Modeller#

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

Model Yükle#

Mevcut model ağırlıklarını platforma yükle:

1. Projener git
2. .pt dosyalarını proje sayfasına veya modeller kenar çubuğuna sürükleyip bırak veya Modelleri yükle simgesine tıkla
3. Model meta verileri dosyadan otomatik olarak ayrıştırılır

Birden fazla dosya aynı anda yüklenebilir (aynı anda 3 taneye kadar).

Desteklenen model formatları:

Yüklemeden sonra platform model meta verilerini ayrıştırır:

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

Modeli Eğit#

Doğrudan platform üzerinde yeni bir model eğit:

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

Ayrıntılı talimatlar için Bulut Eğitimi bölümüne göz at.

Model Yaşam Döngüsü#

graph LR
    A[Upload .pt]:::start --> B[Overview]:::proc
    C[Train]:::start --> B
    B --> D[Predict]:::proc
    B --> E[Export]:::proc
    B --> F[Deploy]:::proc
    E --> G[20 Formats]:::out
    F --> H[Endpoint]:::out

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

Model Sayfası Sekmeleri#

Her model sayfasında şu sekmeler bulunur:

Model Başlığı#

Sekmelerin üzerinde başlık; model rengini (düzenlenebilir), adını (yeniden adlandırmak için tıkla), görev rozetini, kontrol noktasının ultralytics sürümünü ve bir license seçicisini gösterir. Eylemleri şunlardır: Modeli Kopyala (henüz sahip olmadığın ağırlıklara sahip tamamlanmış modellerde), İndir, Yıldızla, Paylaş (halka açık modeller) ve Bilgi, Yenile ile Modeli Sil seçeneklerini barındıran bir Daha fazla eylem menüsü.

Doğrudan altında, her görev metriği için bir kart, eğitim ilerlemesinin kıvılcım grafiği (sparkline) üzerindeki nihai değeri gösterir — grafiklere gitmek için herhangi bir karta tıkla — ayrıca modelin eğitildiği veri setine bağlantı veren bir kart da buna eşlik eder.

Genel Bakış Sekmesi#

Çalıştırma Bilgisi kartı, çalıştırmanın nasıl gerçekleştiğini kaydeder: durum, başlangıç zamanı, çalışma süresi, GPU ve saatlik ücret ile hesaplama maliyeti, ultralytics sürümü, ana bilgisayar ayrıntıları (ana bilgisayar adı, ortam, işletim sistemi, Python, CPU, GPU), üst model, sabitlenmiş veri seti sürümü, Git deposu, çalıştırma bunları bildirdiyse dal ve commit, ayrıca kopyalayabileceğin yeniden üretilebilir bir yolo train komutu.

Bir çalıştırma etkinken kart canlı ilerlemeyi gösterir — epoch sayacı, ilerleme çubuğu, geçen süre, KTB (ETA), biriken maliyet — ve bir İptal düğmesi sunar. Bir çalıştırma başarısız olursa, bir hata başlığı bunun yerini alır ve yakalanan hatayı göstererek Konsol günlüklerinin tamamını görüntüle ile Eğitimi yeniden dene eylemlerini sunar.

Altında, Eğitim Yapılandırması kullanılan tüm hiperparametreleri listeler ve Performans Metrikleri nihai değerlendirme sonuçlarını listeler. Her iki tablo da aranabilirdir ve bir Veriyi dışa aktar menüsüne (JSON Kopyala, CSV İndir, JSON İndir) sahiptir.

Eğit Sekmesi#

Eğit sekmesinin üç alt sekmesi vardır:

Grafikler Alt Sekmesi#

Epoch'lar boyunca interaktif metrik grafikleri, çalıştırma doğrulama yapıları ürettiğinde Eğitim ve Doğrulama görünümlerine ayrılır. Grafik grupları, çalıştırmanın bildirdiği metrikleri takip eder:

Her grup daralır, menüsü bireysel grafikleri (ve kayıplar için eğitim veya doğrulama serilerini) gizler veya gösterir ve grafikler, oturumlar arasında kalıcı olan bir düzene sürüklenebilir ve yeniden boyutlandırılabilir.

Konsol Alt Sekmesi#

Eğitim sürecinden gelen canlı konsol çıktısı:

• Eğitim sırasında son 2000 satırı koruyan gerçek zamanlı günlük akışı
• Dönem ilerleme çubukları ve doğrulama sonuçları
• Çalıştırmayı sonlandıran ve mesajı bir başlıkta öne çıkaran kritik hata algılama
• ANSI renk desteği, isteğe bağlı bir zaman damgası sütunu ve düz metin olarak tek tıkla kopyalama

Sistem Alt Sekmesi#

Eğitim örneğini özetleyen bir ana bilgisayar kartı (ana bilgisayar adı, CPU, GPU, RAM ve disk toplamları ile en son ne zaman görüldüğü) ve ardından epoch başına grafikler gelir:

GPU, ağ ve disk grafikleri yalnızca çalıştırma bu sayaçları bildirdiğinde görünür.

Tahmin Et Sekmesi#

Doğrudan tarayıcıda etkileşimli çıkarım çalıştır:

• Bir görüntü yükle, örnek görüntüleri kullan veya web kamerasını kullan
• Sonuçlar sınırlayıcı kutular, maskeler, anlamsal sınıf haritaları veya anahtar noktalarla görüntülenir
• Görüntü sağlandığında otomatik çıkarım
• Tüm görev türlerini destekler (detect, segment, semantic, depth, classify, pose, OBB)

Dışa Aktar Sekmesi#

Modelini 20 dağıtım formatına aktar. Tüm ayrıntılar için aşağıdaki Modeli Aktar bölümüne ve temel Aktarım modu kılavuzuna bak.

Dağıt Sekmesi#

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

Doğrulama Çizimleri#

Eğitim tamamlandıktan sonra, Grafikler alt sekmesindeki Doğrulama görünümü, son epoch'un ayrıntılı bir analizini gösterir.

Karmaşıklık Matrisi#

Sınıf başına tahmin doğruluğunu gösteren etkileşimli ısı haritası:

PR/F1 Eğrileri#

Eğitim çalıştırması bunları sağladığında, Doğrulama görünümü ayrıca farklı güven eşiklerinde performans eğrilerini görüntüler. Mevcut doğrulama grafikleri, çalıştırma tarafından üretilen yapılara bağlıdır.

Görüntü Başına Tanılamalar#

saved dataset version ile eğitilen nesne tespiti modelleri, hayal kırıklığı yaratan bir puanın arkasındaki verileri gösteren görüntü başına doğrulama analizi de alır:

• Görüntü başına F1'e göre sıralanan ve zemin gerçekliği (ground-truth) kutularıyla çizilen En kötü ve en iyi performans gösteren görüntüler
• F1'i görüntü genişliği, yüksekliği, piksel sayısı, en-boy oranı ve örnek sayısı ile ilişkilendiren, en güçlü ilişki varsayılan olarak seçilmiş olan Karakteristik gezgini
• En zayıf görüntülenenlerde hangi sınıfların en sık göründüğünü sıralayan Hatalarla ilişkili sınıflar

Modeli Dışa Aktar#

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

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

Modelini 20 dağıtım formatına aktar:

1. Dışa Aktar 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. Dışa Aktarmayı Başlat düğmesine tıkla
6. Tamamlandığında indir

Bir dışarı aktarma işlemi hazır olduğunda veya başarısız olduğunda mesaj almak için Slack uyarılarını bağla.

Desteklenen Formatlar#

Platform, 20 dağıtım formatına aktarımı destekler: ONNX, TorchScript, OpenVINO, TensorRT, CoreML, TF SavedModel, TF GraphDef, LiteRT, TF Edge TPU, PaddlePaddle, NCNN, MNN, RKNN, Qualcomm (QNN), IMX500, Axelera, ExecuTorch, DeepX, Hailo ve Huawei Ascend.

Format Seçim Kılavuzu#

NVIDIA Jetson TensorRT Hedefleri#

Ultralytics Platform, TensorRT .engine dışa aktarımları için aşağıdaki Jetson hedef seçimlerini sunar. Temmuz 2026 itibarıyla Jetson TensorRT dışa aktarımları JetPack 7.2 / L4T r39.2, Python 3.12.3, NVIDIA PyTorch 2.12.0a0 (26.04 derlemesi), CUDA 13.2 ve TensorRT 10.16.1.11 ile oluşturulmuştur.

Zamanlamalar, Temmuz 2026'dan itibaren tekil gözlemlenen uçtan uca üretim yönlendirme testleridir ve en yakın saniyeye yuvarlanmıştır; bunlar bir SLA veya SKU bazlı performans kıyaslaması değil, referans ölçümleridir. Her iki Thor seçimi de NVIDIA'nın T4000 uyumluluk profilindeki bir T5000 Developer Kit üzerinde oluşturulmuştur. Altı Orin rotası, her bir motorun yüklendiği ve çalıştırıldığı bir AGX Orin 64GB üzerinde oluşturulmuştur.

RKNN Çip Desteği#

RKNN formatına dışa aktarırken hedef Rockchip cihazını seç:

Dışa Aktarma İşi Yaşam Döngüsü#

Dışa aktarma işleri aşağıdaki durumlardan geçer:

Toplu Dışa Aktarma İşlemleri#

• Tümünü Dışa Aktar: Varsayılan ayarları kullanarak tüm CPU tabanlı biçimler için dışa aktarma işlerini başlatmak üzere Export All öğesine tıkla. GPU seçimi gerektiren, bu model için kullanılamayan veya halihazırda dışa aktarımı bulunan biçimler atlanır ve senin için listelenir.
• Tüm Dışarı Aktarımları Sil: Model için tüm dışarı aktarımları kaldırmak üzere Delete All seçeneğine tıkla.

Format Kısıtlamaları#

Bazı dışa aktarma formatlarının mimari veya görev kısıtlamaları vardır:

Modeli Kopyala#

Bir modeli başka bir projeye kopyala:

1. Model sayfasını aç
2. Modeli Kopyala seçeneğine tıkla
3. Hedef projeyi seç veya satır içinde bir tane oluşturmak için Yeni Proje'yi seç
4. İsteğe bağlı olarak kopyaya farklı bir ad ver
5. Modeli Kopyala seçeneğine tıkla

Model ve ağırlıkları hedef projeye kopyalanır. Modeli Kopyala, henüz sahip olmadığın ağırlıklara sahip tamamlanmış modellerde görünür.

Modeli İndir#

Model ağırlıklarını indir:

1. Modelin Overview (Genel Bakış) sekmesine git
2. Download (İndir) düğmesine tıkla
3. Modelin birincil .pt kontrol noktası otomatik olarak indirilir

Dışa aktarılan formatlar, dışa aktarma tamamlandıktan sonra Export sekmesinden indirilebilir.

Veri Seti Bağlama#

Modeller kaynak veri setlerine bağlanabilir:

• Eğitim için hangi veri setinin kullanıldığını görüntüle
• Ona gitmek için Genel Bakış sekmesindeki veri seti kartına tıkla
• Veri soy ağacını takip et

ul:// URI formatını kullanarak Platform veri kümeleriyle eğitim yaparken bağlantı otomatik olarak kurulur.

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

Özel Meta Veriler#

Diğer eylemler öğesini aç ve iki bölümü incelemek için Bilgi seçeneğini seç:

• Ultralytics Metadata: Model kimliği, proje, kaynak veri kümesi, görev, durum ve zaman damgaları gibi salt okunur Platform ayrıntıları
• Custom Metadata: Değerlendirme bağlamı, sürüm takibi, yönetişim veya diğer modele özel veriler için kendi JSON nesnen

Özel meta veriler; eğitime ait model bilgilerinden, ortam ayrıntılarından ve eğitim argümanlarından ayrıdır. Çalışma alanı görüntüleyicileri bunu inceleyebilirken, düzenleme erişimine sahip üyeler nesneyi değiştirebilir. Serileştirilmiş meta veri nesnesi 500.000 karakterle sınırlıdır ve her üst düzey anahtar 128 karakterle sınırlıdır. Özel meta verileri temizlemek için boş bir nesne ({}) kaydet.

Görünürlük Ayarları#

Modelini kimlerin görebileceğini kontrol et:

Görünürlük proje düzeyinde ayarlanır, bu nedenle projedeki her modeli kontrol eder. Bunu değiştirmek için sayfanın üst kısmındaki breadcrumb'da proje adının yanında yer alan görünürlük rozetine (private veya public) tıkla. Gizliye geçmek hemen geçerli olur. Halka açıka geçmek, uygulamadan önce bir onay iletişim kutusu gösterir.

Modeli Sil#

Artık ihtiyacın olmayan bir modeli kaldır:

1. Model başlığındaki Daha fazla eylem menüsünü aç ve Modeli Sil seçeneğini seç
2. Silme işlemini onayla

Ayrıca Bakınız#

• Çıkarım: Tahmin et sekmesini kullanarak modelleri tarayıcıda test et
• Uç Noktalar: Modelleri özel uç noktalarla üretime dağıt
• Bulut Eğitimi: Bulut GPU'larında eğitim işlerini yapılandır ve çalıştır
• Dışarı Aktarma Formatları: 20 dışarı aktarma formatının tümü için kapsamlı kılavuz

SSS#