Modeller#

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

Model Yükle#

Mevcut model ağırlıklarını platforma yükle:

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

Birden fazla dosya aynı anda yüklenebilir (eş zamanlı en fazla 3 dosya).

Desteklenen model biçimleri:

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 metrikleri (denetim noktası dosyasında bulunuyorsa)

Model Eğit#

Doğrudan platformda yeni bir model eğit:

1. Projene git
2. New Model'e 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 sayfasına 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[22 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 Üstbilgisi#

Sekmelerin üstündeki üstbilgide model rengi (düzenlenebilir), adı (yeniden adlandırmak için tıkla), görev rozeti, denetim noktası dosyasının ultralytics sürümü ve lisans seçicisi gösterilir. Üstbilgideki işlemler şunlardır: Modeli Klonla (ağırlıkları olan ve henüz sahibi olmadığın tamamlanmış modellerde), İndir, Yıldızla, Paylaş (herkese açık modeller) ve Bilgi, Yenile ile Modeli Sil seçeneklerini içeren More actions menüsü.

Hemen altında, her görev metriği için eğitim ilerlemesini gösteren bir kıvılcım grafiğinin üzerinde nihai değeri içeren bir kart bulunur; grafiğe gitmek için herhangi bir karta tıkla. Ayrıca modelin eğitildiği veri kümesine bağlantı veren bir kart da yer alır.

Genel Bakış Sekmesi#

Çalıştırma Bilgileri kartı, çalıştırmanın nasıl yürütüldüğünü kaydeder: durum, başlangıç zamanı, çalışma süresi, GPU ve saatlik ücretle hesaplama maliyeti, ultralytics sürümü, ana makine ayrıntıları (ana makine adı, ortam, işletim sistemi, Python, CPU, GPU), üst model, sabitlenmiş veri kümesi sürümü, Git deposu, çalıştırma bunları bildirmişse dal ve commit bilgileri ve kopyalayabileceğin, yeniden üretilebilir bir yolo train komutu.

Çalıştırma etkin durumdayken kartta canlı ilerleme gösterilir: epoch sayacı, ilerleme çubuğu, geçen süre, tahmini kalan süre ve artan maliyet; ayrıca bir İptal düğmesi bulunur. Çalıştırma başarısız olursa kartın yerini yakalanan hatayı ve Tüm konsol günlüklerini görüntüle ile Eğitimi Yeniden Dene işlemlerini içeren bir hata bandı alır.

Altındaki Eğitim Yapılandırması tablosunda kullanılan her hiperparametre, Performans Metrikleri tablosunda ise nihai değerlendirme sonuçları listelenir. Her iki tabloda da arama yapılabilir ve Verileri dışa aktar menüsü bulunur (JSON'ı kopyala, CSV'yi indir, JSON'ı indir).

Eğitim Sekmesi#

Eğitim sekmesinde üç alt sekme bulunur:

Grafikler Alt Sekmesi#

Epoch'lar boyunca etkileşimli metrik grafikleri; çalıştırma doğrulama artefaktları ürettiyse Eğitim ve Doğrulama görünümlerine ayrılır. Grafik grupları, çalıştırmanın raporladığı metrikleri izler:

Her grup daraltılabilir; menüsü tek tek grafikleri (kayıp grafikleri için eğitim veya doğrulama serisini de) gizleyip gösterir. Grafikler sürüklenip yeniden boyutlandırılarak oturumlar arasında korunan bir düzene yerleştirilebilir.

Konsol Alt Sekmesi#

Eğitim sürecinin canlı konsol çıktısı:

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

Sistem Alt Sekmesi#

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

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

Tahmin Sekmesi#

Etkileşimli çıkarımı doğrudan tarayıcıda çalıştır:

• Görsel yükle, örnek görselleri kullan veya web kamerasını kullan
• Sonuçlar; sınırlayıcı kutular, maskeler, anlamsal sınıf haritaları veya kilit noktalarla görüntülenir
• Görsel sağlandığında otomatik çıkarım
• Tüm görev türlerini destekler (algılama, segmentasyon, anlamsal, derinlik, sınıflandırma, poz, OBB)

Dışa Aktarma Sekmesi#

Modelini 22 dağıtım biçimine aktar. Tüm ayrıntılar için aşağıdaki Modeli Dışa Aktar bölümüne ve temel Dışa Aktarma modu rehberine bak.

Dağıtım Sekmesi#

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

Doğrulama Grafikleri#

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

Karışıklık Matrisi#

Sınıf başına tahmin doğruluğunu gösteren etkileşimli ısı haritası:

PR/F1 Eğrileri#

Eğitim çalıştırması bu verileri sağladığında Doğrulama görünümü, farklı güven eşiklerinde performans eğrilerini de gösterir. Kullanılabilir doğrulama grafikleri, çalıştırmanın ürettiği artefaktlara bağlıdır.

Görsel Başına Tanılama#

Kaydedilmiş bir veri kümesi sürümü ile eğitilen algılama modelleri, düşük bir puanın arkasındaki verileri gösteren görsel başına doğrulama analizi de sunar:

• En kötü ve en iyi performans gösteren görseller; görsel başına F1 değerine göre sıralanır ve gerçek değer kutularıyla çizilir
• Özellik gezgini; F1 değerini görsel genişliği, yüksekliği, piksel sayısı, en-boy oranı ve örnek sayısıyla ilişkilendirir; varsayılan olarak en güçlü ilişki seçilir
• Hatalarla ilişkili sınıflar; en zayıf görsellerde en sık görünen sınıfları sıralar
• Benzerlerini bul, en kötü performans gösterenler galerisinde, tam ekran görünümündeki tek bir görselde ve bir sınıf satırında kullanılabilir. Bu özellik, yakalanan hatalara benzeyen görselleri herkese açık veri kümelerinde ve kendi veri kümelerinde ve ekip veri kümelerinde arar; seçtiklerini etiketsiz train görselleri olarak eğitim veri kümesine ekler (Benzer Görselleri Bul sayfasına bak). Bu özellik, projeyi düzenleyebildiğinde ve eğitim veri kümesi aynı çalışma alanında bağlantısız bir veri kümesi olduğunda gösterilir.

Modeli Dışa Aktarma#

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 22 dağıtım biçimine aktar:

1. Dışa Aktarma sekmesine git
2. Hedef biçimi seç
3. Dışa aktarma bağımsız değişkenlerini yapılandır (görsel boyutu, hassasiyet, dinamik vb.)
4. GPU gerektiren biçimler (TensorRT) için GPU türü seç
5. Dışa Aktarmayı Başlat'a tıkla
6. İşlem tamamlandığında indir

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

Desteklenen Biçimler#

Platform, 22 dağıtım biçimine dışa aktarımı destekler: TorchScript, ONNX, OpenVINO, TensorRT, CoreML, Apple Core AI, TF SavedModel, TF GraphDef, TF Edge TPU, LiteRT, PaddlePaddle, MNN, NCNN, IMX500, RKNN, ExecuTorch, Axelera, DeepX, Qualcomm (QNN), Hailo, Huawei Ascend ve AMD Xilinx.

Biçim Seçim Kılavuzu#

NVIDIA Jetson TensorRT Hedefleri#

Ultralytics Platform, TensorRT .engine dışa aktarımları için aşağıdaki Jetson hedef seçeneklerini 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 kullanılarak elde edilmiştir. Bu ölçümler test edilen ortamı tanımlar; dışa aktarılan bir motoru yeniden kullanmadan önce mevcut çalışan ortamı ve dağıtım cihazındaki çalışma zamanlarını doğrula.

Süreler, Temmuz 2026'da üretim yönlendirme akışında gözlemlenen tek seferlik uçtan uca testlere aittir ve en yakın saniyeye yuvarlanmıştır; bunlar referans ölçümlerdir, SLA veya SKU başına performans kıyaslaması değildir. Her iki Thor seçeneği de NVIDIA'nın T4000 uyumluluk profilinde bir T5000 Developer Kit üzerinde derlenmiştir. Altı Orin yönlendirme akışı, ortaya çıkan her motorun yüklendiği ve çalıştırıldığı bir AGX Orin 64GB üzerinde derlenmiştir.

RKNN yonga desteği#

RKNN biçimine dışa aktarırken hedef Rockchip cihazını seç:

Dışa aktarma işinin yaşam döngüsü#

Dışa aktarma işleri şu durumlardan geçer:

Toplu dışa aktarma işlemleri#

• Tümünü dışa aktar: Varsayılan ayarlarla CPU tabanlı tüm biçimler için dışa aktarma işlerini başlatmak üzere Export All öğesine tıkla. GPU seçimi gerektiren, bu model için kullanılamayan veya zaten dışa aktarılmış biçimler atlanır ve sana listelenir.
• Tüm dışa aktarımları sil: Modelin tüm dışa aktarımlarını kaldırmak için Delete All öğesine tıkla.

Biçim kısıtlamaları#

Bazı dışa aktarma biçimlerinin mimari veya görev kısıtlamaları vardır:

Modelleri projeler arasında taşı#

Düzenleyebildiğin modelleri kopyalamadan aynı çalışma alanındaki başka bir projeye taşı:

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

Taşınan modeller ağırlıklarını, metriklerini, dışa aktarımlarını ve dağıtımlarını korur ve hedef projenin URL'sini alır. URL adı hedefte zaten kullanılıyorsa model varışta yeniden adlandırılır; eğitimi hâlâ süren modeller taşınamaz ve Esc bekleyen kesme işlemini iptal eder. Sahibi olmadığın bir modeli projelerinden birine kopyalamak için Modeli Klonla seçeneğini kullan.

Modeli klonla#

Bir modeli farklı bir projeye klonla:

1. Model sayfasını aç
2. Modeli Klonla seçeneğine tıkla
3. Hedef projeyi seç veya satır içi yeni bir proje oluşturmak için Yeni Proje seçeneğini belirle
4. İsteğe bağlı olarak klona farklı bir ad ver
5. Modeli Klonla seçeneğine tıkla

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

Modeli İndir#

Model ağırlıklarını indir:

1. Model sayfasını aç
2. Model başlığındaki indirme simgesine tıkla (herhangi bir sekmeden kullanılabilir)
3. Modelin birincil .pt kontrol noktası otomatik olarak indirilir

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

Veri Kümesi Bağlama#

Modeller, kaynak veri kümelerine bağlanabilir:

• Eğitim için hangi veri kümesinin kullanıldığını görüntüle
• Veri kümesine gitmek için Overview sekmesindeki veri kümesi kartına tıkla
• Veri kökenini izle

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

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

Özel Üst Veriler#

İki bölümü incelemek için Diğer işlemler menüsünü açıp Bilgiler'i 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 modele özgü diğer veriler için kendi JSON nesnen

Özel meta veriler; eğitime ait model bilgilerinden, ortam ayrıntılarından ve eğitim bağımsız değişkenlerinden ayrıdır. Çalışma alanı görüntüleyenleri bunları inceleyebilir, düzenleme erişimi olan 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 ({}) kaydet.

Görünürlük Ayarları#

Modelini kimlerin görebileceğini kontrol et:

Görünürlük proje düzeyinde ayarlanır, bu nedenle projedeki her modeli kontrol eder. Değiştirmek için sayfanın üst kısmındaki içerik haritasında proje adının yanındaki görünürlük rozetine (private veya public) tıkla. Gizliye geçiş hemen etkinleşir. Herkese açık duruma geçişte, değişiklik uygulanmadan önce bir onay iletişim kutusu gösterilir.

Modeli Sil#

Artık ihtiyaç duymadığın bir modeli kaldır:

1. Model başlığındaki More actions menüsünü aç ve Delete Model seçeneğini belirle
2. Silmeyi onayla

Ayrıca Bakın#

• Inference: Modelleri Predict sekmesiyle tarayıcıda test et
• Endpoints: Modelleri özel uç noktalarla üretime dağıt
• Cloud Training: Bulut GPU'larında eğitim işlerini yapılandır ve çalıştır
• Dışa Aktarma Biçimleri: 22 dışa aktarma biçiminin tümü için kapsamlı rehber

Sık Sorulan Sorular#