Ultralytics Platform Hızlı Başlangıç#

Ultralytics Platform, veri kümelerini yüklemek, önceden eğitilmiş ağırlıklardan yeni YOLO modelleri eğitmek, tamamlanmış 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 ait 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

Başlayın#

Ultralytics Platform, kaydolmak için çeşitli kolay seçenekler sunar. Google veya GitHub hesabınla ya da e-posta adresinle kaydolup giriş yapabilirsin.

Bölge Seçimi#

Başlangıç kurulumu sırasında veri bölgeni seçmen istenir. Platform, her bölgeye olan gecikmeyi otomatik olarak ölçer ve sana en yakın bölgeyi önerir. Bu seçim, veri kümelerinin, modellerinin ve yönetilen eğitim verilerinin nerede saklanacağını belirler. Özel uç nokta bölgeleri, model dağıtırken ayrıca seçilir.

Ücretsiz Krediler#

Her yeni hesap, bulutta GPU eğitimi için ücretsiz kredi alır:

Profilini Tamamla#

Başlangıç akışı sana üç adımda yol gösterir:

1. Profil - Görünen adını, benzersiz kullanıcı adını (kalıcıdır ve daha sonra değiştirilemez), kuruluşunu (isteğe bağlı) ve birincil kullanım amacını gir
2. Veri Bölgesi - Gecikme süresini gösteren görsel dünya haritasıyla ABD, AB veya AP'yi seç
3. Tamamla - Seçimlerini gözden geçir, istersen bir promosyon kodu uygula ve hoş geldin kredilerini almak için kaydı tamamla

Ana Sayfa Kontrol Paneli#

Oturum açtıktan sonra, çalışma alanı istatistiklerini içeren bir karşılama kartı, genel bakış videosu, veri kümelerine, projelere ve depolama alanına hızlı erişim ile son etkinlik akışını sunan Ultralytics Platform Ana sayfasına yönlendirilirsin.

Kenar Çubuğu Gezintisi#

Kenar çubuğu, Platformun tüm bölümlerine erişmeni sağlar:

Her içerik bölümü en son beş öğeni ve geri kalan öğelere giden bir bağlantıyı listeler. Bir öğenin üzerine geldiğinde, onu Çöp Kutusu'na taşıyan silme işlemi görünür; dağıtımlar bunun dışındadır ve onaydan sonra kalıcı olarak silinir. Çöp Kutusu'na aramadan (Cmd+K) veya platform.ultralytics.com/trash'yi açarak ulaşabilirsin.

Karşılama Kartı#

Karşılama kartında profilin, plan rozeti (plan karşılaştırmasına bağlantı verir) ve çalışma alanı istatistiklerin bir bakışta gösterilir. Her istatistik, çalışma alanındaki ilgili görünüme bağlantı verir:

Hızlı İşlemler#

Karşılama kartının altında kontrol panelinde üç kart gösterilir:

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

En alttaki Son Etkinlik tablosunda son veri kümelerin, projelerin ve dağıtımların durumlarıyla son güncelleme zamanları gösterilir.

Genel Arama#

Arama çubuğunu açmak için Cmd+K (Mac) veya Ctrl+K (Windows/Linux) tuşlarına bas. Sayfaları, projeleri, veri kümelerini ve dağıtımları anında ara.

Yapay Zekâ Sohbet Asistanı#

Ultralytics Platform genelindeki görevleri otomatikleştiren bir yapay zekâ agent'ıyla çalışmak için Ask AI'a tıkla. Agent, görsellere açıklama eklemek, eğitim deneyleri yürütmek, sonuçları karşılaştırmak ve modelleri dışa aktarmak veya dağıtmak için doğrudan veri kümelerin ve modellerinle çalışır. Kendi kodlama agent'ını kurmaya yönelik örnek istemler ve kurulum bilgileri için Ask AI ile Otomatik Eğitim sayfasına bak.

Başlangıç Turları#

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

Turları Yeniden Başlat#

Herhangi bir turu yeniden başlatmak için:

• Turu Yeniden Başlat düğmesi — Hesap menüsünü açmak için profil avatarına (kenar çubuğunun sol alt köşesinde) tıkla, ardından Turu Yeniden Başlat'ı seç. Bu işlem tüm turları sıfırlar; turlar, her bölümü bir sonraki ziyaretinde yeniden oynatılır.
• URL parametresi — Bir turu doğrudan yeniden başlatmak için tur kimliğini içeren ?tour= ifadesini ekle: Ana Sayfa'da ?tour=nav, proje sayfasında ?tour=project veya veri kümesi sayfasında ?tour=dataset.

İlk Veri Kümeni Yükle#

Kenar çubuğunda Annotate öğesini aç ve yeni bir veri kümesi oluşturmak için + öğesine tıkla. Dosyaları doğrudan Ana Sayfa kontrol panelindeki Veri Kümeleri kartına sürükleyip bırakabilirsin.

Yeni Veri Kümesi iletişim kutusu dört kaynak sunar. Bu hızlı başlangıç kılavuzunda Yükle seçeneğini kullanacağız; diğer seçenekler Veri Kümeleri ve Entegrasyonlar bölümlerinde ele alınır:

Yüklemeler birden fazla biçimi destekler (ayrıntıların tamamı için Veri Kümeleri bölümüne bak):

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. 4096 pikselden büyük görüntüler yeniden boyutlandırılır (en-boy oranı korunur; TIFF orijinalleri yüklendikleri hâliyle saklanır)
2. Hızlı göz atma için 256 piksellik küçük resimler oluşturulur
3. YOLO, COCO, LabelMe ve Ultralytics ya da Labelbox 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 biçimler hakkında daha fazla bilgi edin.

İlk Projeni Oluştur#

Projeler, ilişkili modelleri ve deneyleri düzenlemene yardımcı olur. Kenar çubuğunda Train bölümünü aç ve bir proje oluşturmak için + öğesine tıkla. Ayrıca proje oluşturup ağırlıkları tek adımda içe aktarmak için .pt ağırlıklarını Ana Sayfa panosundaki Projeler kartına bırakabilirsin.

Bir ad ve isteğe bağlı bir açıklama gir. Projeler; model çalıştırmalarını, içe aktarılan veya klonlanan model ağırlıklarını ve tamamlanan eğitim sonuçlarını karşılaştırmaya yönelik grafikleri düzenler.

Projeler hakkında daha fazla bilgi edin.

İlk Modelini Eğit#

Projenin içinden Yeni Model Eğit 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. Temel Model: Resmî Ultralytics ağırlıklarını veya kendi eğittiğin modellerden birini seç. Model görevi ile veri kümesi görevi eşleşmezse iletişim kutusu uyarı verir.
2. Veri Kümesi: En az bir eğitim görüntüsü, en az bir doğrulama veya test görüntüsü ve etiketlenmiş en az bir görüntü içeren hazır bir veri kümesi seç
3. Parametreler: Epoch sayısını (varsayılan 100), Batch Size değerini (boş bırakılırsa otomatik), Image Size değerini (varsayılan 640) ve isteğe bağlı çalıştırma Name değerini ayarla. YAML düzenleyicisinde diğer Ultralytics eğitim bağımsız değişkenlerini düzenlemek için Gelişmiş Ayarlar bölümünü genişlet.
4. GPU Seç: Bulut Eğitimi sekmesinde bütçene ve model boyutuna göre işlem kaynağını seç. Varsayılan seçenek, tüm YOLO26 varyantlarını çalıştırabilen RTX PRO 6000'dir (96 GB Blackwell, 2,09 $/saat). Listenin tamamı ve plan kısıtlamaları için GPU fiyatlandırma tablosuna veya Bulut Eğitimi GPU adımına bak.
5. Eğitimi Başlat: Tahmini maliyeti ve süreyi kredi bakiyenin yanında gözden geçir, ardından Start Training öğesine tıkla.

Eğitimi İzle#

Eğitim başladığında, ilerlemeyi üç alt sekme üzerinden gerçek zamanlı izlemek için modelin Train sekmesini aç:

Ölçümler SSE (Sunucu Tarafından Gönderilen Olaylar) aracılığıyla gerçek zamanlı olarak aktarılır. Doğrulama çıktıları oluşturulduğunda Grafikler alt sekmesi Eğitim ve Doğrulama görünümlerine ayrılır; karmaşıklık matrisi, PR eğrileri ve F1 eğrileri Doğrulama görünümünde yer alır.

Bulut 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 kameranla 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 Belgeleri altındaki 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 için özel bir uç noktaya dağıt:

1. Modelinin Deploy sekmesine git
2. Platform, 42 bölgenin tamamındaki gecikme süresini ölçer ve bunları dünya haritasında yeşilden kırmızıya uzanan bir renk geçişiyle gösterir (düşük gecikme daha yeşil, yüksek gecikme daha kırmızıdır)
3. Haritanın altındaki Bölge Gecikmesi tablosunda, bulunduğun konuma göre sıralanan bölgeler arasından istediğini bul. İstediğin zaman yeniden ölçüm yapmak için Rescan öğesini 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: Boştaki varsayılan boyutlu uç noktalar sıfıra ölçeklenir; özel boyutlar etkin kalır ve saatlik çalışma süresi üzerinden ücretlendirilir (dağıtımlar şu anda tek bir etkin örnek çalıştırır)
• İzleme: İstek ölçümleri ve günlükler

Dağıtımdan sonra, profilindeki Dağıtımlar sekmesinden tüm uç noktalarını yönetebilirsin; bu sekmeye kenar çubuğundaki Deployments bölümünden ulaşabilirsin. Sekmede etkin dağıtımlarını gösteren genel bir harita, 24 saatlik ölçümler (etkin dağıtımlar, toplam istek, hata oranı ve P95 gecikme süresi) ve tüm uç noktaların listesi bulunur.

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 ölçümleri Ultralytics Platform'a aktarabilirsin.

En hızlı yöntem, eğitim iletişim kutusundaki Yerel Eğitim sekmesidir: seçtiğin model, veri kümesi ve parametreler için komutun tamamını oluşturur ve bir API anahtarını doldurur (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 eğitimi başlat:

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'leri ve uzak eğitim hakkında daha fazla bilgi edin.

Geri Bildirim ve Yardım#

Kenar çubuğunun altbilgisindeki Yardım sayfasında dokümantasyon bağlantıları, videolu anlatımlar ve topluluk kaynakları bulunur; ayrıca uygulama içi bir geri bildirim formu içerir. Deneyimini 1 ile 5 yıldız arasında değerlendirebilir, geri bildirim türü olarak (Hata, Özellik veya Genel) seçebilir ve ekran görüntüsü ekleyebilirsin.

Daha fazla yardıma ihtiyacın varsa:

• Yapay Zeka Sohbeti: Anında yardım almak için herhangi bir sayfadaki yüzen sohbet aracına tıkla
• Dokümantasyon: Veri kümeleri, açıklama ekleme, eğitim, dağıtım ve faturalandırma hakkındaki ayrıntılı kılavuzları bu dokümanlarda incele
• Discord: Tartışmalara katılmak için Discord topluluğumuza katıl
• GitHub: Sorunları GitHub üzerinden bildir
• REST API ve Python SDK: Program aracılığıyla tüm Platform özelliklerine erişmek için API başvuru kılavuzuna göz at, ultralytics-platform istemcisini yükle veya etkileşimli API dokümanlarını dene

Sık Sorulan Sorular#