Link to this sectionModeller#

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

Link to this sectionModel Yükle#

Mevcut model ağırlıklarını platforma yükle:

1. Projener git
2. .pt dosyalarını proje sayfasına veya modeller kenar çubuğuna sürükleyip bırak
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, pose, OBB, classify)
• Mimari (YOLO26n, YOLO26s, vb.)
• Sınıf isimleri ve sayısı
• Giriş boyutu ve parametreler
• Eğitim sonuçları ve metrikler (kontrol noktasında mevcutsa)

Link to this sectionModeli 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 Cloud Training bölümüne bak.

Link to this sectionModel 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[19+ Formats]:::out
    F --> H[Endpoint]:::out

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

Link to this sectionModel Sayfası Sekmeleri#

Her model sayfasında şu sekmeler bulunur:

Link to this sectionGenel Bakış Sekmesi#

Model meta verilerini ve temel metrikleri görüntüler:

• Model adı (düzenlenebilir), durum rozeti, görev türü
• Nihai metrikler (mAP50, mAP50-95, kesinlik, duyarlılık)
• Eğitim ilerlemesini gösteren metrik kıvılcım grafikleri
• Eğitim argümanları (dönemler, toplu iş boyutu, görüntü boyutu vb.)
• Veri kümesi bağlantısı (bir Platform veri kümesiyle eğitildiğinde)
• Model ağırlıkları için indirme butonu

Link to this sectionEğit Sekmesi#

Eğit sekmesinin üç alt sekmesi vardır:

Link to this sectionGrafikler Alt Sekmesi#

Kayıp eğrilerini ve dönemler boyunca performans metriklerini gösteren etkileşimli eğitim metriği grafikleri:

Link to this sectionKonsol Alt Sekmesi#

Eğitim sürecinden gelen canlı konsol çıktısı:

• Eğitim sırasında gerçek zamanlı günlük akışı
• Dönem ilerleme çubukları ve doğrulama sonuçları
• Vurgulanan hata başlıkları ile hata tespiti
• Biçimlendirilmiş çıktı için ANSI renk desteği

Link to this sectionSistem Alt Sekmesi#

Eğitim sırasında GPU ve sistem metrikleri:

Link to this sectionTahmin 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, pose, OBB, classify)

Link to this sectionDışa Aktar Sekmesi#

Modelini 19'dan fazla dağıtım formatına aktar. Tüm ayrıntılar için aşağıdaki Dışa Aktar bölümüne ve temel Dışa Aktar modu kılavuzuna bak.

Link to this sectionDağıt Sekmesi#

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

Link to this sectionDoğrulama Çizimleri#

Eğitim tamamlandıktan sonra ayrıntılı doğrulama analizini görüntüle:

Link to this sectionKarmaşıklık Matrisi#

Sınıf başına tahmin doğruluğunu gösteren etkileşimli ısı haritası:

Link to this sectionPR/F1 Eğrileri#

Farklı güven eşiklerinde performans eğrileri:

Link to this sectionModeli 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 19+ dağıtım formatına dışa 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 Aktar düğmesine tıkla
6. Tamamlandığında indir

Link to this sectionDesteklenen Formatlar#

Platform, 19+ dağıtım formatına dışa aktarımı destekler: ONNX, TorchScript, OpenVINO, TensorRT, CoreML, TF SavedModel, TF GraphDef, LiteRT, TF Edge TPU, PaddlePaddle, NCNN, MNN, RKNN, Qualcomm (QNN), IMX500, Axelera, ExecuTorch ve DeepX.

Link to this sectionFormat Seçim Kılavuzu#

Link to this sectionNVIDIA Jetson TensorRT Hedefleri#

Ultralytics Platform, TensorRT .engine dışa aktarımları için aşağıdaki Jetson hedef seçeneklerini sunar. Temmuz 2026 itibarıyla, Jetson dışa aktarma işleyicileri, dışa aktarma kapsayıcısı içinde 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 kullanmaktadır.

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.

Link to this sectionRKNN Çip Desteği#

RKNN formatına dışa aktarırken hedef Rockchip cihazını seç:

Link to this sectionDışa Aktarma İşi Yaşam Döngüsü#

Dışa aktarma işleri aşağıdaki durumlardan geçer:

Link to this sectionToplu Dışa Aktarma İşlemleri#

• Hepsini Dışa Aktar: Varsayılan ayarlarla tüm CPU tabanlı formatlar için dışa aktarma işlerini başlatmak üzere Export All düğmesine tıkla.
• Tüm Dışa Aktarılanları Sil: Model için tüm dışa aktarılanları kaldırmak üzere Delete All düğmesine tıkla.

Link to this sectionFormat Kısıtlamaları#

Bazı dışa aktarma formatlarının mimari veya görev kısıtlamaları vardır:

Link to this sectionModeli Kopyala#

Bir modeli başka bir projeye kopyala:

1. Model sayfasını aç
2. Clone (Kopyala) düğmesine tıkla
3. Hedef projeyi seç
4. Clone düğmesine tıkla

Model ve ağırlıkları hedef projeye kopyalanır.

Link to this sectionModeli İndir#

Model ağırlıklarını indir:

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

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

Link to this sectionVeri 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 setleriyle eğitim yaparken, bağlantı otomatik olarak gerçekleşir.

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

Link to this sectionGörünürlük Ayarları#

Modelini kimlerin görebileceğini kontrol et:

Görünürlüğü değiştirmek için sayfa başlığındaki görünürlük rozetine (örneğin private veya public) tıkla. Görünürlük proje düzeyinde ayarlanır, bu nedenle bu işlem projedeki tüm modelleri kontrol eder. Özele geçiş anında yürürlüğe girer. Halka açma işlemi, uygulanmadan önce bir onay iletişim kutusu gösterir.

Link to this sectionModeli Sil#

Artık ihtiyacın olmayan bir modeli kaldır:

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

Link to this sectionAyrıca Bakınız#

• Çıkarım: Tahmin sekmesi ile tarayıcıda modelleri test et
• Uç Noktalar: Özel uç noktalarla modelleri üretime dağıt
• Bulut Eğitimi: Bulut GPU'larında eğitim işlerini yapılandır ve çalıştır
• Dışa Aktarma Formatları: 19'dan fazla dışa aktarma formatının tamamı için kapsamlı rehber

Link to this sectionSSS#

Link to this sectionHangi model mimarileri destekleniyor?#

Ultralytics Platform, özel projelere sahip tüm YOLO mimarilerini 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

YOLO26 6 görev türünü destekler: detect, segment, semantic, pose, OBB ve classify. YOLO11 ve YOLOv8, semantik segmentasyon hariç aynı seti desteklerken, YOLOv5 detect, segment ve classify desteği sunar.

Link to this sectionEğittiğim modelimi 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 Aktarma sekmesinden indirilebilir

Link to this sectionModelleri projeler arasında nasıl karşılaştırırım?#

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

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

Link to this sectionMaksimum model boyutu nedir?#

Yüklenen .pt model dosyaları 1 GB ile sınırlıdır ve bu sınıra yakın modellerin yüklenmesi ve işlenmesi daha uzun sürebilir.

Link to this sectionÖnceden eğitilmiş modelleri ince ayar yapabilir miyim?#

Evet! Resmi YOLO26 modellerinden herhangi birini temel olarak kullanabilir veya eğitim iletişim kutusundaki model seçiciden kendi tamamlanmış modellerinden birini seçebilirsin. Platform, yüklenen herhangi bir kontrol noktasından ince ayar yapılmasını destekler.