Modeller

Ultralytics Platform, YOLO modellerini eğitmek, analiz etmek ve dağıtmak için kapsamlı model yönetimi sunar. Önceden eğitilmiş modelleri yükle veya doğrudan platform üzerinde yenilerini eğit.

Model Yükle

Mevcut model ağırlıklarını platforma yükle:

1. Projene git
2. .pt dosyalarını proje sayfasına veya modeller kenar çubuğuna sürükleyip bırak
3. Model meta verileri dosyadan otomatik olarak ayrıştırılır

Aynı anda birden fazla dosya yüklenebilir (aynı anda en fazla 3 tane).

Desteklenen model formatları:

Yüklemeden sonra, platform model meta verilerini ayrıştırır:

• Görev türü (detect, segment, pose, OBB, classify)
• Mimari (YOLO26n, YOLO26s, vb.)
• Sınıf isimleri ve sayısı
• Giriş boyutu ve parametreler
• Eğitim sonuçları ve metrikler (kontrol noktasında varsa)

Model Eğit

Doğrudan platform üzerinde yeni bir model eğit:

1. Projene git
2. Yeni Model'e tıkla
3. Temel modeli ve veri kümesini seç
4. Eğitim parametrelerini yapılandır
5. Bulut veya yerel eğitim seç
6. Eğitimi başlat

Ayrıntılı talimatlar için Cloud Training bölümüne bak.

Model Yaşam Döngüsü

graph LR
    A[Upload .pt] --> B[Overview]
    C[Train] --> B
    B --> D[Predict]
    B --> E[Export]
    B --> F[Deploy]
    E --> G[17+ Formats]
    F --> H[Endpoint]

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

Model Sayfası Sekmeleri

Her model sayfasında şu sekmeler bulunur:

Genel Bakış Sekmesi

Model meta verilerini ve temel metrikleri görüntüler:

• Model adı (düzenlenebilir), durum rozeti, görev türü
• Nihai metrikler (mAP50, mAP50-95, precision, recall)
• Eğitim ilerlemesini gösteren metrik kıvılcım grafikleri (sparkline)
• Eğitim argümanları (epochs, batch size, image size, vb.)
• Veri kümesi bağlantısı (bir Platform veri kümesiyle eğitildiğinde)
• Model ağırlıkları için indirme düğmesi

Eğit Sekmesi

Eğit sekmesinde üç alt sekme bulunur:

Grafikler Alt Sekmesi

Epoch boyunca kayıp (loss) eğrilerini ve performans metriklerini gösteren etkileşimli eğitim metrik grafikleri:

Konsol Alt Sekmesi

Eğitim sürecinden canlı konsol çıktısı:

• Eğitim sırasında gerçek zamanlı günlük (log) akışı
• Epoch ilerleme çubukları ve doğrulama sonuçları
• Vurgulanmış hata bannerları ile hata algılama
• Biçimlendirilmiş çıktı için ANSI renk desteği

Sistem Alt Sekmesi

Eğitim sırasında GPU ve sistem metrikleri:

Tahmin Et Sekmesi

Doğrudan tarayıcıda etkileşimli çıkarım (inference) çalıştır:

• Bir görsel yükle, örnek görselleri kullan veya web kamerasını kullan
• Sınırlayıcı kutular (bounding boxes), maskeler veya anahtar noktalar (keypoints) ile sonuç görüntüleme
• Görsel sağlandığında otomatik çıkarım
• Tüm görev türlerini destekler (detect, segment, pose, OBB, classify)

Dışa Aktar Sekmesi

Modelini 17+ dağıtım formatına dışa aktar. Tam ayrıntılar için aşağıdaki Export Model bölümüne ve çekirdek Export mode guide kılavuzuna bak.

Dağıt Sekmesi

Özel çıkarım uç noktaları oluştur ve yönet. Ayrıntılar için Deployments bölümüne bak.

Doğrulama Grafikleri

Eğitim tamamlandıktan sonra, ayrıntılı doğrulama analizini görüntüle:

Karmaşıklık Matrisi (Confusion Matrix)

Sınıf başına tahmin doğruluğunu gösteren etkileşimli ısı haritası:

PR/F1 Eğrileri

Farklı güven eşiklerinde performans eğrileri:

Modeli Dışa Aktar

graph LR
    A[Select Format] --> B[Configure Args]
    B --> C[Export]
    C --> D{GPU Required?}
    D -->|Yes| E[Cloud GPU Export]
    D -->|No| F[CPU Export]
    E --> G[Download]
    F --> G

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

Modelini 17'den fazla dağıtım formatına dışa aktar:

1. Export sekmesine git
2. Hedef formatı seç
3. Dışa aktarma argümanlarını yapılandır (görüntü boyutu, yarı hassasiyet, dinamik vb.)
4. GPU gerektiren formatlar (TensorRT) için bir GPU türü seç
5. Export düğmesine tıkla
6. Tamamlandığında indir

Desteklenen Formatlar

Platform, 17'den fazla dağıtım formatına dışa aktarımı destekler: ONNX, TorchScript, OpenVINO, TensorRT, CoreML, TF SavedModel, TF GraphDef, TF Lite, TF Edge TPU, TF.js, PaddlePaddle, NCNN, MNN, RKNN, IMX500, Axelera ve ExecuTorch.

Format Seçim Kılavuzu

RKNN Çip Desteği

RKNN formatına dışa aktarırken hedef Rockchip cihazını seç:

Dışa Aktarma İşi Yaşam Döngüsü

Dışa aktarma işleri şu durumlardan geçer:

Toplu Dışa Aktarma Eylemleri

• Export All: CPU tabanlı tüm formatlar için varsayılan ayarlarla dışa aktarma işlerini başlatmak için Export All düğmesine tıkla.
• Delete All Exports: Model için tüm dışa aktarımları kaldırmak için Delete All düğmesine tıkla.

Format Kısıtlamaları

Bazı dışa aktarma formatlarının mimari veya görev kısıtlamaları vardır:

Modeli Klonla

Bir modeli başka bir projeye klonla:

1. Model sayfasını aç
2. Clone düğmesine tıkla
3. Hedef projeyi seç
4. Klonla seçeneğine tıkla

Model ve ağırlıkları hedef projeye kopyalanır.

Modeli İndir

Model ağırlıklarını indir:

1. Modelin Genel Bakış sekmesine git
2. İndir butonuna tıkla
3. Orijinal .pt dosyası otomatik olarak indirilir

Dışa aktarılan formatlar, dışa aktarma işlemi tamamlandıktan sonra Dışa Aktar sekmesinden indirilebilir.

Veri Kümesi Bağlama

Modeller, kaynak veri kümelerine bağlanabilir:

• Eğitim için hangi veri kümesinin kullanıldığını görüntüle
• Oraya gitmek için Genel Bakış sekmesindeki veri kümesi kartına tıkla
• Veri geçmişini takip et

ul:// URI formatı kullanılarak Platform veri kümeleriyle eğitim yapıldığında, bağlama işlemi otomatik gerçekleşir.

# Train with a Platform dataset — linking is automatic
yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100

Görünürlük Ayarları

Modelini kimlerin görebileceğini kontrol et:

To change visibility, click the visibility badge (e.g., private or public) on the model page. Switching to private takes effect immediately. Switching to public shows a confirmation dialog before applying.

Modeli Sil

Artık ihtiyacın olmayan bir modeli kaldır:

1. Model eylemleri menüsünü aç
2. Sil butonuna tıkla
3. Silme işlemini onayla

Ayrıca Bakınız

• Çıkarım: Tahmin sekmesi ile modelleri tarayıcıda test et
• Uç Noktalar: Özel uç noktalarla modelleri üretime al
• Bulut Eğitimi: Bulut GPU'larında eğitim işlerini yapılandır ve çalıştır
• Dışa Aktarma Formatları: 17'den fazla dışa aktarma formatı için tam rehber

SSS

Hangi model mimarileri destekleniyor?

Ultralytics Platform, tüm YOLO mimarilerini özel projelerle tam olarak destekler:

• YOLO26: n, s, m, l, x varyantları (en güncel, önerilen) — platform.ultralytics.com/ultralytics/yolo26
• YOLO11: n, s, m, l, x varyantları — platform.ultralytics.com/ultralytics/yolo11
• YOLOv8: n, s, m, l, x varyantları — platform.ultralytics.com/ultralytics/yolov8
• YOLOv5: n, s, m, l, x varyantları — platform.ultralytics.com/ultralytics/yolov5

Tüm mimariler 5 görev türünü destekler: detect, segment, pose, OBB ve classify.

Eğittiğim modeli indirebilir miyim?

Evet, model ağırlıklarını model sayfasından indirebilirsin:

1. Genel Bakış sekmesindeki indirme simgesine tıkla
2. Orijinal .pt dosyası otomatik olarak indirilir
3. Dışa aktarılan formatlar Dışa Aktar sekmesinden indirilebilir

Modelleri projeler arasında nasıl karşılaştırabilirim?

Şu an için model karşılaştırması projeler içinde yapılmaktadır. Projeler arasında karşılaştırmak için:

1. Modelleri tek bir projeye kopyala veya
2. Metrikleri dışa aktar ve harici olarak karşılaştır

Maksimum model boyutu nedir?

Kesin bir sınır yoktur ancak çok büyük modellerin (>2GB) yükleme ve işleme süreleri daha uzun olabilir.

Önceden eğitilmiş modellerde ince ayar yapabilir miyim?

Evet! Resmi YOLO26 modellerinden herhangi birini temel olarak kullanabilir veya eğitim iletişim kutusundaki model seçiciden kendi tamamladığın modellerden birini seçebilirsin. Platform, yüklenen herhangi bir kontrol noktasından (checkpoint) ince ayar yapmayı destekler.