Modeller#

Ultralytics Platform, YOLO modellerini eğitmek, analiz etmek ve dağıtmak için kapsamlı model yönetimi sunar. Önceden eğitilmiş modelleri yükleyebilir veya doğrudan platformda yeni modeller eğitebilirsin.

Model Yükleme#

Mevcut model ağırlıklarını platforma yükle:

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

Birden çok dosya aynı anda yüklenebilir (en fazla 3 eşzamanlı yükleme).

Desteklenen model formatları:

Yüklemeden sonra platform model meta verilerini ayrıştırır:

• Görev türü (detect, segment, semantic, depth, classify, pose, OBB)
• Mimari (YOLO26n, YOLO26s vb.)
• Sınıf adları ve sayısı
• Girdi boyutu ve parametreler
• Eğitim sonuçları ve metrikler (checkpoint içinde mevcutsa)

Model Eğitme#

Doğrudan platformda yeni bir model eğit:

1. Projene git
2. New Model düğmesine tıkla
3. Temel modeli ve veri kümesini seç
4. Eğitim parametrelerini yapılandır
5. Bulut veya yerel eğitimi seç
6. Eğitimi başlat

Ayrıntılı talimatlar için Bulut Eğitimi bölümüne bak.

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 aşağıdaki sekmeler bulunur:

Model Üst Bilgisi#

Sekmelerin üzerindeki üst bilgi; model rengini (düzenlenebilir), adı (yeniden adlandırmak için tıklanabilir), görev rozetini, checkpoint'in ultralytics sürümünü ve bir lisans seçicisini gösterir. Eylemler arasında Modeli Klonla (tamamlanmış ve ağırlıklarına zaten sahip olmadığın modellerde), İndir, Yıldız Ver, Paylaş (genel modeller) ve Bilgiler, Yenile ve Modeli Sil seçeneklerini içeren bir Diğer eylemler menüsü bulunur.

Hemen altında, her görev metriği için bir kart, eğitim ilerlemesini gösteren sparkline üzerinde son değeri gösterir; grafiğe geçmek için herhangi bir karta tıklayabilirsin. Bunun yanında modelin eğitildiği veri kümesine bağlantı veren bir kart bulunur.

Genel Bakış Sekmesi#

Çalıştırma Bilgileri kartı, çalıştırmanın nasıl yürütüldüğünü kaydeder: durum, başlangıç zamanı, çalışma süresi, GPU ve saatlik ücretle birlikte işlem maliyeti, ultralytics sürümü, makine ayrıntıları (ana bilgisayar adı, ortam, işletim sistemi, Python, CPU, GPU), üst model, sabitlenmiş veri kümesi sürümü, çalıştırma tarafından bildirildiyse Git deposu, dalı ve commit'i ve kopyalayabileceğin yeniden üretilebilir bir yolo train komutu.

Bir çalıştırma etkin durumdayken kartta canlı ilerleme (epoch sayacı, ilerleme çubuğu, geçen süre, tahmini kalan süre ve biriken maliyet) ile bir İptal düğmesi gösterilir. Bir çalıştırma başarısız olursa kartın yerini yakalanan hatanın bulunduğu bir hata bandı ve Tam konsol günlüklerini görüntüle ile Eğitimi yeniden dene eylemleri alır.

Bunun altında Eğitim Yapılandırması kullanılan tüm hiperparametreleri, Performans Metrikleri ise nihai değerlendirme sonuçlarını listeler. Her iki tablo da aranabilir ve bir Verileri dışa aktar menüsüne (JSON'u kopyala, CSV indir, JSON indir) sahiptir.

Eğitim Sekmesi#

Eğitim sekmesinde üç alt sekme bulunur:

Charts alt sekmesi#

Epoch'lar boyunca etkileşimli metrik grafikleri; çalıştırma doğrulama çıktıları oluşturduğunda Eğitim ve Doğrulama görünümlerine ayrılır. Grafik grupları, çalıştırmanın bildirdiği metrikleri izler:

Her grup daraltılabilir; menüsü tek tek grafikleri (kayıplar için eğitim veya doğrulama serilerini de) gizler ya da gösterir ve grafikler oturumlar arasında korunan bir düzende sürüklenip yeniden boyutlandırılabilir.

Console alt sekmesi#

Eğitim sürecinin canlı konsol çıktısı:

• Eğitim sırasında gerçek zamanlı günlük akışı; son 2000 satır korunur
• Epoch ilerleme çubukları ve doğrulama sonuçları
• Çalıştırmayı sonlandıran ve mesajı bir bantta gösteren kritik hata algılama
• ANSI renk desteği, isteğe bağlı zaman damgası sütunu ve düz metin olarak tek tıklamayla kopyalama

System alt sekmesi#

Eğitim örneğini (ana bilgisayar adı, toplam CPU, GPU, RAM ve disk kapasitesi ile en son görüldüğü zaman) özetleyen bir makine kartının ardından epoch başına grafikler gelir:

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

Tahmin Sekmesi#

Etkileşimli çıkarımı doğrudan tarayıcıda çalıştır:

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

Dışa Aktarma Sekmesi#

Modelini 20 dağıtım biçimine aktar. Tüm ayrıntılar için aşağıdaki Modeli Dışa Aktarma bölümüne ve temel Dışa Aktarma modu kılavuzuna bak.

Dağıtım Sekmesi#

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

Doğrulama Grafikleri#

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

Hata Matrisi#

Sınıf başına tahmin doğruluğunu gösteren etkileşimli ısı haritası:

PR/F1 Eğrileri#

Eğitim çalışması bunları sağladığında Validation görünümü, farklı güven eşiklerindeki performans eğrilerini de gösterir. Kullanılabilir doğrulama grafikleri, çalışmanın ürettiği yapıtlarına bağlıdır.

Görüntü Bazında Tanılamalar#

Kaydedilmiş veri kümesi sürümü ile eğitilen detection modelleri, hayal kırıklığı yaratan bir skorun ardındaki verilere işaret eden görüntü bazında doğrulama analizi de alır:

• En kötü ve en iyi performans gösteren görüntüler, görüntü bazındaki F1 değerine göre sıralanır ve ground-truth kutuları çizilerek gösterilir
• Characteristic explorer, F1 değerini görüntü genişliği, yüksekliği, piksel sayısı, en-boy oranı ve örnek sayısıyla ilişkilendirir; varsayılan olarak en güçlü ilişki seçilir
• Başarısızlıklarla ilişkili sınıflar, en zayıf görüntülerde en sık görünen sınıfları sıralar
• Benzerleri bul, en kötü performans gösteren galeri üzerinde, tek bir görselin tam ekran görünümünde ve bir sınıf satırında yer alır; bu özellik, yakalanan hatalara benzer görseller için halka açık veri setlerinde arama yapar ve seçtiğin görselleri etiketlenmemiş train görselleri olarak eğitim veri setine ekler (bkz. Benzer Görselleri Bul); projeyi düzenleyebildiğin ve eğitim veri setinin aynı çalışma alanının bağlı olmayan bir veri seti olduğu durumlarda gösterilir

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 biçimine dışa aktar:

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

Dışa aktarma hazır olduğunda veya başarısız olduğunda mesaj almak için Slack uyarılarını bağla.

Desteklenen Formatlar#

Platform, 20 dağıtım biçimine dışa aktarmayı 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.

Biçim Seçim Kılavuzu#

NVIDIA Jetson TensorRT Hedefleri#

Ultralytics Platform, TensorRT .engine dış aktarımları için aşağıdaki Jetson hedef seçimlerini sunar. Aşağıdaki Temmuz 2026 doğrulama ölçümleri 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 kullanmıştır. Bunlar test edilen ortamı açıklar; dışarı aktarılan bir motoru yeniden kullanmadan önce mevcut işçi ve dağıtım cihazı çalışma zamanlarını doğrulayın.

Süreler, Temmuz 2026'daki tek gözlemlenen uçtan uca üretim yönlendirme testleridir ve en yakın saniyeye yuvarlanmıştır; bunlar referans ölçümleridir, bir SLA veya SKU başına performans karşılaştırması değildir. Her iki Thor seçimi de NVIDIA'nın T4000 uyumluluk profilindeki bir T5000 Developer Kit üzerinde oluşturulur. Altı Orin rotası, ortaya çıkan her motorun yüklendiği ve çalıştırıldığı bir AGX Orin 64GB üzerinde oluşturulur.

RKNN Çip Desteği#

RKNN biçimine 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 ayarlarla CPU tabanlı tüm biçimler için dışa aktarma işlerini başlatmak üzere Export All öğesine tıklayın. GPU seçimi gerektiren, bu model için kullanılamayan veya zaten dışa aktarılmış biçimler atlanır ve sizin için listelenir.
• Tüm Dışa Aktarmaları Sil: Modele ait tüm dışa aktarmaları kaldırmak için Delete All öğesine tıklayın.

Biçim Kısıtlamaları#

Bazı dışa aktarma biçimlerinde mimari veya görev kısıtlamaları vardır:

Modelleri Projeler Arasında Taşı#

Düzenleyebileceğin modelleri kopyalamadan aynı çalışma alanının başka bir içine taşı:

1. Kaynak projeyi aç ve model listesinde bir veya daha fazla model seç
2. Sağ tıkla ve Kes (Cmd/Ctrl+X) seçeneğini seç
3. Hedef projeyi aç, model listesine sağ tıkla ve Yapıştır (Cmd/Ctrl+V) seçeneğini seç veya seçilen modelleri kenar çubuğunda hedef projenin üzerine sürükle

Taşınan modeller ağırlıklarını, metriklerini, dışa aktarımlarını ve dağıtımlarını korur ve hedef projenin URL'sini alır. URL adı hedef projede halihazırda kullanılan bir model varışta yeniden adlandırılır, hala eğitilmekte olan modeller taşınamaz ve Esc bekleyen bir kesme işlemini iptal eder. Sahip olmadığın bir modeli kendi projelerinden birine kopyalamak için Modeli Klonla seçeneğini kullan.

Modeli Klonla#

Bir modeli farklı bir projeye klonlayın:

1. Model sayfasını açın
2. Modeli Klonla seçeneğine tıklayın
3. Hedef projeyi seçin veya satır içinde yeni bir proje oluşturmak için Yeni Proje'yi seçin
4. İsteğe bağlı olarak klona farklı bir ad verin
5. Modeli Klonla seçeneğine tıklayın

Model ve ağırlıkları hedef projeye kopyalanır. Modeli Klonla, ağırlıklarına henüz sahip olmadığınız tamamlanmış modellerde görünür.

Modeli İndir#

Model ağırlıklarınızı indirin:

1. Modelin Genel Bakış sekmesine gidin
2. İndir düğmesine tıklayın
3. Modelin birincil .pt kontrol noktası otomatik olarak indirilir

Dışa aktarılan biçimler, dışa aktarma tamamlandıktan sonra Dışa Aktar sekmesinden indirilebilir.

Veri Kümesi Bağlama#

Modeller kaynak veri kümelerine bağlanabilir:

• Eğitim için hangi veri kümesinin kullanıldığını görüntüleyin
• Genel Bakış sekmesindeki veri kümesi kartına tıklayarak veri kümesine gidin
• Veri kökenini izleyin

Platform veri kümeleriyle ul:// URI biçimini kullanarak eğitim yaptığınızda bağlama işlemi otomatik olarak gerçekleşir.

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

Özel Meta Veriler#

İki bölümü incelemek için Diğer işlemler menüsünü aç ve Bilgiler seçeneğini belirle:

• Ultralytics Meta Verileri: Model kimliği, proje, kaynak veri kümesi, görev, durum ve zaman damgaları gibi salt okunur Platform ayrıntılarını okuyun
• Özel Meta Veriler: Değerlendirme bağlamı, sürüm takibi, yönetişim veya modele özgü diğer veriler için kendi JSON nesneniz

Özel meta veriler, eğitim tarafından sahiplenilen model bilgilerinden, ortam ayrıntılarından ve eğitim bağımsız değişkenlerinden ayrıdır. Çalışma alanı görüntüleyicileri bu verileri inceleyebilir; düzenleme erişimine sahip üyeler ise nesneyi değiştirebilir. Serileştirilmiş meta veri nesnesi 500.000 karakterle, en üst düzeydeki her anahtar ise 128 karakterle sınırlıdır. Özel meta verileri temizlemek için boş bir nesne ({}) kaydedin.

Görünürlük Ayarları#

Modelinizi kimlerin görebileceğini kontrol edin:

Görünürlük proje düzeyinde ayarlanır; bu nedenle projedeki tüm modelleri kontrol eder. Değiştirmek için sayfanın üst kısmındaki içerik haritasında proje adının yanındaki görünürlük rozetine (private veya public) tıklayın. Özele geçiş hemen uygulanır. Genele geçişte uygulamadan önce bir onay iletişim kutusu gösterilir.

Modeli Sil#

Artık ihtiyaç duymadığınız bir modeli kaldırın:

1. Model başlığındaki Diğer işlemler menüsünü açın ve Modeli Sil seçeneğini belirleyin
2. Silmeyi onayla

Ayrıca bakınız#

• Çıkarım: Predict sekmesiyle modelleri tarayıcıda test edin
• Uç Noktalar: Modelleri özel uç noktalarla üretime dağıtın
• Bulut Eğitimi: Bulut GPU'larında eğitim işlerini yapılandırın ve çalıştırın
• Dışa Aktarma Biçimleri: 20 dışa aktarma biçiminin tümü için kapsamlı kılavuz

SSS#