Derin \u00f6\u011frenme tabanl\u0131 nesne tespiti, otonom s\u00fcr\u00fc\u015ften g\u00fcvenlik sistemlerine, end\u00fcstriyel otomasyondan t\u0131bbi g\u00f6r\u00fcnt\u00fclemeye kadar pek \u00e7ok alanda devrim yaratan bir teknolojidir. Bu alandaki en pop\u00fcler ve etkili modellerden biri olan YOLO (You Only Look Once) serisi, h\u0131z\u0131 ve do\u011frulu\u011fu ile \u00f6ne \u00e7\u0131kmaktad\u0131r. \u00d6zellikle YOLOv8, geli\u015ftirilmi\u015f mimarisi ve kullan\u0131c\u0131 dostu Ultralytics \u00e7at\u0131s\u0131 alt\u0131nda sundu\u011fu kolayl\u0131klarla dikkat \u00e7ekmektedir. Ancak, bu t\u00fcr karma\u015f\u0131k modellerin tam potansiyelini ortaya \u00e7\u0131karmak ve ger\u00e7ek zamanl\u0131 uygulamalarda y\u00fcksek performans elde etmek i\u00e7in GPU (Grafik \u0130\u015flem Birimi) h\u0131zland\u0131rmas\u0131 vazge\u00e7ilmezdir. Bu makale, YOLOv8’i GPU \u00fczerinde etkin bir \u015fekilde nas\u0131l yap\u0131land\u0131raca\u011f\u0131n\u0131z\u0131, kurulum ad\u0131mlar\u0131n\u0131, optimizasyon tekniklerini ve kar\u015f\u0131la\u015fabilece\u011finiz olas\u0131 sorunlar\u0131n \u00e7\u00f6z\u00fcmlerini detayl\u0131 bir \u015fekilde ele alacakt\u0131r. Amac\u0131m\u0131z, okuyuculara YOLOv8 ile nesne tespitini GPU g\u00fcc\u00fcyle maksimum seviyeye ta\u015f\u0131ma konusunda kapsaml\u0131 bir rehber sunmakt\u0131r.<\/p>\n
Nesne tespiti, bir g\u00f6r\u00fcnt\u00fc veya video i\u00e7indeki nesnelerin konumunu (s\u0131n\u0131rlay\u0131c\u0131 kutularla) ve s\u0131n\u0131f\u0131n\u0131 belirleme g\u00f6revidir. Geleneksel y\u00f6ntemler genellikle el yap\u0131m\u0131 \u00f6zellikler ve s\u0131n\u0131fland\u0131r\u0131c\u0131lar kullan\u0131rken, derin \u00f6\u011frenme bu s\u00fcreci ba\u015ftan a\u015fa\u011f\u0131 de\u011fi\u015ftirmi\u015ftir.<\/p>\n
Derin \u00f6\u011frenme, \u00e7ok katmanl\u0131 yapay sinir a\u011flar\u0131 kullanarak verilerden karma\u015f\u0131k desenleri \u00f6\u011frenen bir makine \u00f6\u011frenimi alt dal\u0131d\u0131r. G\u00f6r\u00fcnt\u00fc i\u015fleme alan\u0131nda ise Konvol\u00fcsyonel Sinir A\u011flar\u0131 (CNN), bu alandaki en etkili mimarilerden biridir. CNN’ler, g\u00f6r\u00fcnt\u00fcdeki hiyerar\u015fik \u00f6zellikleri (kenarlar, dokular, \u015fekiller) otomatik olarak \u00f6\u011frenmek i\u00e7in konvol\u00fcsyon, havuzlama (pooling) ve tam ba\u011fl\u0131 katmanlar gibi \u00f6zel katmanlar kullan\u0131r. Bu \u00f6zellik \u00f6\u011frenme yetene\u011fi, nesne tespiti gibi g\u00f6rsel g\u00f6revlerde b\u00fcy\u00fck ba\u015far\u0131 sa\u011flam\u0131\u015ft\u0131r.<\/p>\n
YOLO (You Only Look Once), tek bir sinir a\u011f\u0131 kullanarak bir g\u00f6r\u00fcnt\u00fcdeki t\u00fcm nesneleri ve konumlar\u0131n\u0131 ayn\u0131 anda tahmin eden devrim niteli\u011finde bir nesne tespit modelidir. Geleneksel iki a\u015famal\u0131 dedekt\u00f6rlerin (\u00f6rne\u011fin R-CNN ailesi) aksine, YOLO, nesne tespiti problemini tek bir regresyon problemi olarak ele al\u0131r. Bu yakla\u015f\u0131m, YOLO’ya e\u015fsiz bir h\u0131z kazand\u0131r\u0131r.<\/p>\n
* YOLOv1:<\/strong> \u0130lk versiyon, h\u0131z\u0131yla dikkat \u00e7ekse de k\u00fc\u00e7\u00fck nesnelerde ve yo\u011fun ortamlarda performans\u0131 d\u00fc\u015f\u00fckt\u00fc. Derin \u00f6\u011frenme modelleri, \u00f6zellikle YOLOv8 gibi b\u00fcy\u00fck ve karma\u015f\u0131k modeller, milyonlarca parametreye sahip olabilir ve milyarlarca hesaplama i\u015flemi gerektirebilir. Bu hesaplamalar\u0131n verimli bir \u015fekilde yap\u0131lmas\u0131, modelin e\u011fitilmesi ve \u00e7\u0131kar\u0131m (tahmin) yapmas\u0131 i\u00e7in kritik \u00f6neme sahiptir. \u0130\u015fte bu noktada GPU’lar devreye girer.<\/p>\n * CPU (Merkezi \u0130\u015flem Birimi):<\/strong> Genel ama\u00e7l\u0131 i\u015flemcilerdir. Az say\u0131da g\u00fc\u00e7l\u00fc \u00e7ekirde\u011fe sahiptirler ve her \u00e7ekirdek karma\u015f\u0131k g\u00f6revleri s\u0131rayla ve h\u0131zl\u0131 bir \u015fekilde yerine getirebilir. Seri i\u015flem yetenekleri y\u00fcksektir. Derin \u00f6\u011frenme modelleri, \u00f6zellikle e\u011fitim a\u015famas\u0131nda, b\u00fcy\u00fck matris \u00e7arp\u0131mlar\u0131 ve toplama i\u015flemleri gibi yo\u011fun matematiksel operasyonlar gerektirir. Bu i\u015flemlerin \u00e7o\u011fu birbirinden ba\u011f\u0131ms\u0131z olarak paralel bir \u015fekilde y\u00fcr\u00fct\u00fclebilir. GPU’lar\u0131n binlerce \u00e7ekirde\u011fi, bu paralel hesaplamalar\u0131 CPU’lara k\u0131yasla kat kat daha h\u0131zl\u0131 yapabilir.<\/p>\n * E\u011fitim (Training):<\/strong> Bir YOLOv8 modelini s\u0131f\u0131rdan e\u011fitmek veya \u00f6nceden e\u011fitilmi\u015f bir modeli kendi veri setiniz \u00fczerinde fine-tuning yapmak, binlerce veya milyonlarca iterasyon gerektirebilir. GPU olmadan bu s\u00fcre\u00e7 g\u00fcnler, haftalar s\u00fcrebilirken, GPU ile saatlere veya dakikalara inebilir. YOLOv8 gibi modeller, \u00f6zellikle b\u00fcy\u00fck veri setleri \u00fczerinde e\u011fitilirken veya y\u00fcksek \u00e7\u00f6z\u00fcn\u00fcrl\u00fckl\u00fc g\u00f6r\u00fcnt\u00fclerde ger\u00e7ek zamanl\u0131 tespit yaparken GPU g\u00fcc\u00fcne mutlak suretle ihtiya\u00e7 duyarlar. GPU h\u0131zland\u0131rmas\u0131 olmadan, bu modellerin pratik uygulamalar\u0131 \u00e7o\u011fu zaman imkans\u0131z hale gelir.<\/p>\n YOLOv8’i GPU \u00fczerinde ba\u015far\u0131l\u0131 bir \u015fekilde \u00e7al\u0131\u015ft\u0131rmak i\u00e7in belirli donan\u0131m ve yaz\u0131l\u0131m bile\u015fenlerine ihtiyac\u0131n\u0131z olacakt\u0131r. Bu bile\u015fenlerin do\u011fru s\u00fcr\u00fcmlerini ve uyumluluklar\u0131n\u0131 sa\u011flamak kritik \u00f6neme sahiptir.<\/p>\n 1. NVIDIA GPU:<\/strong> Do\u011fru yaz\u0131l\u0131m ortam\u0131n\u0131 kurmak, GPU h\u0131zland\u0131rmas\u0131n\u0131n sorunsuz \u00e7al\u0131\u015fmas\u0131 i\u00e7in en karma\u015f\u0131k ad\u0131md\u0131r. Bile\u015fenler aras\u0131ndaki s\u00fcr\u00fcm uyumlulu\u011fu \u00e7ok \u00f6nemlidir.<\/p>\n 1. \u0130\u015fletim Sistemi:<\/strong> Bu bile\u015fenlerin do\u011fru bir \u015fekilde kurulmas\u0131 ve yap\u0131land\u0131r\u0131lmas\u0131, YOLOv8’in GPU \u00fczerinde optimum performansla \u00e7al\u0131\u015fmas\u0131n\u0131 sa\u011flayacakt\u0131r.<\/p>\n YOLOv8’i GPU \u00fczerinde \u00e7al\u0131\u015ft\u0131rmak i\u00e7in ad\u0131m ad\u0131m kurulum s\u00fcrecini a\u015fa\u011f\u0131da bulabilirsiniz. Bu ad\u0131mlar genellikle Linux (\u00f6zellikle Ubuntu) i\u00e7in ge\u00e7erlidir, ancak Windows’ta da benzer mant\u0131kla ilerlenebilir.<\/p>\n 1. Mevcut S\u00fcr\u00fcc\u00fcleri Kontrol Etme:<\/strong><\/p>\n Bu komut, e\u011fer kuruluysa, NVIDIA GPU’nuzun ve s\u00fcr\u00fcc\u00fcn\u00fcz\u00fcn bilgilerini g\u00f6sterir. S\u00fcr\u00fcc\u00fc versiyonunu ve CUDA versiyonunu not al\u0131n. E\u011fer kurulu de\u011filse veya hata veriyorsa, s\u00fcr\u00fcc\u00fc kurman\u0131z gerekmektedir.<\/p>\n 2. Eski S\u00fcr\u00fcc\u00fcleri Kald\u0131rma (Gerekiyorsa):<\/strong> 3. Yeni S\u00fcr\u00fcc\u00fc Kurulumu (Ubuntu \u00d6rne\u011fi):<\/strong> * Manuel Kurulum:<\/strong> NVIDIA’n\u0131n web sitesinden (https:\/\/www.nvidia.com\/drivers) GPU’nuza uygun 4. S\u00fcr\u00fcc\u00fc Kurulumunu Do\u011frulama:<\/strong> 1. Uygun S\u00fcr\u00fcm\u00fc Se\u00e7me:<\/strong> PyTorch’un resmi web sitesi (https:\/\/pytorch.org\/get-started\/locally\/) hangi CUDA s\u00fcr\u00fcm\u00fcn\u00fc kullanman\u0131z gerekti\u011fini belirten bir kurulum komutu sunar. Bu s\u00fcr\u00fcmle uyumlu CUDA Toolkit’i indirmelisiniz. \u00d6rne\u011fin, PyTorch 2. CUDA Toolkit \u0130ndirme:<\/strong> NVIDIA’n\u0131n geli\u015ftirici web sitesinden (https:\/\/developer.nvidia.com\/cuda-toolkit-archive) uygun s\u00fcr\u00fcm\u00fc ve i\u015fletim sisteminize g\u00f6re indirme dosyas\u0131n\u0131 se\u00e7in. \u00d6rne\u011fin, Ubuntu 22.04 i\u00e7in 3. Kurulum:<\/strong> \u0130ndirdi\u011finiz dosyaya g\u00f6re kurulum talimatlar\u0131n\u0131 takip edin. \u00d6rne\u011fin, 4. Ortam De\u011fi\u015fkenlerini Ayarlama:<\/strong> CUDA’n\u0131n do\u011fru \u00e7al\u0131\u015fmas\u0131 i\u00e7in PATH ve LD_LIBRARY_PATH ortam de\u011fi\u015fkenlerini ayarlaman\u0131z gerekir. De\u011fi\u015fiklikleri etkinle\u015ftirmek i\u00e7in 5. Kurulumu Do\u011frulama:<\/strong><\/p>\n Bu komut CUDA Compiler’\u0131n (nvcc) s\u00fcr\u00fcm\u00fcn\u00fc g\u00f6stermelidir.<\/p>\n 1. cuDNN \u0130ndirme:<\/strong> NVIDIA Developer hesab\u0131 gereklidir. cuDNN indirme sayfas\u0131ndan (https:\/\/developer.nvidia.com\/cudnn-download-survey) CUDA Toolkit s\u00fcr\u00fcm\u00fcn\u00fczle uyumlu cuDNN s\u00fcr\u00fcm\u00fcn\u00fc indirin. Genellikle bir 2. Kurulum:<\/strong> \u0130ndirdi\u011finiz Python ba\u011f\u0131ml\u0131l\u0131k \u00e7ak\u0131\u015fmalar\u0131n\u0131 \u00f6nlemek i\u00e7in sanal ortam kullanmak \u015fiddetle tavsiye edilir.<\/p>\n 1. Conda (Anaconda\/Miniconda) Kurulumu (\u00d6nerilir):<\/strong> 2. venv Kurulumu (Alternatif):<\/strong> Sanal ortam\u0131n\u0131z\u0131 etkinle\u015ftirdikten sonra PyTorch’u kurun. PyTorch’un resmi web sitesindeki talimatlar\u0131 izlemek en iyisidir. CUDA s\u00fcr\u00fcm\u00fcn\u00fcze g\u00f6re komutu \u00f6zelle\u015ftirmeniz gerekir.<\/p>\n Kurulumu Do\u011frulama:<\/strong><\/p>\n Bu komutlar PyTorch kurulduktan sonra Ultralytics k\u00fct\u00fcphanesini kurabilirsiniz:<\/p>\n Bu kurulum, YOLOv8’i \u00e7al\u0131\u015ft\u0131rmak i\u00e7in gerekli t\u00fcm ba\u011f\u0131ml\u0131l\u0131klar\u0131 otomatik olarak indirecektir.<\/p>\n Bu ad\u0131mlar\u0131 tamamlad\u0131ktan sonra, YOLOv8’i GPU’nuzda \u00e7al\u0131\u015ft\u0131rmak i\u00e7in haz\u0131r olmal\u0131s\u0131n\u0131z.<\/p>\n Kurulum tamamland\u0131ktan sonra, YOLOv8’i GPU \u00fczerinde kullanarak nesne tespiti ve e\u011fitim s\u00fcre\u00e7lerini h\u0131zland\u0131rmaya ba\u015flayabilirsiniz.<\/p>\n YOLOv8 ile \u00e7\u0131kar\u0131m yapmak olduk\u00e7a basittir. Kendi veri setiniz \u00fczerinde bir YOLOv8 modelini e\u011fitmek i\u00e7in de GPU h\u0131zland\u0131rmas\u0131n\u0131 kullanabilirsiniz. E\u011fitim s\u00fcreci, \u00e7\u0131kar\u0131mdan \u00e7ok daha fazla hesaplama g\u00fcc\u00fc gerektirir ve GPU kullan\u0131m\u0131 burada hayati \u00f6nem ta\u015f\u0131r.<\/p>\n 1. Veri Seti Haz\u0131rl\u0131\u011f\u0131:<\/strong> 2. Model E\u011fitimi:<\/strong><\/p>\n GPU h\u0131zland\u0131rmas\u0131n\u0131n ne kadar fark yaratt\u0131\u011f\u0131n\u0131 g\u00f6rmek i\u00e7in basit bir kar\u015f\u0131la\u015ft\u0131rma yapabilirsiniz:<\/p>\n Bu basit test, GPU’nun \u00f6zellikle daha b\u00fcy\u00fck g\u00f6r\u00fcnt\u00fcler ve modeller i\u00e7in \u00e7ok daha h\u0131zl\u0131 \u00e7\u0131kar\u0131m yapabildi\u011fini a\u00e7\u0131k\u00e7a g\u00f6sterecektir. E\u011fitim s\u00fcre\u00e7lerindeki fark ise katlanarak artar.<\/p>\n YOLOv8’i GPU \u00fczerinde \u00e7al\u0131\u015ft\u0131r\u0131rken performans\u0131 daha da art\u0131rmak i\u00e7in baz\u0131 optimizasyon teknikleri ve ipu\u00e7lar\u0131 mevcuttur.<\/p>\n 1. Batch Size Ayarlamas\u0131:<\/strong> 2. Yar\u0131m Hassasiyet (FP16) Kullan\u0131m\u0131:<\/strong> 3. TensorRT veya ONNX Runtime ile \u00c7\u0131kar\u0131m Optimizasyonu:<\/strong> * Daha sonra bu optimize edilmi\u015f motorlar\u0131 kullanarak \u00e7\u0131kar\u0131m yapabilirsiniz.<\/p>\n 4. Veri Y\u00fckleme H\u0131zland\u0131rmas\u0131 (Dataloader Workers):<\/strong> * 5. GPU Bellek Kullan\u0131m\u0131n\u0131 \u0130zleme:<\/strong> 6. Do\u011fru S\u00fcr\u00fcm Uyumlulu\u011fu:<\/strong> Bu optimizasyonlar, YOLOv8’in GPU \u00fczerindeki performans\u0131n\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131rarak daha h\u0131zl\u0131 e\u011fitim ve daha ak\u0131c\u0131 ger\u00e7ek zamanl\u0131 \u00e7\u0131kar\u0131m deneyimi sa\u011flayacakt\u0131r.<\/p>\n YOLOv8’i GPU \u00fczerinde yap\u0131land\u0131r\u0131rken ve \u00e7al\u0131\u015ft\u0131r\u0131rken kar\u015f\u0131la\u015fabilece\u011finiz baz\u0131 yayg\u0131n sorunlar ve bunlar\u0131n olas\u0131 \u00e7\u00f6z\u00fcmleri a\u015fa\u011f\u0131da listelenmi\u015ftir.<\/p>\n 1. “CUDA out of memory” Hatas\u0131:<\/strong> 2. 3. “cuDNN Error” veya “cuDNN not found” Hatas\u0131:<\/strong> 4. S\u00fcr\u00fcc\u00fc Y\u00fcklenemiyor veya \u00c7ekirdek Mod\u00fcl\u00fc Hatas\u0131:<\/strong> 5. Ortam De\u011fi\u015fkenleri Hatas\u0131:<\/strong> 6. Python Ba\u011f\u0131ml\u0131l\u0131k \u00c7ak\u0131\u015fmalar\u0131:<\/strong> 7. D\u00fc\u015f\u00fck Performans (GPU Kullan\u0131m\u0131 D\u00fc\u015f\u00fck):<\/strong> Bu sorun giderme ad\u0131mlar\u0131, YOLOv8’i GPU \u00fczerinde ba\u015far\u0131l\u0131 bir \u015fekilde yap\u0131land\u0131rman\u0131za ve \u00e7al\u0131\u015ft\u0131rman\u0131za yard\u0131mc\u0131 olacakt\u0131r. Unutmay\u0131n ki derin \u00f6\u011frenme ortam\u0131 kurulumu, sab\u0131r ve dikkat gerektiren bir s\u00fcre\u00e7tir.<\/p>\n YOLOv8, nesne tespiti alan\u0131nda sundu\u011fu y\u00fcksek performans, do\u011fruluk ve kullan\u0131m kolayl\u0131\u011f\u0131 ile \u00f6ne \u00e7\u0131kan g\u00fc\u00e7l\u00fc bir modeldir. Ancak bu modelin ger\u00e7ek potansiyelini ortaya \u00e7\u0131karmak, \u00f6zellikle ger\u00e7ek zamanl\u0131 uygulamalar ve b\u00fcy\u00fck veri setleri \u00fczerinde e\u011fitim yaparken, GPU h\u0131zland\u0131rmas\u0131ndan tam olarak yararlanmay\u0131 gerektirir. Bu makalede, YOLOv8’i GPU \u00fczerinde etkin bir \u015fekilde yap\u0131land\u0131rmak i\u00e7in gerekli olan donan\u0131m ve yaz\u0131l\u0131m altyap\u0131s\u0131n\u0131, ad\u0131m ad\u0131m kurulum s\u00fcrecini ve \u00f6nemli optimizasyon tekniklerini detayl\u0131 bir \u015fekilde ele ald\u0131k.<\/p>\n NVIDIA s\u00fcr\u00fcc\u00fcleri, CUDA Toolkit, cuDNN ve PyTorch gibi temel bile\u015fenlerin do\u011fru s\u00fcr\u00fcmlerini kurmak ve bunlar\u0131n birbiriyle uyumlu olmas\u0131n\u0131 sa\u011flamak, ba\u015far\u0131l\u0131 bir kurulumun anahtar\u0131d\u0131r. Sanal ortamlar\u0131n kullan\u0131m\u0131, Python ba\u011f\u0131ml\u0131l\u0131k \u00e7ak\u0131\u015fmalar\u0131n\u0131 \u00f6nleyerek geli\u015ftirme s\u00fcrecini b\u00fcy\u00fck \u00f6l\u00e7\u00fcde kolayla\u015ft\u0131r\u0131r. Kurulum tamamland\u0131ktan sonra, Ayr\u0131ca, YOLOv8’i GPU g\u00fcc\u00fcyle yap\u0131land\u0131rmak, nesne tespiti projelerinizde h\u0131z, verimlilik ve \u00f6l\u00e7eklenebilirlik a\u00e7\u0131s\u0131ndan b\u00fcy\u00fck avantajlar sunar. Bu kapsaml\u0131 rehberin, derin \u00f6\u011frenme ve nesne tespiti alan\u0131ndaki \u00e7al\u0131\u015fmalar\u0131n\u0131zda size yol g\u00f6stermesini ve projelerinizi bir \u00fcst seviyeye ta\u015f\u0131man\u0131z\u0131 umuyoruz. Gelecekte, daha da optimize edilmi\u015f modeller ve donan\u0131mlar sayesinde nesne tespiti uygulamalar\u0131n\u0131n daha da yayg\u0131nla\u015faca\u011f\u0131 ve g\u00fcnl\u00fck hayat\u0131m\u0131z\u0131n ayr\u0131lmaz bir par\u00e7as\u0131 haline gelece\u011fi a\u00e7\u0131kt\u0131r.<\/body><\/p>\n","protected":false},"excerpt":{"rendered":"YOLOv8’i GPU \u0130\u00e7in Yap\u0131land\u0131rma: Nesne Tespitini H\u0131zland\u0131rma\nDerin \u00f6\u011frenme tabanl\u0131 nesne tespiti, otonom s\u00fcr\u00fc\u015ften g\u00fcvenlik sistemlerine,","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"csco_page_header_type":"","csco_page_load_nextpost":"","csco_page_subscribe_form":"","csco_page_contact_form":"","footnotes":""},"categories":[1],"tags":[],"class_list":{"0":"post-33121","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-genel","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\n
\n* YOLOv2 (YOLO9000):<\/strong> Daha iyi do\u011fruluk ve daha geni\u015f s\u0131n\u0131f yelpazesi sunmak i\u00e7in anchor box’lar ve di\u011fer iyile\u015ftirmeler eklendi.
\n* YOLOv3:<\/strong> Daha derin bir a\u011f yap\u0131s\u0131, \u00e7oklu \u00f6l\u00e7ekli tahminler ve daha iyi k\u00fc\u00e7\u00fck nesne tespiti ile performans\u0131 art\u0131rd\u0131.
\n* YOLOv4:<\/strong> Bag-of-freebies ve bag-of-specials tekniklerini kullanarak hem h\u0131z\u0131 hem de do\u011frulu\u011fu \u00f6nemli \u00f6l\u00e7\u00fcde geli\u015ftirdi.
\n* YOLOv5:<\/strong> Ultralytics taraf\u0131ndan geli\u015ftirilen bu versiyon, PyTorch tabanl\u0131 olmas\u0131, kolay kullan\u0131m\u0131 ve \u00e7e\u015fitli boyutlarda (nano, small, medium, large, xlarge) modeller sunmas\u0131yla pop\u00fcler oldu.
\n* YOLOv6 ve YOLOv7:<\/strong> \u00c7e\u015fitli ara\u015ft\u0131rmac\u0131lar taraf\u0131ndan geli\u015ftirilen bu versiyonlar da performans iyile\u015ftirmeleri sundu.
\n* YOLOv8:<\/strong> Ultralytics taraf\u0131ndan geli\u015ftirilen en son versiyon olan YOLOv8, daha modern bir mimari, geli\u015fmi\u015f e\u011fitim stratejileri ve daha esnek bir yap\u0131 sunar. Modelin mimarisi, daha hafif ve h\u0131zl\u0131 \u00e7\u0131kar\u0131m i\u00e7in tasarlanm\u0131\u015ft\u0131r ve \u00e7e\u015fitli boyutlarda (Nano, Small, Medium, Large, XLarge) \u00f6nceden e\u011fitilmi\u015f modellerle birlikte gelir. Ayr\u0131ca, nesne tespiti d\u0131\u015f\u0131nda segmentasyon ve poz tahmini gibi g\u00f6revleri de destekler. YOLOv8’in en b\u00fcy\u00fck avantajlar\u0131ndan biri, Ultralytics k\u00fct\u00fcphanesi sayesinde kurulum ve kullan\u0131m kolayl\u0131\u011f\u0131d\u0131r.<\/p>\nGPU H\u0131zland\u0131rman\u0131n \u00d6nemi<\/h3>\n
CPU ve GPU Fark\u0131<\/h4>\n
\n* GPU (Grafik \u0130\u015flem Birimi):<\/strong> Ba\u015flang\u0131\u00e7ta grafik i\u015fleme i\u00e7in tasarlanm\u0131\u015f olsalar da, paralel i\u015flem yetenekleri sayesinde derin \u00f6\u011frenme i\u00e7in vazge\u00e7ilmez hale gelmi\u015flerdir. Binlerce k\u00fc\u00e7\u00fck, basit \u00e7ekirde\u011fe sahiptirler ve bu \u00e7ekirdekler ayn\u0131 anda binlerce basit i\u015flemi paralel olarak ger\u00e7ekle\u015ftirebilir. Matris \u00e7arp\u0131m\u0131 gibi derin \u00f6\u011frenmenin temelini olu\u015fturan i\u015flemler i\u00e7in idealdirler.<\/p>\nDerin \u00d6\u011frenmede GPU’nun Rol\u00fc<\/h4>\n
\n* \u00c7\u0131kar\u0131m (Inference):<\/strong> Model e\u011fitildikten sonra, yeni g\u00f6r\u00fcnt\u00fcler \u00fczerinde nesne tespiti yapmak \u00e7\u0131kar\u0131m olarak adland\u0131r\u0131l\u0131r. Ger\u00e7ek zamanl\u0131 uygulamalar (\u00f6rne\u011fin, otonom ara\u00e7lar, canl\u0131 video analizi) i\u00e7in d\u00fc\u015f\u00fck gecikme s\u00fcresi ve y\u00fcksek kare h\u0131z\u0131 (FPS) kritik \u00f6neme sahiptir. GPU’lar, saniyede onlarca hatta y\u00fczlerce kareyi i\u015fleyerek bu gereksinimleri kar\u015f\u0131layabilir.<\/p>\nGerekli Donan\u0131m ve Yaz\u0131l\u0131m Altyap\u0131s\u0131<\/h3>\n
Donan\u0131m Gereksinimleri<\/h4>\n
\n * CUDA Uyumlu Olmal\u0131:<\/strong> YOLOv8 ve PyTorch, NVIDIA’n\u0131n CUDA platformunu kullanarak GPU h\u0131zland\u0131rmas\u0131 sa\u011flar. Bu nedenle bir NVIDIA GPU’ya sahip olman\u0131z \u015fartt\u0131r. AMD veya Intel GPU’lar do\u011frudan CUDA ile uyumlu de\u011fildir.
\n * Bellek (VRAM):<\/strong> Derin \u00f6\u011frenme modelleri, \u00f6zellikle y\u00fcksek \u00e7\u00f6z\u00fcn\u00fcrl\u00fckl\u00fc g\u00f6r\u00fcnt\u00fclerle \u00e7al\u0131\u015f\u0131rken veya b\u00fcy\u00fck batch size’lar kullan\u0131rken \u00f6nemli miktarda GPU belle\u011fi (VRAM) t\u00fcketir. En az 8 GB VRAM’e sahip bir GPU \u00f6nerilirken, 12 GB veya daha fazlas\u0131 (\u00f6rne\u011fin NVIDIA RTX 3060\/3070\/3080\/3090, RTX 40 serisi, Quadro veya Tesla serisi kartlar) daha b\u00fcy\u00fck modeller ve veri setleri i\u00e7in idealdir. Yetersiz VRAM, “CUDA out of memory” hatalar\u0131na yol a\u00e7ar.
\n2. Sistem RAM:<\/strong> GPU VRAM’in yan\u0131 s\u0131ra, sistem RAM’i de \u00f6nemlidir. Veri y\u00fckleme, \u00f6n i\u015fleme ve di\u011fer CPU tabanl\u0131 i\u015flemler i\u00e7in yeterli sistem belle\u011fi (en az 16 GB, tercihen 32 GB veya daha fazlas\u0131) performans\u0131 etkiler.
\n3. \u0130\u015flemci (CPU):<\/strong> GPU’nun t\u00fcm y\u00fck\u00fc \u00fcstlenmesine ra\u011fmen, CPU hala veri y\u00fckleme, diskten okuma, \u00f6n i\u015fleme ve i\u015fletim sistemi g\u00f6revleri i\u00e7in gereklidir. Modern bir \u00e7ok \u00e7ekirdekli CPU (Intel Core i5\/i7\/i9 veya AMD Ryzen 5\/7\/9) bu g\u00f6revler i\u00e7in yeterli olacakt\u0131r.<\/p>\nYaz\u0131l\u0131m Gereksinimleri<\/h4>\n
\n * Linux (Ubuntu \u00f6nerilir):<\/strong> Derin \u00f6\u011frenme geli\u015ftirme i\u00e7in en yayg\u0131n ve \u00f6nerilen i\u015fletim sistemidir. S\u00fcr\u00fcc\u00fc ve k\u00fct\u00fcphane kurulumu genellikle daha sorunsuz ve belgelidir.
\n * Windows:<\/strong> Windows \u00fczerinde de kurulum m\u00fcmk\u00fcnd\u00fcr, ancak bazen s\u00fcr\u00fcc\u00fc ve CUDA\/cuDNN yap\u0131land\u0131rmalar\u0131nda ek zorluklar ya\u015fanabilir. WSL2 (Windows Subsystem for Linux 2) kullanmak, Windows \u00fczerinde Linux benzeri bir deneyim sunarak kurulumu kolayla\u015ft\u0131rabilir.
\n2. NVIDIA S\u00fcr\u00fcc\u00fcleri:<\/strong> GPU’nuz i\u00e7in en g\u00fcncel ve kararl\u0131 NVIDIA s\u00fcr\u00fcc\u00fclerinin kurulu olmas\u0131 gerekir. S\u00fcr\u00fcc\u00fc s\u00fcr\u00fcm\u00fc, kullanaca\u011f\u0131n\u0131z CUDA Toolkit s\u00fcr\u00fcm\u00fcyle uyumlu olmal\u0131d\u0131r. nvidia-smi<\/code> komutu ile mevcut s\u00fcr\u00fcc\u00fc bilgilerinizi kontrol edebilirsiniz.
\n3. CUDA Toolkit:<\/strong> NVIDIA’n\u0131n paralel i\u015flem platformudur. Derin \u00f6\u011frenme k\u00fct\u00fcphaneleri (PyTorch gibi) GPU’yu kullanmak i\u00e7in CUDA API’lerini \u00e7a\u011f\u0131r\u0131r. CUDA Toolkit’in s\u00fcr\u00fcm\u00fc, PyTorch ve di\u011fer ba\u011f\u0131ml\u0131l\u0131klarla uyumlu olmal\u0131d\u0131r. Genellikle, en son PyTorch s\u00fcr\u00fcm\u00fc, belirli bir CUDA s\u00fcr\u00fcm\u00fcyle en iyi \u00e7al\u0131\u015f\u0131r. PyTorch’un resmi web sitesindeki kurulum talimatlar\u0131, hangi CUDA s\u00fcr\u00fcm\u00fcn\u00fc kullanman\u0131z gerekti\u011fini belirtir.
\n4. cuDNN (CUDA Deep Neural Network Library):<\/strong> NVIDIA taraf\u0131ndan geli\u015ftirilen, derin \u00f6\u011frenme operasyonlar\u0131n\u0131 (konvol\u00fcsyon, havuzlama vb.) h\u0131zland\u0131rmak i\u00e7in optimize edilmi\u015f bir k\u00fct\u00fcphanedir. CUDA Toolkit’in \u00fczerine kurulur ve performans\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131r\u0131r. cuDNN s\u00fcr\u00fcm\u00fc de CUDA Toolkit s\u00fcr\u00fcm\u00fcyle uyumlu olmal\u0131d\u0131r.
\n5. Python:<\/strong> Python, derin \u00f6\u011frenme projeleri i\u00e7in standart bir programlama dilidir. Python 3.8 veya \u00fczeri bir s\u00fcr\u00fcm \u00f6nerilir.
\n6. PyTorch:<\/strong> YOLOv8 (Ultralytics \u00e7at\u0131s\u0131 alt\u0131nda) PyTorch derin \u00f6\u011frenme \u00e7at\u0131s\u0131 \u00fczerine in\u015fa edilmi\u015ftir. GPU destekli PyTorch s\u00fcr\u00fcm\u00fcn\u00fc kurman\u0131z gerekmektedir.
\n7. Ultralytics K\u00fct\u00fcphanesi:<\/strong> YOLOv8 modellerini \u00e7al\u0131\u015ft\u0131rmak ve e\u011fitmek i\u00e7in Ultralytics k\u00fct\u00fcphanesini kurman\u0131z gerekecektir.
\n8. Di\u011fer Ba\u011f\u0131ml\u0131l\u0131klar:<\/strong> numpy<\/code>, opencv-python<\/code>, tqdm<\/code> gibi yayg\u0131n Python k\u00fct\u00fcphaneleri de gerekecektir. Ultralytics k\u00fct\u00fcphanesi genellikle bu ba\u011f\u0131ml\u0131l\u0131klar\u0131 otomatik olarak y\u00fckler.<\/p>\nAd\u0131m Ad\u0131m Kurulum ve Yap\u0131land\u0131rma<\/h3>\n
NVIDIA S\u00fcr\u00fcc\u00fc Kurulumu<\/h4>\n
nvidia-smi<\/code><\/pre>\n
\n Yeni bir s\u00fcr\u00fcc\u00fc kurmadan \u00f6nce eski s\u00fcr\u00fcc\u00fcleri kald\u0131rmak iyi bir uygulamad\u0131r:<\/p>\nsudo apt-get purge nvidia*\n sudo apt-get autoremove\n sudo apt-get autoclean<\/code><\/pre>\n
\n * \u00d6nerilen Y\u00f6ntem (PPA):<\/strong> Ubuntu’da en kolay y\u00f6ntemlerden biri PPA (Personal Package Archive) kullanmakt\u0131r.<\/p>\nsudo add-apt-repository ppa:graphics-drivers\/ppa\n sudo apt update\n ubuntu-drivers devices # \u00d6nerilen s\u00fcr\u00fcc\u00fcleri listeler\n sudo apt install nvidia-driver-XXX # XXX yerine \u00f6nerilen veya tercih etti\u011finiz s\u00fcr\u00fcm\u00fc yaz\u0131n (\u00f6rne\u011fin nvidia-driver-535)<\/code><\/pre>\n.run<\/code> dosyas\u0131n\u0131 indirip manuel olarak kurabilirsiniz. Bu y\u00f6ntem daha karma\u015f\u0131k olabilir ve X sunucusunu devre d\u0131\u015f\u0131 b\u0131rakmay\u0131 gerektirebilir.<\/p>\n
\n Yeniden ba\u015flatt\u0131ktan sonra tekrar nvidia-smi<\/code> komutunu \u00e7al\u0131\u015ft\u0131rarak s\u00fcr\u00fcc\u00fclerin do\u011fru bir \u015fekilde kuruldu\u011fundan emin olun.<\/p>\nCUDA Toolkit Kurulumu<\/h4>\n
cu118<\/code> gerektiriyorsa, CUDA Toolkit 11.8’i indirmelisiniz.<\/p>\ndeb (network)<\/code> veya deb (local)<\/code> se\u00e7ene\u011fini kullanabilirsiniz.<\/p>\ndeb (local)<\/code> i\u00e7in:<\/p>\nsudo dpkg -i cuda-repo-ubuntu2204-11-8-local_11.8.0-520.61.05-1_amd64.deb\n sudo cp \/var\/cuda-repo-ubuntu2204-11-8-local\/cuda-*-keyring.gpg \/usr\/share\/keyrings\/\n sudo apt-get update\n sudo apt-get -y install cuda<\/code><\/pre>\ncuda<\/code> yerine cuda-toolkit-11-8<\/code> gibi belirli bir s\u00fcr\u00fcm\u00fc de belirtebilirsiniz.<\/p>\n.bashrc<\/code> dosyan\u0131za a\u015fa\u011f\u0131daki sat\u0131rlar\u0131 ekleyin (CUDA s\u00fcr\u00fcm\u00fcn\u00fcze g\u00f6re yolu g\u00fcncelleyin):<\/p>\nexport PATH=\/usr\/local\/cuda-11.8\/bin${PATH:+:${PATH}}\n export LD_LIBRARY_PATH=\/usr\/local\/cuda-11.8\/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}<\/code><\/pre>\nsource ~\/.bashrc<\/code> komutunu \u00e7al\u0131\u015ft\u0131r\u0131n.<\/p>\nnvcc --version<\/code><\/pre>\ncuDNN Kurulumu<\/h4>\n
.tgz<\/code> dosyas\u0131 olarak gelir.<\/p>\n.tgz<\/code> dosyas\u0131n\u0131 a\u00e7\u0131n ve i\u00e7eri\u011fini CUDA Toolkit’in kurulu oldu\u011fu dizine kopyalay\u0131n.<\/p>\ntar -xzvf cudnn-linux-x86_64-8.X.X.X_cudaX.Y-archive.tgz\n sudo cp cudnn-linux-x86_64-8.X.X.X_cudaX.Y-archive\/include\/* \/usr\/local\/cuda\/include\/\n sudo cp cudnn-linux-x86_64-8.X.X.X_cudaX.Y-archive\/lib\/* \/usr\/local\/cuda\/lib64\/\n sudo chmod a+r \/usr\/local\/cuda\/include\/cudnn.h \/usr\/local\/cuda\/lib64\/libcudnn*<\/code><\/pre>\n8.X.X.X<\/code> ve cudaX.Y<\/code> k\u0131s\u0131mlar\u0131n\u0131 indirdi\u011finiz cuDNN ve CUDA s\u00fcr\u00fcm\u00fcn\u00fcze g\u00f6re g\u00fcncelleyin. \/usr\/local\/cuda<\/code> yolu, CUDA Toolkit’inizin ana kurulum dizinidir.<\/p>\nPython ve Sanal Ortam Kurulumu<\/h4>\n
\n * Miniconda’y\u0131 indirip kurun: https:\/\/docs.conda.io\/en\/latest\/miniconda.html
\n * Yeni bir sanal ortam olu\u015fturun:<\/p>\nconda create -n yolov8_gpu python=3.9\n conda activate yolov8_gpu<\/code><\/pre>\n
\n * <\/p>\npython3 -m venv yolov8_gpu_env\n source yolov8_gpu_env\/bin\/activate<\/code><\/pre>\nPyTorch Kurulumu (GPU Destekli)<\/h4>\n
# \u00d6rnek: CUDA 11.8 i\u00e7in\npip install torch torchvision torchaudio --index-url https:\/\/download.pytorch.org\/whl\/cu118\n\n\u00d6rnek: CUDA 12.1 i\u00e7in<\/h2>\n
pip install torch torchvision torchaudio --index-url https:\/\/download.pytorch.org\/whl\/cu121<\/code><\/pre>\n<\/h2>\n
import torch\nprint(torch.cuda.is_available())\nprint(torch.cuda.device_count())\nprint(torch.cuda.get_device_name(0))<\/code><\/pre>\nTrue<\/code> d\u00f6nd\u00fcrmeli, GPU say\u0131s\u0131n\u0131 g\u00f6stermeli ve GPU’nuzun ad\u0131n\u0131 yazd\u0131rmal\u0131d\u0131r.<\/p>\nUltralytics YOLOv8 Kurulumu<\/h4>\n
pip install ultralytics<\/code><\/pre>\nYOLOv8 ile GPU H\u0131zland\u0131rmay\u0131 Kullanma<\/h3>\n
Model Y\u00fckleme ve \u00c7\u0131kar\u0131m (Inference)<\/h4>\n
device<\/code> parametresini kullanarak GPU’nuzu belirtebilirsiniz.<\/p>\nfrom ultralytics import YOLO\n\nBir YOLOv8 modeli y\u00fckleyin (\u00f6rne\u011fin yolov8n.pt - nano modeli)<\/h2>\n
Model otomatik olarak indirilecektir e\u011fer yoksa<\/h2>\nmodel = YOLO('yolov8n.pt')\n\n
Bir resim veya video \u00fczerinde \u00e7\u0131kar\u0131m yap\u0131n<\/h2>\n
device=0: \u0130lk GPU'yu kullan<\/h2>\n
device='cpu': CPU kullanmak isterseniz<\/h2>\n
device='cuda': Mevcut ilk GPU'yu kullan<\/h2>\nresults = model.predict('path\/to\/your\/image.jpg', device=0, conf=0.25)\n\n
Birden fazla GPU'nuz varsa, belirli bir GPU'yu se\u00e7ebilirsiniz (\u00f6rne\u011fin device=1)<\/h2>\n
results = model.predict('path\/to\/your\/image.jpg', device=1, conf=0.25)<\/h2>\n\n
Video dosyas\u0131 \u00fczerinde \u00e7\u0131kar\u0131m<\/h2>\n
results = model.predict('path\/to\/your\/video.mp4', device=0, conf=0.25, save=True)<\/h2>\n\n
Sonu\u00e7lar\u0131 i\u015fleme<\/h2>\nfor r in results:\n boxes = r.boxes # Bounding box'lar\n masks = r.masks # Segmentasyon maskeleri (e\u011fer model segmentasyon destekliyorsa)\n keypoints = r.keypoints # Anahtar noktalar (e\u011fer model poz tahmini destekliyorsa)\n names = r.names # S\u0131n\u0131f isimleri\n\n for box in boxes:\n cls = int(box.cls[0]) # S\u0131n\u0131f ID\n conf = float(box.conf[0]) # G\u00fcven skoru\n xyxy = box.xyxy[0].tolist() # [x1, y1, x2, y2] format\u0131nda koordinatlar\n\n print(f\"Nesne: {names[cls]}, G\u00fcven: {conf:.2f}, Kutu: {xyxy}\")\n\n
Sonu\u00e7lar\u0131 \u00e7izdirin ve kaydedin<\/h2>\n
predict metodu zaten sonu\u00e7lar\u0131 g\u00f6rselli\u015ftirebilir ve kaydedebilir (save=True ile)<\/h2>\n
E\u011fer save=False ise, sonu\u00e7lar\u0131 manuel olarak \u00e7izdirebilirsiniz:<\/h2>\n
r.show() # G\u00f6r\u00fcnt\u00fcleri g\u00f6ster<\/h2>\n
r.save(filename='result.jpg') # Kaydet<\/code><\/pre>\n<\/h2>\n
device=0<\/code> parametresi, PyTorch’a ilk kullan\u0131labilir GPU’yu kullanmas\u0131n\u0131 s\u00f6yler. E\u011fer bu parametre belirtilmezse ve bir GPU mevcutsa, PyTorch genellikle otomatik olarak GPU’yu kullan\u0131r. Ancak, a\u00e7\u0131k\u00e7a belirtmek en iyi uygulamad\u0131r.<\/p>\nE\u011fitim (Training)<\/h4>\n
\n * YOLOv8, belirli bir klas\u00f6r yap\u0131s\u0131 ve YAML dosyas\u0131nda tan\u0131mlanm\u0131\u015f veri yolu gerektirir. Genellikle train\/images<\/code>, train\/labels<\/code>, val\/images<\/code>, val\/labels<\/code> gibi klas\u00f6rler bulunur.
\n * YAML dosyas\u0131 (\u00f6rne\u011fin my_dataset.yaml<\/code>) a\u015fa\u011f\u0131daki gibi olmal\u0131d\u0131r:<\/p>\n# Dataset root dir\n path: \/path\/to\/your\/dataset\n\n # Train\/val\/test images dirs\n train: images\/train\n val: images\/val\n test: images\/test # iste\u011fe ba\u011fl\u0131\n\n # Classes\n nc: 2 # S\u0131n\u0131f say\u0131s\u0131\n names: ['class1', 'class2'] # S\u0131n\u0131f isimleri<\/code><\/pre>\nfrom ultralytics import YOLO\n\n # \u00d6nceden e\u011fitilmi\u015f bir modeli y\u00fckleyin (fine-tuning i\u00e7in)\n # Ya da s\u0131f\u0131rdan e\u011fitmek i\u00e7in 'yolov8n.yaml' gibi bir yap\u0131land\u0131rma dosyas\u0131 kullan\u0131n\n model = YOLO('yolov8n.pt')\n\n # Kendi veri setiniz \u00fczerinde modeli e\u011fitin\n # data: Veri setinizin YAML dosyas\u0131n\u0131n yolu\n # epochs: E\u011fitim d\u00f6ng\u00fcs\u00fc say\u0131s\u0131\n # imgsz: Giri\u015f g\u00f6r\u00fcnt\u00fc boyutu (\u00f6rne\u011fin 640x640)\n # batch: Her iterasyonda i\u015flenecek g\u00f6r\u00fcnt\u00fc say\u0131s\u0131 (GPU belle\u011finize g\u00f6re ayarlay\u0131n)\n # device: GPU kullanmak i\u00e7in 0 veya 'cuda'\n results = model.train(data='my_dataset.yaml', epochs=100, imgsz=640, batch=16, device=0)\n\n # E\u011fitim tamamland\u0131ktan sonra en iyi model a\u011f\u0131rl\u0131klar\u0131 genellikle 'runs\/detect\/trainX\/weights\/best.pt' konumunda bulunur.<\/code><\/pre>\nbatch<\/code> parametresi, GPU belle\u011finin ne kadar kullan\u0131laca\u011f\u0131n\u0131 do\u011frudan etkiler. Daha b\u00fcy\u00fck batch<\/code> boyutlar\u0131, daha h\u0131zl\u0131 e\u011fitim sa\u011flayabilir ancak daha fazla VRAM gerektirir. device=0<\/code> yine ilk GPU’yu kullanmay\u0131 belirtir.<\/p>\nPerformans Kar\u015f\u0131la\u015ft\u0131rmas\u0131 (CPU vs GPU)<\/h4>\n
import time\nfrom ultralytics import YOLO\n\nModeli y\u00fckle<\/h2>\nmodel = YOLO('yolov8n.pt')\n\nimage_path = 'path\/to\/your\/image.jpg' # Kendi resminizin yolunu verin\n\n
CPU \u00fczerinde \u00e7\u0131kar\u0131m<\/h2>\nstart_time_cpu = time.time()\nresults_cpu = model.predict(image_path, device='cpu')\nend_time_cpu = time.time()\nprint(f\"CPU \u00fczerinde \u00e7\u0131kar\u0131m s\u00fcresi: {end_time_cpu - start_time_cpu:.4f} saniye\")\n\n
GPU \u00fczerinde \u00e7\u0131kar\u0131m<\/h2>\nstart_time_gpu = time.time()\nresults_gpu = model.predict(image_path, device=0)\nend_time_gpu = time.time()\nprint(f\"GPU \u00fczerinde \u00e7\u0131kar\u0131m s\u00fcresi: {end_time_gpu - start_time_gpu:.4f} saniye\")<\/code><\/pre>\n
Optimizasyon ve \u0130pu\u00e7lar\u0131<\/h3>\n
\n * batch<\/code> boyutu, bir e\u011fitim ad\u0131m\u0131nda veya \u00e7\u0131kar\u0131mda ayn\u0131 anda i\u015flenen g\u00f6r\u00fcnt\u00fc say\u0131s\u0131n\u0131 belirler. Daha b\u00fcy\u00fck batch<\/code> boyutlar\u0131 genellikle GPU’yu daha verimli kullan\u0131r ve daha h\u0131zl\u0131 e\u011fitim\/\u00e7\u0131kar\u0131m sa\u011flar.
\n * Ancak, batch<\/code> boyutu GPU VRAM’ine do\u011frudan ba\u011fl\u0131d\u0131r. “CUDA out of memory” hatas\u0131 al\u0131yorsan\u0131z, batch<\/code> boyutunu k\u00fc\u00e7\u00fcltmeniz gerekir.
\n * nvidia-smi<\/code> komutu ile GPU kullan\u0131m\u0131n\u0131z\u0131 izleyerek ideal batch<\/code> boyutunu bulabilirsiniz.<\/p>\n
\n * \u00c7o\u011fu derin \u00f6\u011frenme modeli, varsay\u0131lan olarak 32-bit kayan nokta (FP32) hassasiyetinde \u00e7al\u0131\u015f\u0131r. Ancak, NVIDIA’n\u0131n Tensor Core’lar\u0131na sahip modern GPU’lar, 16-bit kayan nokta (FP16) hassasiyetinde \u00e7ok daha h\u0131zl\u0131 i\u015flem yapabilir.
\n * FP16, modelin bellek ayak izini azalt\u0131r ve daha h\u0131zl\u0131 hesaplamalar sa\u011flar. \u00c7o\u011fu durumda, do\u011frulukta ihmal edilebilir bir d\u00fc\u015f\u00fc\u015fle birlikte \u00f6nemli h\u0131z art\u0131\u015f\u0131 sa\u011flar.
\n * YOLOv8’de model.train()<\/code> veya model.predict()<\/code> metotlar\u0131nda half=True<\/code> parametresini kullanarak FP16’y\u0131 etkinle\u015ftirebilirsiniz:<\/p>\n# E\u011fitimde FP16 kullanma\n model.train(data='my_dataset.yaml', epochs=100, imgsz=640, batch=32, device=0, half=True)\n\n # \u00c7\u0131kar\u0131mda FP16 kullanma\n results = model.predict('path\/to\/image.jpg', device=0, half=True)<\/code><\/pre>\n
\n * TensorRT:<\/strong> NVIDIA’n\u0131n \u00f6zel bir \u00e7\u0131kar\u0131m optimizasyon k\u00fct\u00fcphanesidir. Model grafiklerini GPU’ya \u00f6zel optimizasyonlarla derleyerek \u00e7\u0131kar\u0131m h\u0131z\u0131n\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131rabilir. YOLOv8 modellerini ONNX format\u0131na d\u0131\u015fa aktar\u0131p ard\u0131ndan TensorRT’ye d\u00f6n\u00fc\u015ft\u00fcrebilirsiniz.
\n * ONNX Runtime:<\/strong> ONNX (Open Neural Network Exchange) format\u0131ndaki modeller i\u00e7in optimize edilmi\u015f bir \u00e7\u0131kar\u0131m motorudur. Hem CPU hem de GPU \u00fczerinde (CUDA veya DirectML ile) h\u0131zl\u0131 \u00e7\u0131kar\u0131m sa\u011flayabilir.
\n * Ultralytics, modelleri ONNX ve TensorRT gibi formatlara kolayca d\u0131\u015fa aktarma yetene\u011fi sunar:<\/p>\nmodel = YOLO('yolov8n.pt')\n model.export(format='onnx', imgsz=640, half=True, device=0) # ONNX'e aktar\n model.export(format='engine', imgsz=640, half=True, device=0) # TensorRT motoruna aktar<\/code><\/pre>\n
\n * E\u011fitim s\u0131ras\u0131nda, veri setinden g\u00f6r\u00fcnt\u00fclerin okunmas\u0131 ve \u00f6n i\u015flenmesi CPU’da ger\u00e7ekle\u015fir. E\u011fer bu s\u00fcre\u00e7 GPU’nun beklemesine neden oluyorsa, e\u011fitim yava\u015flar.
\n * PyTorch’un DataLoader<\/code>‘\u0131, verileri paralel olarak y\u00fcklemek i\u00e7in birden fazla i\u015f\u00e7i (worker) kullanabilir. model.train()<\/code> metodundaki workers<\/code> parametresi bunu kontrol eder.
\n * <\/p>\nmodel.train(data='my_dataset.yaml', epochs=100, imgsz=640, batch=16, device=0, workers=8)<\/code><\/pre>\nworkers<\/code> say\u0131s\u0131n\u0131 CPU \u00e7ekirdek say\u0131n\u0131za veya GPU’nuzun veri i\u015fleme h\u0131z\u0131na g\u00f6re ayarlayabilirsiniz. Genellikle workers=0<\/code> (ana s\u00fcre\u00e7te veri y\u00fckleme) veya CPU \u00e7ekirdek say\u0131s\u0131n\u0131n yar\u0131s\u0131 gibi de\u011ferler iyi ba\u015flang\u0131\u00e7 noktalar\u0131d\u0131r.<\/p>\n
\n * nvidia-smi<\/code> komutunu d\u00fczenli olarak kullanarak GPU’nuzun bellek ve kullan\u0131m durumunu takip edin. Bu, \u00f6zellikle “out of memory” hatalar\u0131n\u0131 te\u015fhis etmede yard\u0131mc\u0131 olur.
\n * E\u011fer bellek kullan\u0131m\u0131 \u00e7ok y\u00fcksekse, batch<\/code> boyutunu k\u00fc\u00e7\u00fcltmeyi, imgsz<\/code> (g\u00f6r\u00fcnt\u00fc boyutu) de\u011ferini d\u00fc\u015f\u00fcrmeyi veya half=True<\/code> kullanmay\u0131 deneyin.<\/p>\n
\n * En \u00f6nemli ipucu, t\u00fcm bile\u015fenlerin (NVIDIA S\u00fcr\u00fcc\u00fcs\u00fc, CUDA Toolkit, cuDNN, PyTorch) birbiriyle uyumlu s\u00fcr\u00fcmlerini kulland\u0131\u011f\u0131n\u0131zdan emin olmakt\u0131r. S\u00fcr\u00fcm uyumsuzluklar\u0131, en yayg\u0131n sorunlar\u0131n kayna\u011f\u0131d\u0131r. PyTorch’un resmi kurulum sayfas\u0131ndaki y\u00f6nergeleri dikkatlice takip edin.<\/p>\nPotansiyel Sorunlar ve \u00c7\u00f6z\u00fcmleri<\/h3>\n
\n * Sorun:<\/strong> GPU belle\u011fi yetersiz. Model, g\u00f6r\u00fcnt\u00fc boyutu veya batch<\/code> boyutu GPU’nuzun VRAM’ini a\u015f\u0131yor.
\n * \u00c7\u00f6z\u00fcm:<\/strong>
\n * batch<\/code> boyutunu k\u00fc\u00e7\u00fclt\u00fcn.
\n * Giri\u015f g\u00f6r\u00fcnt\u00fc boyutunu (imgsz<\/code>) d\u00fc\u015f\u00fcr\u00fcn.
\n * half=True<\/code> parametresiyle yar\u0131m hassasiyet (FP16) kullanmay\u0131 deneyin.
\n * Daha az VRAM t\u00fcketen daha k\u00fc\u00e7\u00fck bir YOLOv8 modeli kullan\u0131n (\u00f6rne\u011fin yolov8n.pt<\/code> yerine yolov8s.pt<\/code>).
\n * Gereksiz di\u011fer GPU kullanan uygulamalar\u0131 kapat\u0131n.<\/p>\ntorch.cuda.is_available()<\/code> False<\/code> D\u00f6n\u00fcyor:<\/strong>
\n * Sorun:<\/strong> PyTorch, GPU’nuzu alg\u0131layam\u0131yor. Bu genellikle yanl\u0131\u015f veya eksik CUDA\/s\u00fcr\u00fcc\u00fc kurulumundan kaynaklan\u0131r.
\n * \u00c7\u00f6z\u00fcm:<\/strong>
\n * NVIDIA s\u00fcr\u00fcc\u00fclerinin do\u011fru \u015fekilde kurulu oldu\u011fundan emin olun (nvidia-smi<\/code> \u00e7al\u0131\u015f\u0131yor mu?).
\n * CUDA Toolkit’in do\u011fru s\u00fcr\u00fcm\u00fcn\u00fcn kurulu oldu\u011fundan ve ortam de\u011fi\u015fkenlerinin (PATH<\/code>, LD_LIBRARY_PATH<\/code>) do\u011fru ayarland\u0131\u011f\u0131ndan emin olun (nvcc --version<\/code> \u00e7al\u0131\u015f\u0131yor mu?).
\n * PyTorch’u CUDA destekli s\u00fcr\u00fcm\u00fcn\u00fc indirdi\u011finizden emin olun (\u00f6rne\u011fin pip install torch...cuXXX<\/code>).
\n * Sanal ortam\u0131n\u0131z\u0131n etkin oldu\u011fundan emin olun.<\/p>\n
\n * Sorun:<\/strong> cuDNN k\u00fct\u00fcphanesi do\u011fru kurulmam\u0131\u015f veya CUDA Toolkit ile uyumsuz.
\n * \u00c7\u00f6z\u00fcm:<\/strong>
\n * cuDNN’nin CUDA Toolkit dizinine do\u011fru \u015fekilde kopyaland\u0131\u011f\u0131ndan ve gerekli izinlere sahip oldu\u011fundan emin olun.
\n * cuDNN s\u00fcr\u00fcm\u00fcn\u00fcn CUDA Toolkit s\u00fcr\u00fcm\u00fcn\u00fczle uyumlu oldu\u011fundan emin olun. NVIDIA’n\u0131n sitesinden do\u011fru s\u00fcr\u00fcm\u00fc indirin.
\n * Bazen cuDNN’i manuel olarak LD_LIBRARY_PATH<\/code>‘e eklemek gerekebilir.<\/p>\n
\n * Sorun:<\/strong> NVIDIA s\u00fcr\u00fcc\u00fcleri i\u015fletim sistemi \u00e7ekirde\u011fi ile uyumsuz veya kurulum s\u0131ras\u0131nda bir hata olu\u015ftu.
\n * \u00c7\u00f6z\u00fcm:<\/strong>
\n * \u0130\u015fletim sisteminizin g\u00fcncel oldu\u011fundan emin olun.
\n * S\u00fcr\u00fcc\u00fcleri kurmadan \u00f6nce eski s\u00fcr\u00fcc\u00fcleri tamamen kald\u0131r\u0131n.
\n * Manuel s\u00fcr\u00fcc\u00fc kurulumu yap\u0131yorsan\u0131z, X sunucusunu devre d\u0131\u015f\u0131 b\u0131rakt\u0131\u011f\u0131n\u0131zdan emin olun (sudo systemctl isolate multi-user.target<\/code>).
\n * Kernel mod\u00fclleri ile ilgili hatalar i\u00e7in, dkms<\/code> paketinin kurulu oldu\u011fundan ve s\u00fcr\u00fcc\u00fc kurulumu s\u0131ras\u0131nda do\u011fru yap\u0131land\u0131r\u0131ld\u0131\u011f\u0131ndan emin olun.<\/p>\n
\n * Sorun:<\/strong> PATH<\/code> veya LD_LIBRARY_PATH<\/code> gibi ortam de\u011fi\u015fkenleri do\u011fru ayarlanmam\u0131\u015f veya etkinle\u015ftirilmemi\u015f.
\n * \u00c7\u00f6z\u00fcm:<\/strong>
\n * .bashrc<\/code> veya .profile<\/code> dosyan\u0131zdaki ayarlar\u0131 kontrol edin.
\n * De\u011fi\u015fiklikleri kaydettikten sonra source ~\/.bashrc<\/code> komutuyla etkinle\u015ftirdi\u011finizden emin olun.
\n * Sistemi yeniden ba\u015flatmak da ortam de\u011fi\u015fkenlerinin g\u00fcncellenmesine yard\u0131mc\u0131 olabilir.<\/p>\n
\n * Sorun:<\/strong> Farkl\u0131 k\u00fct\u00fcphaneler ayn\u0131 ba\u011f\u0131ml\u0131l\u0131\u011f\u0131n farkl\u0131 s\u00fcr\u00fcmlerini gerektiriyor.
\n * \u00c7\u00f6z\u00fcm:<\/strong>
\n * Her zaman sanal ortam (conda veya venv) kullan\u0131n. Bu, farkl\u0131 projeler i\u00e7in izole edilmi\u015f ba\u011f\u0131ml\u0131l\u0131k setleri olu\u015fturman\u0131za olanak tan\u0131r.
\n * pip install -r requirements.txt<\/code> veya conda install --file requirements.txt<\/code> gibi gereksinim dosyalar\u0131n\u0131 kullanarak ba\u011f\u0131ml\u0131l\u0131klar\u0131 y\u00f6netin.
\n * Ultralytics k\u00fct\u00fcphanesi kurulurken, gerekli ba\u011f\u0131ml\u0131l\u0131klar\u0131 otomatik olarak y\u00fckler. E\u011fer bir sorun ya\u015farsan\u0131z, pip list<\/code> komutuyla kurulu paketleri kontrol edip \u00e7ak\u0131\u015fanlar\u0131 manuel olarak kald\u0131r\u0131p yeniden kurmay\u0131 deneyebilirsiniz.<\/p>\n
\n * Sorun:<\/strong> GPU alg\u0131lan\u0131yor ancak tam kapasiteyle kullan\u0131lm\u0131yor.
\n * \u00c7\u00f6z\u00fcm:<\/strong>
\n * batch<\/code> boyutunu art\u0131r\u0131n (e\u011fer VRAM yeterliyse).
\n * half=True<\/code> (FP16) kullan\u0131n.
\n * workers<\/code> parametresini DataLoader<\/code>‘da art\u0131rarak veri y\u00fckleme darbo\u011faz\u0131n\u0131 giderin.
\n * Modeli ONNX veya TensorRT gibi optimize edilmi\u015f formatlara d\u00f6n\u00fc\u015ft\u00fcrerek \u00e7\u0131kar\u0131m yap\u0131n.
\n * nvidia-smi<\/code> ile GPU kullan\u0131m\u0131n\u0131 izleyin. E\u011fer GPU kullan\u0131m\u0131 d\u00fc\u015f\u00fck ve CPU kullan\u0131m\u0131 y\u00fcksekse, veri y\u00fckleme veya \u00f6n i\u015fleme bir darbo\u011faz olabilir.<\/p>\nSonu\u00e7<\/h3>\n
device<\/code> parametresini kullanarak YOLOv8 modellerini GPU \u00fczerinde \u00e7al\u0131\u015ft\u0131rabilir, hem \u00e7\u0131kar\u0131m hem de e\u011fitim s\u00fcre\u00e7lerinde CPU’ya k\u0131yasla katlanarak artan bir performans elde edebilirsiniz.<\/p>\nbatch<\/code> boyutunu ayarlamak, yar\u0131m hassasiyet (FP16) kullanmak ve TensorRT veya ONNX Runtime gibi \u00e7\u0131kar\u0131m motorlar\u0131n\u0131 entegre etmek gibi optimizasyon teknikleri, performans\u0131 daha da art\u0131rarak YOLOv8’den maksimum verimi alman\u0131z\u0131 sa\u011flar. Kar\u015f\u0131la\u015f\u0131labilecek potansiyel sorunlar ve bunlar\u0131n \u00e7\u00f6z\u00fcmlerine y\u00f6nelik rehberlik, kurulum ve yap\u0131land\u0131rma s\u00fcrecindeki engelleri a\u015fman\u0131zda yard\u0131mc\u0131 olacakt\u0131r.<\/p>\n