Delete seçeneğini seç
3. Silme işlemini onayla

Veri Kümesi URI'si#

ul:// URI formatını kullanarak Platform veri kümelerine referans ver (bkz. Using Platform Datasets):

ul://username/datasets/dataset-slug

Ayrıca bir veri kümesi veya model web URL'sini doğrudan yapıştırabilirsin (örn. https://platform.ultralytics.com/username/datasets/dataset-slug); bu URL otomatik olarak ul:// URI formatına dönüştürülür. Bir veri kümesi listesi geçirmek, bir taban modeli her biri üzerinde sırayla ince ayardan geçirir, örneğin model.train(data=["ul://username/datasets/a", "ul://username/datasets/b"]).

Modelleri her yerden eğitmek için bu URI'yi kullan:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"
yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100

Mevcut Lisanslar#

Platform, veri kümeleri için aşağıdaki lisansları destekler:

Görünürlük Ayarları#

Veri kümeni kimlerin görebileceğini kontrol et:

Görünürlük, New Dataset diyalog penceresinde bir anahtar düğmesi kullanılarak bir veri kümesi oluşturulurken ayarlanır. Herkese açık veri kümeleri Explore sayfasında görünür.

Veri Kümesini Düzenle#

Veri kümesi meta verileri, veri kümesi sayfasında doğrudan satır içi olarak düzenlenir — iletişim kutusuna gerek yoktur:

• Name: Düzenlemek için veri kümesi adına tıkla. Değişiklikler odak kaybında veya Enter ile otomatik olarak kaydedilir.
• Description: Düzenlemek için açıklamaya (veya "Add a description..." yer tutucusuna) tıkla. Değişiklikler otomatik kaydedilir.
• Task type: Farklı bir görev tipi seçmek için görev rozetine tıkla.
• License: Veri kümesi lisansını değiştirmek için lisans seçiciye tıkla.

Özel Meta Veriler#

Diğer eylemler öğesini aç ve iki bölümü incelemek için Bilgi seçeneğini seç:

• Ultralytics Meta Verileri: Veri kümesi kimliği, sahibi, görevi, görsel ve açıklama sayıları, depolama bölgesi ve zaman damgaları gibi salt okunur Platform detayları
• Özel Meta Veriler: Köken, çekim koşulları, müşteri kimlikleri, yönetim veya diğer bağlamsal veriler için kendi JSON nesnenin

Çalışma alanı izleyicileri meta verileri inceleyebilir, düzenleme erişimine sahip üyeler ise özel meta veri nesnesini değiştirebilir. Serileştirilmiş meta veri nesnesi 500.000 karakterle sınırlıdır ve her üst düzey anahtar 128 karakterle sınırlıdır. Özel meta verileri temizlemek için boş bir nesne ({}) kaydet.

Veri Kümesini Kopyala#

Sahibi olmadığın herkese açık bir veri kümesini görüntülerken klonlama diyalogunu açmak için Clone Dataset öğesine tıkla. Hedef çalışma alanını, adı, görünürlüğü ve lisansı gözden geçir, ardından klonlamayı onayla. Kopya; tüm görüntüleri, açıklamaları ve sınıf tanımlarını içerir. Herkese açık kaynak veri kümeleri, varsayılan görünürlüğü herkese açık olan çalışma alanlarında varsayılan olarak herkese açık kalır; Kurumsal çalışma alanı kopyaları varsayılan olarak gizlidir. Orijinal veri kümesinin bir copyleft lisansı varsa, kopya bunu devralır ve lisans seçici kilitlenir.

Yıldızla ve Paylaş#

• Yıldızla: Bir veri kümesini yer imlerine eklemek için yıldız düğmesine tıkla. Yıldız sayısı tüm kullanıcılar tarafından görülebilir.
• Paylaş: Herkese açık veri kümeleri için, bir bağlantıyı kopyalamak veya sosyal platformlarda paylaşmak üzere paylaş düğmesine tıkla.

Veri Kümesini Sil#

Artık ihtiyaç duymadığın bir veri kümesini sil:

1. Veri kümesi başlığındaki Delete dataset çöp kutusu simgesine tıklayın
2. İletişim kutusunda onayla: "Bu işlem [name] öğesini çöpe taşıyacaktır. 30 gün içinde geri yükleyebilirsin."

Veri Kümesi Üzerinde Eğit#

Doğrudan veri kümen üzerinden eğitime başla:

1. Veri kümesi sayfasında New Model öğesine tıkla
2. Bir proje seç veya yeni bir tane oluştur
3. Eğitim parametrelerini yapılandır
4. Eğitimi başlat

graph LR
    A[Dataset]:::start --> B[New Model]:::proc
    B --> C[Select Project]:::proc
    C --> D[Configure]:::proc
    D --> E[Start Training]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

Ayrıntılar için Cloud Training sayfasına bak.

SSS#

Yüklemeden sonra verilerime ne oluyor?#

Verilerin işlenir ve seçtiğin bölgede (ABD, AB veya AP) saklanır. Görüntüler:

1. Biçim ve boyut için doğrulanır
2. Minimum boyut 28 pikselin altındaysa reddedilir
3. 4096 pikselden büyükse normalleştirilir (en-boy oranı korunur; optimize edilmiş depolama için kodlanır)
4. XXH3-128 hashing ile İçerik Adreslenebilir Depolama (CAS) kullanılarak saklanır
5. Hızlı tarama için 256px WebP formatında küçük resimler oluşturulur

Depolama nasıl çalışır?#

Ultralytics Platform, verimli depolama için Content-Addressable Storage (CAS) (İçerik Adreslenebilir Depolama) kullanır:

• Tekilleştirme (Deduplication): Aynı veri bölgesindeki özdeş görsel baytları, aynı alttaki nesneyi yeniden kullanır
• Bütünlük: XXH3-128 hashing, veri bütünlüğünü sağlar
• Verimlilik: Klonlar, görsel baytlarını kopyalamak yerine CAS nesnelerini yeniden kullanır, ancak yine de hedef çalışma alanının depolama kotasına dahil edilir
• Bölgesel: Veriler seçtiğin bölgede (ABD, AB veya AP) kalır

Mevcut bir veri kümesine görüntü ekleyebilir miyim?#

Evet. Dosyaları veri kümesi galerisine sürükleyin veya tarayıcınızın yerel dosya seçicisini doğrudan açan sayfa başlığındaki yükleme simgesine tıklayın. İşlem tamamlandıktan sonra yeni istatistikler otomatik olarak hesaplanır.

Görüntüleri bölümler arasında nasıl taşırım?#

Toplu bölüme taşıma özelliğini kullan:

1. Table görünümünde görselleri seç
2. Sağ tıkla ve Move to split seçeneğini seç
3. Hedef bölümü seç (Eğitim, Doğrulama veya Test)

Hangi etiket formatları destekleniyor?#

Ultralytics Platform, YOLO etiketlerini, COCO JSON, Ultralytics NDJSON ve ham görüntü yüklemelerini destekler:

Aynı veri kümesini birden fazla görev türü için etiketleyebilir miyim?#

Evet. Her görsel, 6 görev türünün (detect, segment, semantic, classify, pose, OBB) tümü için ek açıklamaları birlikte saklar. Mevcut ek açıklamaları kaybetmeden veri kümesinin etkin görev türünü istediğin zaman değiştirebilirsin. Düzenleyicide yalnızca etkin görev türüyle eşleşen ek açıklamalar gösterilir ve bunlar dışarı aktarımlara ile eğitime dahil edilir; diğer görevlere ait ek açıklamalar korunur ve tekrar geri geçiş yaptığında yeniden görünür.