Veri Kümeleri#

Ultralytics Platform veri kümeleri, eğitim verilerini yönetmek için kolaylaştırılmış bir çözüm sunar. Yüklemeden sonra platform; görüntüleri, etiketleri ve istatistikleri otomatik olarak işler.

İşleme tamamlandıktan sonra veri kümesi, train bölmesinde en az bir görüntü, val veya test bölmelerinden en az birinde en az bir görüntü ve en az bir etiketlenmiş görüntü içeriyorsa eğitime hazırdır. Üç koşulun tümü karşılandığında veri kümesi başlığında Ready rozeti, aksi durumda Not Ready rozeti gösterilir — hangi koşulun eksik olduğunu tam olarak görmek için rozete tıkla.

Ajanlarla Görsel Topla#

Seçilen bir aralıkta güven gibi bir model algılama koşulu karşılandığında bir veri setine görsel eklemek için Agents kullan. Koşulu bir Dataset bloğuna bağla ve düzenleyebileceğin bir hedef seç. Görseller train bölümüne etiketlenmemiş olarak gelir; mevcut kopyalar atlanır. Görselleri mevcut annotation editor ile incele ve etiketle.

Veri Kümesi Yükle#

Ultralytics Platform, esneklik sağlamak için birden fazla yükleme biçimini destekler.

Desteklenen Formatlar#

Video Codec Desteği#

Yalnızca dosya uzantısı yeterli değildir: codec'i işleme sırasında çözülemiyorsa video yine başarısız olabilir.

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

Veri Kümene Hazırlık#

Platform; Ultralytics YOLO, COCO, semantic PNG masks, depth datasets, 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

Etiketler sınıf kimliklerine başvuruyor ancak sınıf adları sağlanmıyorsa Platform, daha sonra Classes tab içinde yeniden adlandırabileceğin yoğun yer tutucu adlar (class0, class1, …) oluşturur.

Göreve özgü biçim ayrıntıları için supported tasks ve Datasets Overview sayfalarına bak.

Yükleme Süreci#

Veri kümesi oluşturmak için:

1. Kenar çubuğunda Annotate konumuna git
2. New Dataset seçeneğine tıkla
3. Bir veri kaynağı sekmesi seç (Data Sources bölümüne bak)
4. Bir ad ekle — URL slug'ı otomatik olarak oluşturulur ve düzenlenebilir — ayrıca isteğe bağlı bir açıklama ekle
5. Görev türünü (supported tasks bölümüne bak), isteğe bağlı bir lisansı (available licenses bölümüne bak) ve görünürlüğü (herkese açık veya özel) seç
6. Yerel dosyalar için Create & Upload, bir URL veya bağlı kaynak için Create & Import seçeneğine tıkla ya da boş başlamak için Create Dataset seçeneğine tıkla

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

Veri Kaynakları#

New Dataset iletişim kutusu dört kaynak sunar:

Yükleme Başlamadan Önce#

Platform, herhangi bir şeyi yüklemeden önce dosyalarını tarayıcıda doğrular; böylece yaygın sorunlar uzun bir aktarımın ardından değil, hemen ortaya çıkar. Arşivler bozulma, boş olma, parola koruması ve YAML sözdizimi hataları açısından kontrol edilir; boyutu aşan dosyalar da adlarıyla listelenir.

Ardından iki iletişim kutusu görüntülenebilir:

Yüklemeden sonra platform verilerini otomatik olarak işler:

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: Biçim ve boyut kontrolleri
2. Normalleştirme: Büyük görüntüler yeniden boyutlandırılır (maks. 4096px, minimum boyut 28px), gri tonlamalı görüntüler RGB'ye genişletilir, saydamlık beyaz üzerine düzleştirilir ve EXIF yönü uygulanır
3. Küçük Görüntüler: 256px WebP önizlemeleri oluşturulur
4. Etiket Ayrıştırma: YOLO, COCO ve NDJSON etiketleri çıkarılır
5. İstatistikler: Sınıf dağılımları ve görüntü boyutları hesaplanır

from ultralytics.data.utils import check_det_dataset

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

Görüntülere Göz Atma#

Veri kümenizin görüntülerini birden fazla düzende görüntüleyin.

Veri kümenizi etkileşimli bir 2D saçılım grafiği olarak keşfetmek için galeri araç çubuğundan Clustering panelini açın.

Sıralama ve Filtreleme#

Verimli gezinme için görüntüler sıralanabilir ve filtrelenebilir:

Tam Ekran Görüntüleyici#

Şunları içeren tam ekran görüntüleyiciyi açmak için herhangi bir görüntüye tıklayın:

• Gezinme: Gezinmek için ok tuşları veya küçük görüntü önizlemeleri
• Görüntü bilgileri: Platform tarafından oluşturulan özellikleri, özel meta verileri ve EXIF gibi dosyaya gömülü meta verileri inceleyin
• Özel meta veriler: Sahipler ve editörler, serileştirilmiş karakter sayısı 500.000'e, üst düzey anahtar uzunluğu 128 karaktere kadar olan iç içe değerler dahil bir JSON nesnesi ekleyebilir veya değiştirebilir
• Ek açıklamalar: Ek açıklama katmanının görünürlüğünü açıp kapatın
• Sınıf Dağılımı: Renk göstergeleriyle sınıf başına etiket sayıları
• Ek Açıklama Ekle: Düzenleme erişiminiz olduğunda, masaüstünde tam ekran görüntüleyici açılır açılmaz ek açıklama kontrolleri etkinleşir
• İndir: Özgün görüntü dosyasını indirin
• Sil: Görüntüyü veri kümesinden silin
• Yakınlaştırma: Yakınlaştırmak için Cmd/Ctrl+Scroll, Cmd/Ctrl++ veya Cmd/Ctrl+=; uzaklaştırmak için Cmd/Ctrl+- kullanın
• Görünümü sıfırla: Görüntüyü görüntüleyiciye sığdırmak için Cmd/Ctrl + 0 veya sıfırlama düğmesini kullanın
• Kaydırma: Yakınlaştırılmış tuvali kaydırmak için Space tuşunu basılı tutup sürükleyin
• Piksel görünümü: Yakından inceleme için pikselli oluşturmayı açıp kapatın
• Derinlik perdesi: Derinlik veri kümelerinde, sürüklenebilir bir ayırıcı RGB görüntüsü ile renklendirilmiş derinlik haritası arasında geçiş yapar

Alt Kümeye Göre Filtrele#

Görüntüleri veri kümesi alt kümelerine göre filtreleyin:

Kümeleme#

Clustering paneli, veri kümenizi görsel olarak benzer görüntülerin birbirine yakın konumlandığı etkileşimli bir 2D saçılım grafiğine yansıtır. Galeriden ayrılmadan kümeleri ortaya çıkarmak, yinelenen ve aykırı görüntüleri belirlemek ve alt kümelerin veya sınıfların verileriniz genelindeki dağılımını incelemek için kullanın. Herhangi bir veri kümesi sayfasında galeri araç çubuğundaki saçılım grafiği simgesinden açın.

Analizi Çalıştırma#

Bir analiz başlatın:

1. Bir veri kümesi açın ve galeri araç çubuğundaki saçılım grafiği simgesine tıklayın
2. Analyze Dataset seçeneğine tıkla
3. İlerleme çubuğunun tamamlanmasını bekleyin — sonuçlar aynı panelde görünür

Analiz arka planda Computing embeddings ve Clustering olmak üzere iki aşamada çalışır ve veri kümenizin boyutuna bağlı olarak birkaç dakika sürebilir. Paneli kapatabilir veya sayfadan ayrılıp daha sonra geri dönebilirsiniz.

Görselleştirme#

Analiz tamamlandığında panel, analiz edilen tüm görüntülerin lejant ve nokta sayacıyla birlikte 2D saçılım grafiğini gösterir. Galeri filtreleri (alt küme, sınıf, etiketli/etiketsiz), filtre dışındaki noktaları soluklaştırır; böylece ilgilendiğiniz alt kümeye odaklanabilirsiniz — sayaç artık visible / total points değerini gösterir.

Renklendirme Ölçütü#

Panel araç çubuğundaki Color by açılır menüsüyle veri noktalarının nasıl gölgelendirileceğini değiştir. Görünüm modları arasında istediğin zaman geçiş yap — grafik renkleri anında yeniden düzenlenir; böylece bölmelerin, sınıfların veya görüntü özelliklerinin kümelerine nasıl dağıldığını görebilirsin:

Lasso Seçimi#

Grafikteki noktaları vurgulamak için bir bölgenin çevresinde serbest biçimli bir seçim çiz. Galeri, eşleşen görüntülere göre filtrelenir; böylece bu görüntüleri her zamanki görüntü işlemleri ile inceleyebilir, yeniden etiketleyebilir, taşıyabilir veya silebilirsin.

Kaydırma ve Yakınlaştırma#

Büyük dağılım grafiklerinde doğrudan fare ve klavyenle veya grafiğin sol altındaki yakınlaştırma düğmeleriyle gezinebilirsin:

Yeniden Analiz Etme#

Analizden sonra veri kümen değişirse — yeni görüntüler eklenirse veya analiz edilen sayı artık veri kümesiyle eşleşmezse — sahipler ve düzenleyiciler için panelin üst kısmında bir Re-analyze düğmesi görünür.

Katıştırmaları ve 2B izdüşümü baştan yeniden hesaplamak için Re-analyze öğesine tıkla.

Benzer Resimleri Bul#

Aynı gömmeler, herkese açık veri kümelerinde benzerlik aramasına güç verir. Düzenleyebileceğin bir veri kümesinde, Grid veya Compact görünümünde bir resme sağ tıkla (Table görünümünde seçili tek bir satıra da sağ tıklayabilirsin) ve Find similar images seçeneğini seç. İletişim kutusu; veri kümenin halihazırda içerdiği resimleri ve diğer veri kümelerindeki seçilen resmin kopyalarını hariç tutarak, kaynak veri kümesi, lisansı ve benzerlik skoruyla birlikte en yakın herkese açık resimlerden 24 tanesini listeler. İstediklerini seç ve Add to dataset öğesine tıkla: bunlar etiketlenmemiş resimler olarak train bölünmesine eklenir, depolama alanından düşülür ve etiketleme için hazırdır.

Henüz analiz edilmemiş veya son analizden bu yana eklenmiş bir veri kümesinde, gömmesi olmayan bir resim Analyze this dataset in Clustering to find similar images gösterir. İletişim kutusu bağlı veri kümeleri üzerinde kullanılamaz. Bir modelin resim başına doğrulama tanılama işlemleri aynı aramayı en kötü performans gösteren resimlerinden çalıştırır.

Veri Kümesi Sekmeleri#

Her veri kümesi sayfasında, veri kümesinin durumuna ve izinlerine bağlı olarak en fazla altı sekme gösterilebilir:

Görüntüler Sekmesi#

Açıklama katmanlarıyla görüntü galerisini gösteren varsayılan görünüm. Izgara, kompakt ve tablo görünümü modlarını destekler. Daha fazla görüntü eklemek için dosyaları buraya sürükleyip bırak.

Sınıflar Sekmesi#

Bu sekme, veri kümesinde görüntüler ve görevin sınıfları olduğunda görünür.

Veri kümen için açıklama sınıflarını yönet:

• Sınıf histogramı: Açıklama sayısını sınıf başına gösteren, sıklığa göre sıralanmış ve doğrusal/logaritmik ölçek geçişi sunan çubuk grafik
• Sınıf tablosu: İndeks, ad, açıklama sayısı ve görüntü sayısını içeren, sıralanabilir ve aranabilir tablo
• Sınıf adlarını düzenleme: Yeniden adlandırmak için herhangi bir sınıf adına tıkla
• Sınıf renklerini düzenleme: Sınıf rengini değiştirmek için bir renk örneğine tıkla
• Yeni sınıf ekleme: Sınıf eklemek için alttaki girdi alanını kullan
• Sınıfları birleştirme: İki veya daha fazla satır seç ve Merge into one öğesine tıkla
• Sınıfları silme: Bir veya daha fazla satır seç ve Delete öğesine tıkla

Sınıfları Birleştirme#

Birleştirme, yinelenen veya çakışan etiketleri tek bir sınıfta toplar — örneğin car, automobile ve vehicle öğelerini tek bir sınıfta birleştirir:

1. Satır onay kutularını kullanarak iki veya daha fazla sınıf seç
2. Tablo başlığında Merge into one öğesine tıkla veya seçime sağ tıkla
3. Seçilen sınıflardan hangisinin diğerlerinin birleştirileceği hedef sınıf olacağını seç
4. Onayla

Kaynak sınıflara ait her açıklama hedef sınıfa yeniden atanır ve kaynak sınıflar kaldırılır. Hiçbir açıklama silinmez; bu nedenle veri kümesinin toplam açıklama sayısı değişmez.

Sınıfları Silme#

1. Satır onay kutularını kullanarak bir veya daha fazla sınıf seç
2. Tablo başlığında Delete öğesine tıkla veya seçime sağ tıkla
3. Onayla

Bir sınıfı silmek, sınıfı ve tüm açıklamalarını kaldırır. Sınıflandırma veri kümelerinde etiketler kaldırılır, ancak görüntüler kalır ve açıklamasız hâle gelir.

Grafikler Sekmesi#

Bu sekme, veri kümesinde görüntüler olduğunda görünür.

Veri kümen üzerinden otomatik olarak hesaplanan istatistikler:

Grafikler bu sırayla görünür ve veri kümesinde ilgili veri yoksa her biri atlanır — ham görüntü veri kümesinde açıklama grafikleri gösterilmez ve Points per Instance yalnızca segment ve poz verileri için görünür:

Modeller Sekmesi#

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

Hatalar Sekmesi#

Bu sekme yalnızca bir veya daha fazla dosya işlenemediğinde görünür.

İşlenemeyen görüntüler burada şu bilgilerle listelenir:

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

Sürümler Sekmesi#

Yeniden üretilebilir eğitim için veri kümenin değiştirilemez NDJSON anlık görüntülerini oluştur. Her sürüm, oluşturulduğu andaki görüntü sayılarını, sınıf sayılarını, açıklama sayılarını ve dosya boyutunu kaydeder.

Sürüm oluşturmak için:

1. Versions sekmesini aç
2. İsteğe bağlı olarak bir açıklama gir (ör. "500 eğitim görüntüsü eklendi" veya "Yanlış etiketlenmiş sınıflar düzeltildi")
3. New Version'a tıkla
4. Yeni sürüm tabloda görünür

Her sürüm sıralı olarak numaralandırılır (v1, v2, v3...) ve değiştirilemez; sürümler düzenlenemez veya kaldırılamaz, yalnızca açıklamaları değiştirilebilir. Herhangi bir sürümü istediğin zaman indirmek veya geri yüklemek için satır işlemlerini kullan.

Veri Kümesini Dışa Aktarma#

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

Dışa aktarmak için:

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

NDJSON biçimi her satırda bir JSON nesnesi depolar. İlk satır veri kümesi üst verilerini içerir, ardından her görüntü için bir satır gelir:

{"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 görüntü düzeyindeki metadata nesnesi, bir NDJSON dosyası Platform'a aktarıldığında korunur. Bu nesneyi görüntünün tam ekran bilgi panelinden inceleyebilir veya düzenleyebilirsin. Programatik arşiv yüklemeleri için Ingest Dataset Data API, eşdeğer imageMetadata yol haritasını kabul eder.

Pose veri kümelerinde ayrıca, önceden ayarlanmamışsa açıklamalardan çıkarılan kpt_shape alanı veri kümesi başlık satırında bulunur.

Derinlik dışa aktarımları, veri kümesi satırında "task": "depth" ve "depth_scale": 1000 alanlarını belirtir. Her görüntü satırı, eşleştirilmiş düz uint16 PNG dosyası için bir depth.url içerir. Ultralytics, görüntü ve derinlik URL'lerini eşzamanlı olarak indirir ve aynı ölçeğe sahip bir eğitim YAML dosyası yazar; böylece NDJSON dosyası doğrudan model.train(data=...) öğesine aktarılabilir.

Tam belirtim için Ultralytics NDJSON biçimi belgelerine bak.

Görüntü İşlemleri#

Hızlı İşlemler#

Hızlı işlemlere erişmek için Grid veya Compact görünümünde herhangi bir görüntüyü sağ tıkla:

Toplu Olarak Bölüme Taşı#

Seçili görüntüleri aynı veri kümesi içindeki farklı bir bölüme yeniden ata:

1. Tablo görünümüne geç
2. Onay kutularını kullanarak görüntüleri seç
3. Bağlam menüsünü açmak için sağ tıkla
4. Move to split > Eğitme, Doğrulama veya Test seçeneklerinden birini belirle

Görüntüleri ızgara görünümündeki bölüm filtresi sekmelerine sürükleyip bırakabilirsin. Bir görüntünün taşınması, hedef bölümde zaten bulunan aynı görüntüyle çakışmaya neden olacaksa Platform görüntüyü atlamayı, her ikisini de korumayı veya mevcut görüntüyü değiştirmeyi sorar.

Bölümlerin Yeniden Dağıtılması#

Özel oranlar kullanarak tüm görüntüleri eğitme, doğrulama ve test bölümlerine yeniden dağıt:

1. Bölüm dağılım çubuğuna tıklayarak Bölümleri Yeniden Dağıt iletişim kutusunu aç
2. Aşağıdaki yöntemlerden herhangi biriyle bölüm yüzdelerini ayarla
3. Dağılımı doğrulamak için canlı görüntü sayısı önizlemesini incele
4. Tüm görüntüleri yüzdelerine göre rastgele yeniden atamak için Uygula seçeneğine tıkla

İletişim kutusu hedef bölme oranlarını ayarlamak için üç yol sunar:

Canlı önizleme, uygulamadan önce her bölüme tam olarak kaç görüntünün yerleşeceğini gösterir.

Toplu Silme#

Birden fazla görüntüyü aynı anda sil:

1. Görüntüleri tablo görünümünde seç
2. Sağ tıkla ve Delete seçeneğini belirle veya Cmd/Ctrl+Delete tuşuna bas
3. Silmeyi onayla

Veri Kümesi URI'si#

Platform veri kümelerine ul:// URI biçimini kullanarak başvur (bkz. Platform Veri Kümelerini Kullanma):

ul://username/datasets/dataset-slug

Ayrıca bir veri kümesinin veya modelin web URL'sini doğrudan yapıştırabilirsin (ör. https://platform.ultralytics.com/username/datasets/dataset-slug); bu URL otomatik olarak ul:// URI'sine dönüştürülür. Veri kümelerinden oluşan bir liste aktarıldığında, bir temel model her bir veri kümesi üzerinde sırayla ince ayarlanır; örneğin model.train(data=["ul://username/datasets/a", "ul://username/datasets/b"]).

Herhangi bir yerden model 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

Kullanılabilir Lisanslar#

Platform, veri kümeleri için aşağıdaki lisansları destekler:

Görünürlük Ayarları#

Veri kümeni kimlerin görebileceğini kontrol et:

Görünürlük, bir veri kümesi oluşturulurken New Dataset iletişim kutusundaki açma-kapama düğmesi kullanılarak belirlenir. Genel veri kümeleri Explore sayfasında görünür.

Veri Kümesini Düzenleme#

Veri kümesi meta verileri, doğrudan veri kümesi sayfasında satır içinde düzenlenir — iletişim kutusu gerekmez:

• Ad: Düzenlemek için veri kümesinin adına tıkla. Değişiklikler odak kaybolduğunda veya Enter kullanıldığında otomatik olarak kaydedilir. Adlar 100 karakterle sınırlıdır.
• Açıklama: Düzenlemek için açıklamaya (veya "Açıklama ekle..." yer tutucusuna) tıkla. Değişiklikler otomatik olarak kaydedilir. Açıklamalar 1.000 karakterle sınırlıdır.
• Görev türü: Farklı bir görev türü seçmek için görev rozetine tıkla.
• Lisans: Veri kümesi lisansını değiştirmek için lisans seçicisine tıkla.
• Simge: Kendi görüntünü yüklemek, veri kümesinin kendi görüntülerinden birini simgeye dönüştürmek veya bir harf ve renk seçmek için veri kümesi simgesine tıkla.

Özel Meta Veriler#

İki bölümü incelemek için Diğer işlemler menüsünü aç ve Bilgiler seçeneğini belirle:

• Ultralytics Meta Verileri: Veri kümesi kimliği, sahibi, görevi, görüntü ve ek açıklama sayıları, depolama bölgesi ve zaman damgaları gibi salt okunur Platform ayrıntılarını görüntüle
• Özel Meta Veriler: Veri kaynağı, yakalama koşulları, müşteri kimlikleri, yönetişim veya diğer bağlamsal veriler için kendi JSON nesnen

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

Veri Kümesini Klonlama#

Sahibi olmadığın genel bir veri kümesini görüntülerken klonlama iletişim kutusunu açmak için Clone Dataset seçeneğine tıkla. Hedef çalışma alanını, adı, görünürlüğü ve lisansı incele, ardından klonlamayı onayla. Kopya; tüm görüntüleri, ek açıklamaları ve sınıf tanımlarını içerir. Genel kaynak veri kümeleri, varsayılan görünürlüğü genel olan çalışma alanlarında varsayılan olarak genel kalır; Enterprise çalışma alanı klonları varsayılan olarak özeldir. Özgün veri kümesinin copyleft lisansı varsa klon bu lisansı devralır ve lisans seçici kilitlenir.

Hedef slug zaten kullanılıyorsa otomatik olarak yeniden adlandırılır ve klonlama için kopyayı barındırmaya yetecek miktarda kullanılabilir depolama kotası gerekir.

Yıldız Verme ve Paylaşma#

• Yıldız: Bir veri kümesini yer işaretlerine eklemek için yıldız düğmesine tıkla. Yıldız sayısı tüm kullanıcılar tarafından görülebilir.
• Paylaş: Genel veri kümelerinde bağlantıyı kopyalamak, gömme kod parçacığını almak veya sosyal platformlarda paylaşmak için paylaş düğmesine tıkla.

Veri Kümesini Silme#

Artık ihtiyacın olmayan bir veri kümesini sil:

1. Veri kümesi başlığında Diğer işlemler menüsünü (… düğmesi) aç
2. Veri Kümesini Sil seçeneğini belirle
3. İletişim kutusunda şunu onayla: "Bu işlem [name] öğesini çöp kutusuna taşıyacak. 30 gün içinde geri yükleyebilirsin."

Aynı menüde, Özel Meta Veriler bölümünde açıklanan meta veri iletişim kutusunu açan Bilgiler ve veri kümesini sunucudan yeniden okuyan Yenile seçenekleri de bulunur.

Veri Kümesiyle Eğitim#

Eğitimi doğrudan veri kümen üzerinden başlat:

1. Veri kümesi sayfasında New Model seçeneğine tıkla
2. Bir proje seç veya yeni bir proje 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 Bulut Eğitimi bölümüne bak.

SSS#