Ultralytics Platform Hızlı Başlangıç#

Ultralytics Platform, veri kümelerini yüklemek, önceden eğitilmiş ağırlıklardan yeni YOLO modelleri eğitmek, tamamlanan modelleri tarayıcıda test etmek ve özel çıkarım uç noktalarını yapılandırmak için yönlendirmeli bir iş akışı sunar.

Aşağıdaki etkileşimli diyagram, Ultralytics Platform iş akışının dört temel aşamasını gösterir. O bölüme ilişkin ayrıntılı talimatlara erişmek için herhangi bir aşamaya veya alt adıma tıkla.

graph LR
    A(Sign Up):::start --> B(Prepare Data):::proc --> C(Train):::proc --> D(Deploy):::out
    A -.- A1["<a href='#get-started'>Create account</a><br/><a href='#region-selection'>Select region</a>"]:::proc
    B -.- B1["<a href='#upload-your-first-dataset'>Upload dataset</a><br/><a href='#create-your-first-project'>Create Project</a>"]:::proc
    C -.- C1["<a href='#training-configuration'>Configure training</a><br/><a href='#monitor-training'>Monitor progress</a>"]:::proc
    D -.- D1["<a href='#test-your-model'>Test model</a><br/><a href='#deploy-to-production'>Deploy endpoint</a>"]:::proc

    click A "#get-started"
    click B "#upload-your-first-dataset"
    click C "#train-your-first-model"
    click D "#deploy-to-production"

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

Başla#

Ultralytics Platform, çeşitli kolay kayıt seçenekleri sunar. Google veya GitHub hesaplarını ya da e-posta adresini kullanarak kayıt olabilir ve giriş yapabilirsin.

Bölge Seçimi#

İlk kullanım kurulumu sırasında veri bölgenden birini seçmen istenir. Platform, her bölgeye olan gecikmeyi otomatik olarak ölçer ve en yakındaki bölgeyi önerir. Bu seçim, veri kümelerinin, modellerinin ve yönetilen eğitim verilerinin nerede saklanacağını belirler. Özel uç nokta bölgeleri, bir model dağıttığında ayrıca seçilir.

Ücretsiz Krediler#

Her yeni hesap, bulut GPU eğitimi için ücretsiz krediler alır:

Profilini Tamamla#

İlk kullanım kurulumu üç adımda ilerlemeni sağlar:

1. Profil - Görünen adını, benzersiz kullanıcı adını (kalıcıdır ve daha sonra değiştirilemez), kuruluşunu (isteğe bağlı) ve birincil kullanım alanını gir
2. Veri Bölgesi - Gecikmeyi gösteren görsel dünya haritası üzerinden US, EU veya AP'yi seç
3. Tamamla - Seçimlerini gözden geçir, isteğe bağlı olarak promosyon kodu uygula ve hoş geldin kredilerini almak için kaydı tamamla

Ana Sayfa Panosu#

Giriş yaptıktan sonra, çalışma alanı istatistiklerini içeren bir hoş geldin kartı, genel bakış videosu, veri kümelerine, projelere ve depolama alanına hızlı erişim ve son etkinlik akışı sunan Ultralytics Platform Ana sayfasına yönlendirilirsin.

Kenar Çubuğu Gezinmesi#

Kenar çubuğu, Platform'un tüm bölümlerine erişim sağlar:

Her içerik bölümü, geri kalanına bağlantıyla birlikte en son beş öğeni listeler. Bir öğenin üzerine geldiğinde, öğeyi Çöp Kutusu'na taşıyan bir silme işlemi görünür; Çöp Kutusu'na arama (Cmd+K) üzerinden veya platform.ultralytics.com/trash açılarak erişilir.

Hoş Geldin Kartı#

Hoş geldin kartı; profilini, plan rozetini (plan karşılaştırmasına bağlantı verir) ve çalışma alanı istatistiklerini genel hatlarıyla gösterir. Her istatistik, eşleşen çalışma alanı görünümüne bağlantı verir:

Hızlı İşlemler#

Pano, hoş geldin kartının altında üç kart gösterir:

• Veri Kümeleri: Yeni bir veri kümesi oluştur veya yüklemek için görüntüleri, videoları ya da veri kümesi dosyalarını sürükleyip bırak. Son veri kümelerini gösterir.
• Projeler: Yeni bir proje oluştur veya yüklemek için .pt model dosyalarını sürükleyip bırak. Son projelerini gösterir.
• Depolama: Plan sınırlarıyla birlikte depolama kullanımına (veri kümeleri, modeller, dışa aktarımlar) genel bakış.

Alttaki Son Etkinlik tablosunda en son veri kümelerin, projelerin ve dağıtımların durumları ve son güncelleme zamanları gösterilir.

Genel Arama#

Arama çubuğunu açmak için Cmd+K (Mac) veya Ctrl+K (Windows/Linux) tuşlarına bas. Sayfalar, projeler, veri kümeleri ve dağıtımlar arasında anında arama yap.

Yapay Zekâ Sohbet Asistanı#

Ultralytics Platform genelinde görevleri otomatikleştiren bir yapay zeka ajanıyla çalışmak için Ask AI öğesine tıkla. Görselleri etiketlemek, eğitim denemeleri çalıştırmak, sonuçları karşılaştırmak ve modelleri dışarı aktarmak veya dağıtmak için doğrudan veri setlerin ve modellerinle çalışır. Kendi kodlama ajanın için örnek istemler ve kurulum için AutoTrain with Ask AI konusuna göz at.

İlk Kullanım Turları#

Platform, farklı bölümleri keşfederken temel özellikleri tanıtan yönlendirmeli turlar içerir:

Turları Yeniden Başlatma#

Herhangi bir turu yeniden oynatmak için:

• Redo Tour düğmesi — Hesap menüsünü açmak için profil avatarına (kenar çubuğunun sol altı) tıkla, ardından Redo Tour seçeneğini belirle. Bu işlem tüm turları sıfırlar; böylece her bölümü bir sonraki ziyaretinde yeniden oynatılırlar.
• URL parametresi — Bir turu doğrudan yeniden başlatmak için tur kimliğiyle birlikte ?tour= ekle: Ana sayfada ?tour=nav, bir proje sayfasında ?tour=project veya bir veri kümesi sayfasında ?tour=dataset.

İlk Veri Kümeni Yükle#

Kenar çubuğunda Annotate öğesini aç ve yeni bir veri kümesi oluşturmak için + seçeneğine tıkla. Dosyaları doğrudan Ana sayfadaki Datasets kartına sürükleyip bırakarak da ekleyebilirsin.

Yeni Veri Kümesi iletişim kutusu dört kaynak sunar. Bu hızlı başlangıç kılavuzu Yükleme özelliğini kullanır; diğerleri Veri Kümeleri ve Entegrasyonlar bölümünde ele alınmıştır:

Yüklemeler birden çok formatı destekler (ayrıntıların tamamı Datasets bölümünde):

graph LR
    A[Drop Files]:::start --> B[Auto-Package ZIP]:::proc
    B --> C[Upload to Storage]:::proc
    C --> D[Process Data]:::proc
    D --> E[Resize & Thumbnail]:::proc
    E --> F[Parse Labels]:::proc
    F --> G[Compute Statistics]:::proc
    G --> H[Dataset Ready]:::out

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

Yüklemeden sonra platform verilerini otomatik olarak işler:

1. 4096px'ten büyük görüntüler yeniden boyutlandırılır (en-boy oranı korunur)
2. Hızlı tarama için 256px küçük resimler oluşturulur
3. YOLO, COCO ve Ultralytics NDJSON etiketleri ayrıştırılır ve doğrulanır
4. İstatistikler hesaplanır (sınıf dağılımı, ısı haritaları, boyutlar)

my-dataset.zip
├── data.yaml          # Class names and splits
├── train/
│   ├── images/
│   │   ├── img001.jpg
│   │   └── img002.jpg
│   └── labels/
│       ├── img001.txt
│       └── img002.txt
└── val/
    ├── images/
    └── labels/

Veri kümeleri ve detect, segment, pose, OBB ve classify için desteklenen formatlar hakkında daha fazla bilgi edin.

İlk Projeni Oluştur#

Projeler, ilgili modelleri ve denemeleri düzenlemene yardımcı olur. Kenar çubuğunda Train öğesini aç ve bir proje oluşturmak için + seçeneğine tıkla. Proje oluşturup ağırlıkları tek adımda içe aktarmak için .pt ağırlıklarını Ana sayfadaki Projects kartına da bırakabilirsin.

Bir ad ve isteğe bağlı bir açıklama gir. Projeler, model çalıştırmalarını ve içe aktarılan ya da klonlanan model ağırlıklarını düzenler ve tamamlanan eğitim sonuçlarını karşılaştırmak için grafikler sunar.

Projeler hakkında daha fazla bilgi edin.

İlk Modelini Eğit#

Projen içinde Train New Model iletişim kutusunu açmak için New Model öğesine tıkla. Bir veri kümesi sayfasından da başlayabilirsin; bu durumda veri kümesi sabitlenir ve bunun yerine hedef projeyi seçersin.

Eğitim Yapılandırması#

1. Base Model: Resmî Ultralytics ağırlıklarını veya kendi eğittiğin modellerden birini seç. Model görevi ile veri kümesi görevi eşleşmezse iletişim kutusu uyarı verir.
2. Dataset: En az bir eğitim görüntüsü, en az bir doğrulama veya test görüntüsü ve en az bir etiketlenmiş görüntü içeren hazır bir veri kümesi seç
3. Parameters: Epochs (varsayılan 100), Batch Size (boş bırakılırsa otomatik), Image Size (varsayılan 640) ve isteğe bağlı çalıştırma Name değerini ayarla. Diğer Ultralytics eğitim bağımsız değişkenlerini bir YAML düzenleyicisinde düzenlemek için Advanced Settings bölümünü genişlet.
4. Select GPU: Cloud Training sekmesinde bütçene ve model boyutuna göre işlem kaynağını seç. Varsayılan seçenek, her YOLO26 varyantını çalıştırabilen RTX PRO 6000'dır (96 GB Blackwell, 2,09 $/saat). Listenin tamamı ve katman kısıtlamaları için GPU fiyatlandırma tablosuna veya Cloud Training GPU adımına bak.
5. Start Training: Tahmini maliyeti ve süreyi kredi bakiyenin yanında incele, ardından Start Training öğesine tıkla.

Eğitimi İzle#

Eğitim başladıktan sonra ilerlemeyi üç alt sekme üzerinden gerçek zamanlı izlemek için modelin Train sekmesini aç:

Metrikler SSE (Server-Sent Events) aracılığıyla gerçek zamanlı olarak akıtılır. Doğrulama yapay nesneleri (artefaktları) oluştuğunda, Grafikler alt sekmesi Eğitim ve Doğrulama görünümleri olarak ikiye ayrılır; karmaşıklık matrisi, PR eğrileri ve F1 eğrileri Doğrulama altında yer alır.

Cloud eğitimi hakkında daha fazla bilgi edin.

Modelini Test Et#

Eğitim tamamlandıktan sonra modelini doğrudan tarayıcıda test et:

1. Modelinin Predict sekmesine git
2. Bir görüntü yükle, sürükleyip bırak, web kamerandan bir görüntü yakala veya örnek bir görüntüye tıkla (bırakıldığında otomatik çıkarım yapılır)
3. Göreve uygun tahmin katmanlarını, aşama başına süreleri (ön işleme, çıkarım, son işleme, ağ) ve ham JSON yanıtını görüntüle

Çıkarım parametrelerini ayarla:

API Docs altında Predict sekmesi, yukarıda seçtiğin parametrelerle önceden doldurulmuş Python, JavaScript ve cURL örnek kodlarını gösterir. Önce modeli dağıt, ardından yer tutucu URL'yi ve anahtarı uç noktanın değerleriyle değiştir:

import requests

url = "https://your-deployment-url.run.app/predict"
api_key = "YOUR_API_KEY"
args = {"conf": 0.25, "iou": 0.7, "imgsz": 640}

with open("image.jpg", "rb") as f:
    response = requests.post(
        url,
        headers={"Authorization": f"Bearer {api_key}"},
        data=args,
        files={"file": f},
    )

print(response.json())

Çıkarım hakkında daha fazla bilgi edin.

Üretime Dağıt#

Modelini üretimde kullanmak üzere özel bir uç noktaya dağıt:

1. Modelinin Deploy sekmesine git
2. Platform, 42 bölgenin tamamındaki gecikmeyi ölçer ve bunları yeşilden kırmızıya bir renk geçişiyle dünya haritasında gösterir (düşük gecikme daha yeşil, yüksek gecikme daha kırmızıdır)
3. Haritanın altındaki Region Latency tablosunda — konumundan itibaren gecikmeye göre sıralanmıştır — istediğin bölgeyi bul. İstediğin zaman yeniden ölçmek için Rescan seçeneğini kullan.
4. Uç noktanı oluşturmak için o satırdaki Deploy öğesine tıkla

graph LR
    A[Select Region]:::start --> B[Deploy]:::proc
    B --> C[Provisioning]:::proc
    C --> D[Running]:::out
    D --> E{Lifecycle}:::decide
    E --> F[Stop]:::error
    E --> G[Delete]:::error
    F --> H[Resume]:::proc
    H --> D

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,color:#fff
    classDef error fill:#F44336,color:#fff

Sağlama tamamlandığında uç noktan şunları sağlar:

• Benzersiz URL: API çağrıları için HTTPS uç noktası
• Sıfıra ölçekleme davranışı: Boşta olan uç noktalar sıfıra ölçeklenir (dağıtımlar şu anda tek bir etkin örnek çalıştırır)
• İzleme: İstek ölçümleri ve günlükler

Dağıtımdan sonra tüm uç noktalarını kenar çubuğundaki Deploy bölümünden yönetebilirsin. Dağıtımlar panosu etkin dağıtımlarını gösteren küresel bir harita, 24 saatlik ölçümler (toplam istekler, etkin dağıtımlar, hata oranı ve P95 gecikmesi) ve her uç noktanın listesini gösterir.

Uç noktalar hakkında daha fazla bilgi edin.

Uzaktan Eğitim (İsteğe Bağlı)#

Kendi donanımında eğitim yapmayı tercih ediyorsan API anahtarını kullanarak istediğin yerde eğitim yapabilir ve metrikleri Ultralytics Platform'a aktarabilirsin.

En hızlı yol, eğitim iletişim kutusundaki Yerel Eğitim sekmesini kullanmaktır: seçtiğin model, veri kümesi ve parametreler için tüm komutu oluşturur ve bir API anahtarı ekler (henüz yoksa bir tane oluşturur). Komutu kopyalayıp terminalinde çalıştır.

Komutu kendin oluşturmak için:

1. Settings > API Keys bölümünde bir API anahtarı oluştur
2. Ortam değişkenini ayarla ve project için username/project değerini kullanarak eğitim yap:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

yolo train model=yolo26n.pt data=coco.yaml epochs=100 project=username/my-project name=exp1

API anahtarları, veri kümesi URI'ları ve uzaktan eğitim hakkında daha fazla bilgi edin.

Geri Bildirim ve Yardım#

Kenar çubuğu alt bilgisindeki Yardım sayfasında dokümantasyon bağlantıları, videolu anlatımlar ve topluluk kaynakları yer alır; ayrıca uygulama içi bir geri bildirim formu bulunur. Deneyimini 1 ila 5 yıldız arasında değerlendirebilir, bir geri bildirim türü (Hata, Özellik veya Genel) seçebilir ve ekran görüntüsü ekleyebilirsin.

Daha fazla yardıma ihtiyacın varsa:

• AI Sohbeti: Anında yardım almak için herhangi bir sayfadaki yüzen sohbet bileşenine tıkla
• Dokümantasyon: veri kümeleri, etiketleme, eğitim, dağıtım ve faturalandırma hakkındaki ayrıntılı kılavuzlar için bu dokümanlara göz at
• Discord: Tartışmalara katılmak için Discord topluluğumuza katıl
• GitHub: Sorunları GitHub üzerinden bildir
• REST API ve Python SDK: API referansına göz at, ultralytics-platform istemcisini yükle veya tüm Platform özelliklerine programatik erişim için etkileşimli API dokümanlarını dene

SSS#