Link to this sectionBulut Eğitimi#

Ultralytics Platform Bulut Eğitimi, karmaşık kurulumlar yapmadan model eğitimini erişilebilir kılarak bulut GPU'larında tek tıkla eğitim imkanı sunar. YOLO modellerini, gerçek zamanlı metrik akışı ve otomatik kontrol noktası kaydetme özellikleriyle eğit.

graph LR
    A[Configure] --> B[Start Training]
    B --> C[Provision GPU]
    C --> D[Download Dataset]
    D --> E[Train]
    E --> F[Stream Metrics]
    F --> G[Save Checkpoints]
    G --> H[Complete]

    style A fill:#2196F3,color:#fff
    style B fill:#FF9800,color:#fff
    style E fill:#9C27B0,color:#fff
    style H fill:#4CAF50,color:#fff

Link to this sectionEğitim Diyaloğu#

Herhangi bir proje sayfasında Yeni Model'e (veya bir veri kümesi sayfasında Eğit butonuna) tıklayarak platform arayüzünden eğitimi başlat. Eğitim diyaloğu iki sekme içerir: Bulut Eğitimi ve Yerel Eğitim.

Link to this sectionAdım: Temel Modeli Seç#

Resmi YOLO26 modellerinden veya kendi eğittiğin modellerden birini seç:

Resmi modeller görev türüne göre düzenlenmiştir (Detect, Segment, Semantic, Pose, OBB, Classify) ve nano'dan xlarge'a kadar boyut seçenekleri sunar.

Link to this sectionAdım: Veri Kümesini Seç#

Eğitim yapacağın bir veri kümesi seç (bkz. Veri Kümeleri):

Link to this sectionAdım: Parametreleri Yapılandır#

Temel eğitim parametrelerini ayarla:

Link to this sectionAdım: Gelişmiş Ayarlar (İsteğe bağlı)#

Gruplara göre düzenlenmiş 40'tan fazla eğitim parametresine sahip tam YAML tabanlı parametre düzenleyiciye erişmek için Gelişmiş Ayarlar'ı genişlet (bkz. yapılandırma referansı):

Parametreler görev farkındalıklıdır (örneğin copy_paste sadece segment görevlerinde, pose/kobj sadece pose görevlerinde görünür). Değerler varsayılanlardan farklı olduğunda bir Değiştirildi rozeti görünür ve sıfırlama düğmesiyle hepsini varsayılanlara döndürebilirsin.

mosaic: 1.0       # Keep mosaic on
mixup: 0.3        # Add mixup blending
copy_paste: 0.3   # Add copy-paste (segment only)
fliplr: 0.5       # Horizontal flip
degrees: 10.0     # Slight rotation
scale: 0.9        # Aggressive scaling

Link to this sectionAdım: GPU Seç (Bulut Sekmesi)#

Ultralytics Cloud'dan GPU'nu seç:

Diyalog, mevcut bakiyeni ve bir Para Yükle butonunu gösterir. Yapılandırmana (model boyutu, veri kümesi görüntüleri, epoch sayısı, GPU hızı) göre tahmini bir maliyet ve süre hesaplanır.

Link to this sectionAdım: Eğitimi Başlat#

İşini başlatmak için Eğitimi Başlat'a tıkla. Platform şunları yapar:

1. Bir GPU örneği sağlar
2. Veri kümeni indirir
3. Eğitime başlar
4. Metrikleri gerçek zamanlı olarak yayınlar

Link to this sectionEğitim İşi Yaşam Döngüsü#

Eğitim işleri aşağıdaki durumlardan geçer:

Link to this sectionEğitimi İzle#

Model sayfasının Eğit sekmesinden gerçek zamanlı eğitim ilerlemesini görüntüle:

Link to this sectionGrafikler Alt Sekmesi#

Link to this sectionKonsol Alt Sekmesi#

ANSI renk desteği, ilerleme çubukları ve hata tespiti içeren canlı konsol çıktısı.

Link to this sectionSistem Alt Sekmesi#

Gerçek zamanlı GPU kullanımı, bellek, sıcaklık, CPU ve disk kullanımı.

Link to this sectionKontrol Noktaları#

Eğitim tamamlandıktan sonra, en iyi model (best.pt, en yüksek mAP'ye sahip kontrol noktası) platforma yüklenir ve indirme, dışa aktarma ve dağıtım için kullanılabilir hale getirilir.

Link to this sectionEğitimi İptal Et#

Devam eden bir işi durdurmak için model sayfasındaki Eğitimi İptal Et butonuna tıkla:

• İşlem örneği sonlandırılır
• Kredi harcaması durdurulur
• İptal işleminden önce ulaşıldıysa, en iyi kontrol noktası (checkpoint) erişilebilir kalır

Link to this sectionUzaktan Eğitim#

graph LR
    A[Local GPU] --> B[Train]
    B --> C[ultralytics Package]
    C --> D[Stream Metrics]
    D --> E[Platform Dashboard]

    style A fill:#FF9800,color:#fff
    style C fill:#2196F3,color:#fff
    style E fill:#4CAF50,color:#fff

Metrikleri platforma aktarırken kendi donanımın üzerinde eğit.

pip install -U ultralytics

Link to this sectionAPI Anahtarını Ayarla#

1. Go to Settings > API Keys
2. Yeni bir anahtar oluştur (veya Yerel Eğitim sekmesini açtığında platform otomatik olarak bir tane oluşturur)
3. Ortam değişkenini ayarla:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

Link to this sectionAkışla (Streaming) Eğitim#

Metrikleri akışa almak için project ve name parametrelerini kullan:

yolo train model=yolo26n.pt data=coco.yaml epochs=100 \
  project=username/my-project name=experiment-1

Eğitim diyalog kutusundaki Yerel Eğitim sekmesi; API anahtarın, seçili parametrelerin ve gelişmiş bağımsız değişkenlerin dahil edildiği önceden yapılandırılmış bir komutu gösterir.

Link to this sectionPlatform Veri Kümelerini Kullanma#

ul:// URI biçimini kullanarak platformda depolanan veri setleriyle eğit:

yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100 \
  project=username/my-project name=exp1

ul:// URI biçimi, veri setini otomatik olarak indirir ve yapılandırır. Model, platformdaki veri setine otomatik olarak bağlanır (bkz. Platform Veri Setlerini Kullanma).

Link to this sectionFaturalandırma#

Eğitim maliyetleri GPU kullanımına göre belirlenir:

Link to this sectionMaliyet Tahmini#

Eğitim başlamadan önce platform toplam maliyeti şu şekilde tahmin eder:

1. Veri seti boyutu, model karmaşıklığı, görüntü boyutu, batch boyutu ve GPU hızından epoch başına saniye tahmini
2. Epoch başına düşen saniyeyi epoch sayısıyla çarpıp başlangıç genel giderlerini ekleyerek toplam eğitim süresinin hesaplanması
3. Toplam eğitim saatini GPU'nun saatlik ücretiyle çarparak tahmini maliyetin hesaplanması

Maliyeti etkileyen faktörler:

Link to this sectionMaliyet Örnekleri#

Link to this sectionFaturalandırma Akışı#

graph LR
    A[Estimate Cost] --> B[Balance Check]
    B --> C[Train]
    C --> D[Charge Actual Runtime]

    style A fill:#2196F3,color:#fff
    style B fill:#FF9800,color:#fff
    style C fill:#9C27B0,color:#fff
    style D fill:#4CAF50,color:#fff

Bulut eğitimi faturalandırma akışı:

1. Tahmin: Eğitim başlamadan önce maliyet hesaplanır
2. Bakiye Kontrolü: Başlatmadan önce mevcut krediler kontrol edilir
3. Eğit: İş seçili hesaplama birimi üzerinde çalışır
4. Ücretlendirme: Nihai maliyet gerçek çalışma süresine dayanır

Link to this sectionİş Durumuna Göre Faturalandırma#

Link to this sectionÖdeme Yöntemleri#

Link to this sectionEğitim Maliyetlerini Görüntüle#

Eğitimden sonra, Faturalandırma sekmesinden ayrıntılı maliyetleri görüntüle:

• Epoch başına maliyet dökümü
• Toplam GPU süresi
• Maliyet raporunu indir

Link to this sectionEğitim İpuçları#

Link to this sectionDoğru Model Boyutunu Seç#

Link to this sectionEğitim Süresini Optimize Et#

Link to this sectionSorun Giderme#

Link to this sectionSSS#

Link to this sectionEğitim ne kadar sürer?#

Eğitim süresi şunlara bağlıdır:

• Veri kümesi boyutu
• Model boyutu
• Dönem (epoch) sayısı
• Seçilen GPU

Tipik süreler (1000 görüntü, 100 epoch):

Link to this sectionGece boyunca eğitim yapabilir miyim?#

Evet, eğitim tamamlanana kadar devam eder. Eğitim bittiğinde bir bildirim alırsın. Hesabının epoch tabanlı eğitim için yeterli bakiyeye sahip olduğundan emin ol.

Link to this sectionKredim biterse ne olur?#

Eğitim sırasında kredi bakiyen sıfıra ulaşırsa, eğitim tamamlanana kadar devam eder ve bakiyen eksiye düşer. Bu, eğitim işinin asla yarıda kesilmemesini sağlar.

Eğitim tamamlandıktan sonra, yeni eğitim işleri başlatmadan önce bakiyeni pozitife döndürmek için kredi eklemen gerekir. Tamamlanan modelin, kontrol noktaların ve tüm eğitim çıktıların bakiyeden bağımsız olarak tamamen korunur.

Link to this sectionEğitimim tahminden daha maliyetli olursa ne olur?#

Maliyet tahminleri yaklaşıktır; gerçek eğitim süresi veri yükleme hızı, GPU ısınması ve model yakınsama davranışı gibi faktörler nedeniyle değişebilir. Gerçek maliyet tahmini aşarsa, bakiyen eksiye düşebilir (yukarıya bak). Platform, tahmine dayalı olarak eğitimi durdurmaz.

Maliyetleri yönetmek için:

• Eğitim ilerlemesini gerçek zamanlı olarak izle ve gerekirse erken iptal et
• Kredileri otomatik olarak yenilemek için otomatik yüklemeyi etkinleştir
• Beklentileri kalibre etmek için daha kısa süreli çalıştırmalarla (daha az epoch) başla

Link to this sectionÖzel eğitim argümanlarını kullanabilir miyim?#

Evet, 40'tan fazla yapılandırılabilir parametre içeren bir YAML düzenleyicisine erişmek için eğitim diyaloğundaki Gelişmiş Ayarlar bölümünü genişlet. Varsayılan olmayan değerler hem bulut hem de yerel eğitim komutlarına dahil edilir.

YAML düzenleyicisi ayrıca önceki eğitim çalışmalarından yapılandırmaları içe aktarmayı da destekler:

• Mevcut modelden kopyala: Herhangi bir tamamlanmış modelin sayfasında, Eğitim Yapılandırması kartında bir JSON olarak kopyala düğmesi bulunur. JSON'ı kopyala ve doğrudan YAML düzenleyicisine yapıştır; JSON formatını otomatik olarak algılar ve tüm parametreleri içe aktarır.
• YAML veya JSON yapıştır: Düzenleyiciye geçerli herhangi bir YAML veya JSON eğitim yapılandırmasını yapıştır. Parametreler otomatik olarak doğrulanır, aralık dışı değerler sınırlandırılır ve uyarılar görüntülenir.
• Dosyaları sürükleyip bırak: Parametrelerini içe aktarmak için doğrudan düzenleyiciye bir .yaml veya .json dosyası sürükle.

Bu, her parametreyi manuel olarak yeniden girmeye gerek kalmadan önceki eğitim yapılandırmalarını yinelemeni veya çoğaltmanı kolaylaştırır.

Link to this sectionVeri kümesi sayfasından eğitim yapabilir miyim?#

Evet, veri kümesi sayfalarındaki Eğit düğmesi, veri kümesi önceden seçilmiş ve kilitlenmiş olarak eğitim diyaloğunu açar. Ardından eğitime başlamak için bir proje ve model seçersin.

Link to this sectionEğitim Parametreleri Referansı#