Nesne alg\u0131lama, bilgisayar g\u00f6r\u00fc\u015f\u00fcn\u00fcn en dinamik ve etkili alanlar\u0131ndan biridir. Otonom ara\u00e7lardan g\u00fcvenlik sistemlerine, t\u0131bbi g\u00f6r\u00fcnt\u00fclemeden end\u00fcstriyel otomasyona kadar geni\u015f bir uygulama yelpazesinde devrim niteli\u011finde \u00e7\u00f6z\u00fcmler sunmaktad\u0131r. Bu alandaki s\u00fcrekli yeniliklerin ba\u015f\u0131nda ise “You Only Look Once” (YOLO) serisi gelmektedir. YOLO, ger\u00e7ek zamanl\u0131 performans\u0131 ve y\u00fcksek do\u011frulu\u011fu bir araya getirme yetene\u011fiyle ara\u015ft\u0131rmac\u0131lar\u0131n ve geli\u015ftiricilerin g\u00f6zdesi haline gelmi\u015ftir. Her yeni s\u00fcr\u00fcm\u00fcyle \u00e7\u0131tay\u0131 daha da y\u00fckselten YOLO serisi, \u015fimdi potansiyel olarak YOLOv11 ile yeni bir d\u00f6neme\u00e7te. Bu makalede, YOLOv11’in getirece\u011fi varsay\u0131msal yenilikleri, \u00f6zel veri k\u00fcmeleri \u00fczerinde ince ayar (finetuning) yapman\u0131n inceliklerini ve bu yo\u011fun hesaplama g\u00f6revlerini bulut tabanl\u0131 GPU Droplet’leri kullanarak nas\u0131l verimli bir \u015fekilde ger\u00e7ekle\u015ftirebilece\u011fimizi detayl\u0131 bir \u015fekilde inceleyece\u011fiz.<\/p>\n
Nesne alg\u0131lama modellerinin ger\u00e7ek d\u00fcnya uygulamalar\u0131na entegrasyonu, genellikle mevcut modellerin belirli bir g\u00f6reve veya veri k\u00fcmesine uyarlanmas\u0131n\u0131 gerektirir. Bu s\u00fcre\u00e7, “ince ayar” olarak bilinir ve transfer \u00f6\u011frenmenin kritik bir bile\u015fenidir. \u00d6nceden e\u011fitilmi\u015f g\u00fc\u00e7l\u00fc bir temel modelin, daha k\u00fc\u00e7\u00fck ve spesifik bir veri k\u00fcmesi \u00fczerinde e\u011fitilmesi, hem zaman hem de hesaplama kaynaklar\u0131ndan \u00f6nemli \u00f6l\u00e7\u00fcde tasarruf sa\u011flar. Ancak, bu ince ayar s\u00fcreci, \u00f6zellikle b\u00fcy\u00fck modeller ve veri k\u00fcmeleri s\u00f6z konusu oldu\u011funda yine de ciddi bir hesaplama g\u00fcc\u00fc gerektirir. \u0130\u015fte bu noktada, DigitalOcean gibi bulut sa\u011flay\u0131c\u0131lar\u0131n\u0131n sundu\u011fu GPU Droplet’leri devreye girer. Bu Droplet’ler, esnek, \u00f6l\u00e7eklenebilir ve maliyet etkin bir \u015fekilde y\u00fcksek performansl\u0131 GPU kaynaklar\u0131na eri\u015fim sa\u011flayarak derin \u00f6\u011frenme projelerini demokratikle\u015ftirmektedir. Bu makale, YOLOv11’in teorik avantajlar\u0131n\u0131, \u00f6zel veri k\u00fcmeleri \u00fczerinde etkili bir ince ayar stratejisini ve GPU Droplet’lerinin bu s\u00fcre\u00e7teki rol\u00fcn\u00fc derinlemesine analiz etmeyi ama\u00e7lamaktad\u0131r.<\/p>\n
YOLO serisi, 2016’daki ilk s\u00fcr\u00fcm\u00fcnden bu yana nesne alg\u0131lama alan\u0131nda \u00e7\u0131\u011f\u0131r a\u00e7an yeniliklere imza atm\u0131\u015ft\u0131r. Tek bir sinir a\u011f\u0131 kullanarak do\u011frudan s\u0131n\u0131rlay\u0131c\u0131 kutular ve s\u0131n\u0131f olas\u0131l\u0131klar\u0131 tahmin etme yakla\u015f\u0131m\u0131, \u00f6nceki iki a\u015famal\u0131 dedekt\u00f6rlere k\u0131yasla \u00f6nemli bir h\u0131z avantaj\u0131 sa\u011flam\u0131\u015ft\u0131r. YOLOv1’den YOLOv8’e kadar her iterasyon, mimari iyile\u015ftirmeler, daha iyi \u00f6zellik \u00e7\u0131karma mekanizmalar\u0131, geli\u015fmi\u015f kay\u0131p fonksiyonlar\u0131 ve daha ak\u0131ll\u0131 e\u011fitim stratejileri ile hem do\u011frulu\u011fu hem de h\u0131z\u0131 art\u0131rm\u0131\u015ft\u0131r. YOLOv8, g\u00fcncel olarak serinin en geli\u015fmi\u015f ve yayg\u0131n olarak kullan\u0131lan versiyonlar\u0131ndan biri olup, \u00e7e\u015fitli boyutlardaki modelleri ve farkl\u0131 g\u00f6revlere (segmentasyon, poz tahmini) geni\u015fletilebilirli\u011fi ile dikkat \u00e7ekmektedir. YOLOv11, bu zengin miras \u00fczerine in\u015fa ederek, muhtemelen yeni nesil nesne alg\u0131lama paradigmalar\u0131n\u0131 \u015fekillendirecek yenilikleri beraberinde getirecektir.<\/p>\n
YOLOv1, nesne alg\u0131lamay\u0131 bir regresyon problemi olarak form\u00fcle ederek devrim yaratt\u0131. G\u00f6r\u00fcnt\u00fcy\u00fc bir \u0131zgaraya b\u00f6ld\u00fc ve her \u0131zgara h\u00fccresinin s\u0131n\u0131rlay\u0131c\u0131 kutular\u0131 ve s\u0131n\u0131f olas\u0131l\u0131klar\u0131n\u0131 do\u011frudan tahmin etmesini sa\u011flad\u0131. Bu, o zamana kadarki en h\u0131zl\u0131 dedekt\u00f6rlerden biriydi. YOLOv2 (YOLO9000), daha iyi do\u011fruluk i\u00e7in \u00e7apalanm\u0131\u015f kutular (anchor boxes) ve \u00e7ok \u00f6l\u00e7ekli e\u011fitim gibi yenilikler getirdi. YOLOv3, daha g\u00fc\u00e7l\u00fc bir omurga a\u011f\u0131 (Darknet-53), lojistik regresyon kullanarak nesne olas\u0131l\u0131\u011f\u0131 tahmini ve \u00e7oklu \u00f6l\u00e7eklerde alg\u0131lama yetene\u011fi ile hem h\u0131z\u0131 hem de do\u011frulu\u011fu daha da art\u0131rd\u0131. YOLOv4, CSPDarknet53 omurgas\u0131, PANet yolu toplama a\u011f\u0131 ve Mish aktivasyon fonksiyonu gibi bir\u00e7ok optimizasyon ve geli\u015fmi\u015f veri b\u00fcy\u00fctme teknikleri ile state-of-the-art performansa ula\u015ft\u0131. YOLOv5, PyTorch tabanl\u0131 ilk Ultralytics YOLO s\u00fcr\u00fcm\u00fc olarak, kolay kullan\u0131m\u0131, \u00e7e\u015fitli model boyutlar\u0131 ve h\u0131zl\u0131 e\u011fitim yetenekleri ile pop\u00fclerlik kazand\u0131. YOLOv6 ve YOLOv7, daha da optimize edilmi\u015f mimariler ve e\u011fitim stratejileri sunarak rekabeti art\u0131rd\u0131. Son olarak, YOLOv8, daha mod\u00fcler bir tasar\u0131m, geli\u015fmi\u015f bir omurga ve ba\u015fl\u0131k (head) mimarisi, yeni bir kay\u0131p fonksiyonu (Task-Aligned Assigner) ve kutu kodlama y\u00f6ntemi ile performans\u0131 ve kullan\u0131m kolayl\u0131\u011f\u0131n\u0131 bir \u00fcst seviyeye ta\u015f\u0131d\u0131. Bu evrim, YOLO’nun s\u00fcrekli olarak daha hafif, daha h\u0131zl\u0131 ve daha do\u011fru modeller \u00fcretme hedefini yans\u0131tmaktad\u0131r.<\/p>\n
YOLOv11’in mimarisi, \u00f6nceki s\u00fcr\u00fcmlerin ba\u015far\u0131lar\u0131n\u0131 temel al\u0131rken, derin \u00f6\u011frenmedeki en son trendleri ve ara\u015ft\u0131rmalar\u0131 entegre etmesi beklenmektedir. Muhtemel yenilikler \u015funlar\u0131 i\u00e7erebilir:<\/p>\n
* Transformer Entegrasyonu:<\/strong> Vision Transformer’lar\u0131n (ViT) g\u00f6r\u00fcnt\u00fc s\u0131n\u0131fland\u0131rma ve di\u011fer bilgisayar g\u00f6r\u00fc\u015f\u00fc g\u00f6revlerindeki ba\u015far\u0131s\u0131 g\u00f6z \u00f6n\u00fcne al\u0131nd\u0131\u011f\u0131nda, YOLOv11’in omurga veya ba\u015fl\u0131k k\u0131sm\u0131na Transformer bloklar\u0131n\u0131n entegrasyonu olduk\u00e7a olas\u0131d\u0131r. Bu, modelin uzun menzilli ba\u011f\u0131ml\u0131l\u0131klar\u0131 daha iyi yakalamas\u0131na ve daha zengin ba\u011flamsal \u00f6zellikler \u00f6\u011frenmesine yard\u0131mc\u0131 olabilir. YOLOv11’in temel hedeflerinden biri, \u00f6nceki s\u00fcr\u00fcmlere k\u0131yasla performans ve verimlilikte \u00f6nemli bir s\u0131\u00e7rama yapmakt\u0131r. Bu, a\u015fa\u011f\u0131daki alanlarda kendini g\u00f6sterebilir:<\/p>\n * Daha Y\u00fcksek Ortalama Kesinlik (mAP):<\/strong> Geli\u015fmi\u015f mimariler ve e\u011fitim stratejileri sayesinde, modelin farkl\u0131 nesne boyutlar\u0131 ve karma\u015f\u0131k sahnelerde daha y\u00fcksek do\u011fruluk oranlar\u0131na ula\u015fmas\u0131 beklenmektedir. YOLOv11, yaln\u0131zca mimari yeniliklerle kalmay\u0131p, ayn\u0131 zamanda e\u011fitim s\u00fcrecini de optimize eden yeni stratejiler sunabilir:<\/p>\n * Geli\u015fmi\u015f Veri B\u00fcy\u00fctme (Augmentation):<\/strong> CutMix, Mosaic, MixUp gibi mevcut tekniklerin daha ak\u0131ll\u0131 ve uyarlanabilir versiyonlar\u0131 veya tamamen yeni b\u00fcy\u00fctme stratejileri, modelin genelleme yetene\u011fini art\u0131rabilir ve a\u015f\u0131r\u0131 uyumu (overfitting) azaltabilir. Derin \u00f6\u011frenme modellerini s\u0131f\u0131rdan e\u011fitmek, genellikle muazzam miktarda etiketli veri ve hesaplama kayna\u011f\u0131 gerektiren zorlu bir s\u00fcre\u00e7tir. Ancak, \u00e7o\u011fu ger\u00e7ek d\u00fcnya uygulamas\u0131 i\u00e7in bu t\u00fcr kaynaklar s\u0131n\u0131rl\u0131d\u0131r. \u0130\u015fte bu noktada transfer \u00f6\u011frenme ve \u00f6zel veri k\u00fcmelerinde ince ayar (finetuning) devreye girer. \u0130nce ayar, \u00f6nceden e\u011fitilmi\u015f bir modelin belirli bir g\u00f6reve veya veri k\u00fcmesine uyarlanmas\u0131n\u0131 sa\u011flayan g\u00fc\u00e7l\u00fc bir tekniktir.<\/p>\n Transfer \u00f6\u011frenme, bir g\u00f6revde (kaynak g\u00f6rev) \u00f6\u011frenilen bilgiyi ba\u015fka bir ilgili g\u00f6reve (hedef g\u00f6rev) uygulama s\u00fcrecidir. Nesne alg\u0131lamada bu, genellikle COCO, ImageNet gibi b\u00fcy\u00fck ve genel veri k\u00fcmelerinde e\u011fitilmi\u015f bir modelin a\u011f\u0131rl\u0131klar\u0131n\u0131 al\u0131p, daha k\u00fc\u00e7\u00fck ve spesifik bir veri k\u00fcmesi \u00fczerinde e\u011fiterek ba\u015flar. Avantajlar\u0131 \u015funlard\u0131r:<\/p>\n * Zaman ve Kaynak Tasarrufu:<\/strong> S\u0131f\u0131rdan e\u011fitim yerine, \u00f6nceden e\u011fitilmi\u015f a\u011f\u0131rl\u0131klarla ba\u015flamak, e\u011fitim s\u00fcresini ve gereken hesaplama g\u00fcc\u00fcn\u00fc \u00f6nemli \u00f6l\u00e7\u00fcde azalt\u0131r. \u0130nce ayar s\u00fcrecinin ba\u015far\u0131s\u0131, b\u00fcy\u00fck \u00f6l\u00e7\u00fcde \u00f6zel veri k\u00fcmesinin kalitesine ve haz\u0131rl\u0131\u011f\u0131na ba\u011fl\u0131d\u0131r.<\/p>\n * Veri Toplama ve Se\u00e7imi:<\/strong> Hedef g\u00f6revi en iyi temsil eden g\u00f6r\u00fcnt\u00fcleri veya videolar\u0131 toplay\u0131n. \u00c7e\u015fitlilik (farkl\u0131 ayd\u0131nlatma ko\u015fullar\u0131, a\u00e7\u0131lar, arka planlar, nesne boyutlar\u0131) \u00f6nemlidir. Yeterli say\u0131da \u00f6rnek oldu\u011fundan emin olun (genellikle s\u0131n\u0131f ba\u015f\u0131na y\u00fczlerce, hatta binlerce \u00f6rnek tercih edilir). YOLOv11’in ince ayar s\u00fcreci, \u00f6nceki s\u00fcr\u00fcmlere benzer bir mant\u0131\u011f\u0131 takip edecektir, ancak yeni \u00f6zellikler ve optimizasyonlar i\u00e7erebilir. Ultralytics’in YOLO aray\u00fcz\u00fc genellikle olduk\u00e7a kullan\u0131c\u0131 dostudur.<\/p>\n * \u00d6nceden E\u011fitilmi\u015f A\u011f\u0131 Y\u00fckleme:<\/strong> \u0130nce ayar i\u00e7in, genellikle COCO gibi b\u00fcy\u00fck bir veri k\u00fcmesinde \u00f6nceden e\u011fitilmi\u015f bir YOLOv11 modelinin a\u011f\u0131rl\u0131klar\u0131n\u0131 kullan\u0131rs\u0131n\u0131z. Bu a\u011f\u0131rl\u0131klar, modelin genel nesne \u00f6zelliklerini tan\u0131mas\u0131n\u0131 sa\u011flar. Modelin performans\u0131n\u0131 de\u011ferlendirmek i\u00e7in standart nesne alg\u0131lama metrikleri kullan\u0131l\u0131r:<\/p>\n * Ortalama Kesinlik (mAP – mean Average Precision):<\/strong> Farkl\u0131 e\u015fik de\u011ferlerinde ortalama kesinli\u011fin ortalamas\u0131d\u0131r ve nesne alg\u0131lama modellerinin birincil performans \u00f6l\u00e7\u00fct\u00fcd\u00fcr. Genellikle Derin \u00f6\u011frenme modellerini e\u011fitmek, \u00f6zellikle YOLOv11 gibi geli\u015fmi\u015f ve b\u00fcy\u00fck modelleri \u00f6zel veri k\u00fcmeleri \u00fczerinde ince ayarlamak, yo\u011fun hesaplama kaynaklar\u0131 gerektirir. Y\u00fcksek performansl\u0131 GPU’lar, bu t\u00fcr g\u00f6revler i\u00e7in vazge\u00e7ilmezdir. Ancak, kendi GPU donan\u0131m\u0131na yat\u0131r\u0131m yapmak maliyetli ve karma\u015f\u0131k olabilir. \u0130\u015fte bu noktada bulut tabanl\u0131 GPU Droplet’leri devreye girer.<\/p>\n GPU Droplet’leri, DigitalOcean gibi bulut sa\u011flay\u0131c\u0131lar\u0131 taraf\u0131ndan sunulan sanal \u00f6zel sunuculard\u0131r (VPS), ancak standart CPU’lara ek olarak g\u00fc\u00e7l\u00fc grafik i\u015flem birimleriyle (GPU) donat\u0131lm\u0131\u015flard\u0131r. Bu GPU’lar, derin \u00f6\u011frenme e\u011fitiminde ve \u00e7\u0131kar\u0131m\u0131nda kullan\u0131lan matris \u00e7arp\u0131m\u0131 gibi paralel hesaplamalar\u0131 CPU’lara g\u00f6re katlarca daha h\u0131zl\u0131 ger\u00e7ekle\u015ftirebilir.<\/p>\n GPU Droplet’lerini tercih etmenin ba\u015fl\u0131ca nedenleri:<\/p>\n * Maliyet Etkinli\u011fi:<\/strong> Kendi y\u00fcksek performansl\u0131 GPU’lar\u0131n\u0131 sat\u0131n almak ve bak\u0131m\u0131n\u0131 yapmak yerine, GPU Droplet’lerini yaln\u0131zca kulland\u0131\u011f\u0131n\u0131z s\u00fcre boyunca \u00f6dersiniz. Bu, \u00f6zellikle aral\u0131kl\u0131 veya proje bazl\u0131 \u00e7al\u0131\u015fmalar i\u00e7in \u00e7ok daha ekonomiktir. DigitalOcean, NVIDIA A100 veya A6000 gibi g\u00fc\u00e7l\u00fc GPU’lar sunan Droplet’ler sa\u011flar. Kurulum ve yap\u0131land\u0131rma ad\u0131mlar\u0131 genellikle \u015funlar\u0131 i\u00e7erir:<\/p>\n 1. Droplet Olu\u015fturma:<\/strong> DigitalOcean kontrol panelinizden “Create Droplet” se\u00e7ene\u011fini se\u00e7in. GPU Droplet’inizde YOLOv11 ince ayar\u0131n\u0131 ba\u015flatmak i\u00e7in \u015fu ad\u0131mlar\u0131 izleyin:<\/p>\n * Veri K\u00fcmesini Y\u00fckleme:<\/strong> \u00d6zel veri k\u00fcmenizi Droplet’e y\u00fckleyin. Bu, Bulut tabanl\u0131 GPU kaynaklar\u0131n\u0131 kullan\u0131rken maliyeti optimize etmek \u00f6nemlidir:<\/p>\n * Droplet’i Ne Zaman A\u00e7\u0131p Kapatmal\u0131:<\/strong> E\u011fitimi tamamlad\u0131\u011f\u0131n\u0131zda veya aktif olarak kullanmad\u0131\u011f\u0131n\u0131zda Droplet’i kapat\u0131n (power off). \u00c7o\u011fu bulut sa\u011flay\u0131c\u0131s\u0131, kapal\u0131 Droplet’ler i\u00e7in yaln\u0131zca depolama \u00fccreti al\u0131r, GPU ve CPU \u00fccreti almaz. YOLOv11’in potansiyel yetenekleri ile GPU Droplet’lerinin esnek ve g\u00fc\u00e7l\u00fc altyap\u0131s\u0131n\u0131n birle\u015fimi, \u00e7e\u015fitli end\u00fcstrilerde d\u00f6n\u00fc\u015ft\u00fcr\u00fcc\u00fc uygulamalar\u0131n \u00f6n\u00fcn\u00fc a\u00e7maktad\u0131r. \u00d6zel veri k\u00fcmeleri \u00fczerinde yap\u0131lan ince ayar, bu teknolojilerin belirli ihtiya\u00e7lara g\u00f6re uyarlanmas\u0131n\u0131 sa\u011flar.<\/p>\n * End\u00fcstriyel Denetim ve Kalite Kontrol:<\/strong> \u00dcretim hatlar\u0131nda \u00fcr\u00fcn kusurlar\u0131n\u0131 (\u00e7izikler, \u00e7atlaklar, yanl\u0131\u015f montaj) ger\u00e7ek zamanl\u0131 olarak alg\u0131lamak i\u00e7in YOLOv11 kullan\u0131labilir. \u00d6zel veri k\u00fcmeleri, belirli \u00fcr\u00fcn tiplerinin ve kusur varyasyonlar\u0131n\u0131n \u00f6\u011frenilmesini sa\u011flar. GPU Droplet’leri, bu modelleri y\u00fcksek \u00e7\u00f6z\u00fcn\u00fcrl\u00fckl\u00fc kameralardan gelen b\u00fcy\u00fck veri ak\u0131\u015flar\u0131 \u00fczerinde e\u011fitmek ve da\u011f\u0131tmak i\u00e7in gereken g\u00fcc\u00fc sa\u011flar. YOLOv11 ve GPU Droplet’lerinin entegrasyonu, nesne alg\u0131lama alan\u0131nda b\u00fcy\u00fck potansiyel sunsa da, baz\u0131 zorluklar\u0131 da beraberinde getirmektedir.<\/p>\n * Veri Gizlili\u011fi ve G\u00fcvenli\u011fi:<\/strong> \u00d6zellikle sa\u011fl\u0131k ve g\u00fcvenlik gibi hassas alanlarda, \u00f6zel veri k\u00fcmelerinin toplanmas\u0131, etiketlenmesi ve bulut ortam\u0131nda i\u015flenmesi, ciddi gizlilik ve g\u00fcvenlik endi\u015felerini do\u011furur. Veri \u015fifreleme, eri\u015fim kontrol\u00fc ve yasal d\u00fczenlemelere uyum kritik \u00f6neme sahiptir. Gelecekte, YOLOv11 gibi modellerin daha da otonom hale gelmesi, daha az etiketli veri ile daha iyi \u00f6\u011frenmesi (\u00f6rne\u011fin, az say\u0131da \u00f6rnekle \u00f6\u011frenme – few-shot learning, s\u0131f\u0131r \u00f6rnekle \u00f6\u011frenme – zero-shot learning), ve farkl\u0131 sens\u00f6r t\u00fcrlerinden (lidar, radar) gelen verileri entegre etme yetene\u011fi kazanmas\u0131 beklenmektedir. Ayr\u0131ca, modellerin a\u00e7\u0131klanabilirli\u011fi (explainability) ve yorumlanabilirli\u011fi (interpretability) \u00fczerine yap\u0131lan ara\u015ft\u0131rmalar, bu teknolojilere olan g\u00fcveni art\u0131racakt\u0131r. Bulut tabanl\u0131 GPU Droplet’leri, bu ara\u015ft\u0131rmalar\u0131 ve geli\u015ftirmeleri desteklemeye devam eden temel bir altyap\u0131 sa\u011flayacakt\u0131r.<\/p>\n Nesne alg\u0131lama teknolojisi, YOLO serisi ile birlikte inan\u0131lmaz bir h\u0131zla ilerlemeye devam etmektedir. YOLOv11, bu evrimin bir sonraki ad\u0131m\u0131 olarak, muhtemelen mimari yenilikler, daha y\u00fcksek performans ve daha ak\u0131ll\u0131 e\u011fitim stratejileri ile nesne alg\u0131lamada yeni standartlar belirleyecektir. \u00d6zel veri k\u00fcmeleri \u00fczerinde ince ayar yapma yetene\u011fi, bu g\u00fc\u00e7l\u00fc modellerin belirli ve ni\u015f uygulama alanlar\u0131na adapte edilmesini sa\u011flayarak, genelle\u015ftirilmi\u015f \u00e7\u00f6z\u00fcmlerin \u00f6tesine ge\u00e7memize olanak tan\u0131r.<\/p>\n Bu hesaplama yo\u011fun s\u00fcre\u00e7lerin \u00fcstesinden gelmek i\u00e7in, DigitalOcean’\u0131n GPU Droplet’leri gibi bulut tabanl\u0131 \u00e7\u00f6z\u00fcmler, geli\u015ftiricilere ve kurulu\u015flara e\u015fsiz bir esneklik, \u00f6l\u00e7eklenebilirlik ve maliyet etkinli\u011fi sunmaktad\u0131r. Kendi fiziksel donan\u0131m\u0131na yat\u0131r\u0131m yapma ve bak\u0131m\u0131n\u0131 yapma y\u00fck\u00fcnden kurtulan kullan\u0131c\u0131lar, GPU Droplet’leri sayesinde dakikalar i\u00e7inde y\u00fcksek performansl\u0131 derin \u00f6\u011frenme ortamlar\u0131n\u0131 kurabilir ve projelerine odaklanabilirler.<\/p>\n YOLOv11’in potansiyeli, \u00f6zel veri k\u00fcmeleri \u00fczerinde ince ayar yapman\u0131n incelikleri ve GPU Droplet’lerinin sa\u011flad\u0131\u011f\u0131 g\u00fc\u00e7 bir araya geldi\u011finde, end\u00fcstriler aras\u0131 yenilik\u00e7i \u00e7\u00f6z\u00fcmlerin kap\u0131s\u0131 aralanmaktad\u0131r. End\u00fcstriyel otomasyondan ak\u0131ll\u0131 \u015fehirlere, tar\u0131mdan sa\u011fl\u0131\u011fa kadar bir\u00e7ok alanda, bu teknolojilerin entegrasyonu, daha verimli, g\u00fcvenli ve ak\u0131ll\u0131 sistemlerin geli\u015ftirilmesini sa\u011flayacakt\u0131r. \u00d6n\u00fcm\u00fczdeki y\u0131llarda, nesne alg\u0131laman\u0131n hayat\u0131m\u0131z\u0131n her alan\u0131na daha da entegre oldu\u011funu ve bu teknolojilerin s\u00fcrekli geli\u015fiminin, yapay zeka alan\u0131ndaki ilerlemelerin temel ta\u015flar\u0131ndan biri olmaya devam edece\u011fini g\u00f6rece\u011fiz.<\/body><\/p>\n","protected":false},"excerpt":{"rendered":"YOLOv11’deki Yenilikler, \u00d6zel Veri K\u00fcmelerinde \u0130nce Ayar ve GPU Droplet’lerinin G\u00fcc\u00fc\nNesne alg\u0131lama, bilgisayar g\u00f6r\u00fc\u015f\u00fcn\u00fcn en dinamik ve et","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-36334","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* Geli\u015fmi\u015f Dikkat Mekanizmalar\u0131:<\/strong> Kanal, uzamsal veya karma dikkat mekanizmalar\u0131n\u0131n daha sofistike versiyonlar\u0131, modelin g\u00f6r\u00fcnt\u00fcdeki \u00f6nemli b\u00f6lgelere daha fazla odaklanmas\u0131n\u0131 sa\u011flayarak hem do\u011frulu\u011fu art\u0131rabilir hem de gereksiz hesaplamalar\u0131 azaltabilir.
\n* Daha Hafif ve Daha Do\u011fru Modeller:<\/strong> Yeni nesil model s\u0131k\u0131\u015ft\u0131rma teknikleri (budama, niceleme) ve daha verimli a\u011f tasar\u0131mlar\u0131 sayesinde, YOLOv11’in daha az parametreyle daha y\u00fcksek do\u011fruluk elde etmesi beklenmektedir. Bu, \u00f6zellikle kenar cihazlarda (edge devices) da\u011f\u0131t\u0131m i\u00e7in kritik \u00f6neme sahiptir.
\n* Dinamik A\u011f Mimarileri:<\/strong> Ko\u015fullu hesaplama veya dinamik a\u011flar, giri\u015f g\u00f6r\u00fcnt\u00fcs\u00fcne ba\u011fl\u0131 olarak a\u011f\u0131n farkl\u0131 yollar\u0131n\u0131 etkinle\u015ftirebilir. Bu, modelin karma\u015f\u0131kl\u0131\u011f\u0131n\u0131 ve hesaplama maliyetini dinamik olarak ayarlayarak verimlili\u011fi art\u0131rabilir.
\n* Yeni Aktivasyon Fonksiyonlar\u0131 ve Optimizasyon Algoritmalar\u0131:<\/strong> Swish, Mish gibi aktivasyon fonksiyonlar\u0131n\u0131n daha da geli\u015ftirilmi\u015f versiyonlar\u0131 veya yeni optimizasyon algoritmalar\u0131, modelin e\u011fitim s\u00fcrecini h\u0131zland\u0131rabilir ve daha iyi genelleme yetene\u011fi sa\u011flayabilir.<\/p>\nPerformans ve Verimlilikte S\u0131\u00e7rama<\/h4>\n
\n* Artan Kare H\u0131z\u0131 (FPS) ve D\u00fc\u015f\u00fck Gecikme:<\/strong> \u00d6zellikle ger\u00e7ek zamanl\u0131 uygulamalar i\u00e7in kritik olan bu metrikler, daha verimli a\u011f tasar\u0131mlar\u0131 ve donan\u0131m h\u0131zland\u0131rma yeteneklerinin daha iyi kullan\u0131lmas\u0131yla art\u0131r\u0131lacakt\u0131r.
\n* Enerji Verimlili\u011fi:<\/strong> Daha hafif modeller ve optimize edilmi\u015f hesaplama grafikleri, daha az enerji t\u00fcketimi anlam\u0131na gelir. Bu, \u00f6zellikle batarya ile \u00e7al\u0131\u015fan cihazlarda ve b\u00fcy\u00fck \u00f6l\u00e7ekli bulut da\u011f\u0131t\u0131mlar\u0131nda \u00f6nemlidir.
\n* Daha \u0130yi Genellenebilirlik:<\/strong> Modelin, e\u011fitim veri k\u00fcmesinde g\u00f6rmedi\u011fi yeni senaryolara ve veri da\u011f\u0131l\u0131mlar\u0131na daha iyi uyum sa\u011flama yetene\u011fi, ger\u00e7ek d\u00fcnya uygulamalar\u0131 i\u00e7in hayati \u00f6neme sahiptir.<\/p>\nYeni E\u011fitim Stratejileri ve Optimizasyonlar<\/h4>\n
\n* Dinamik Kay\u0131p Fonksiyonlar\u0131:<\/strong> Nesnelerin boyutuna, konumuna veya zorlu\u011funa g\u00f6re a\u011f\u0131rl\u0131kland\u0131r\u0131lan kay\u0131p fonksiyonlar\u0131, modelin daha dengeli bir \u015fekilde \u00f6\u011frenmesini sa\u011flayabilir.
\n* Otomatik Hiperparametre Optimizasyonu:<\/strong> Otomatik makine \u00f6\u011frenimi (AutoML) tekniklerinin entegrasyonu, \u00f6\u011frenme oran\u0131, batch boyutu ve optimizasyon algoritmas\u0131 gibi hiperparametrelerin otomatik olarak ayarlanmas\u0131na olanak tan\u0131yarak e\u011fitim s\u00fcrecini basitle\u015ftirebilir ve performans\u0131 optimize edebilir.
\n* Kendili\u011finden Denetimli \u00d6\u011frenme (Self-Supervised Learning):<\/strong> Etiketlenmemi\u015f b\u00fcy\u00fck veri k\u00fcmelerinden \u00f6n bilgi \u00f6\u011frenme yetene\u011fi, \u00f6zel veri k\u00fcmelerinde ince ayar yaparken modelin ba\u015flang\u0131\u00e7 noktas\u0131n\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde g\u00fc\u00e7lendirebilir.<\/p>\n\u00d6zel Veri K\u00fcmelerinde \u0130nce Ayar (Finetuning): Derinlemesine Bir Bak\u0131\u015f<\/h3>\n
Transfer \u00d6\u011frenmenin \u00d6nemi ve Avantajlar\u0131<\/h4>\n
\n* Daha \u0130yi Ba\u015flang\u0131\u00e7 Noktas\u0131:<\/strong> B\u00fcy\u00fck veri k\u00fcmelerinde e\u011fitilmi\u015f modeller, nesnelerin temel \u00f6zelliklerini (kenarlar, dokular, \u015fekiller) zaten \u00f6\u011frenmi\u015f oldu\u011fu i\u00e7in, \u00f6zel veri k\u00fcmesinde daha h\u0131zl\u0131 ve daha iyi performans g\u00f6sterirler.
\n* Daha Az Veri \u0130htiyac\u0131:<\/strong> Transfer \u00f6\u011frenme, genellikle s\u0131n\u0131rl\u0131 etiketli veriye sahip \u00f6zel g\u00f6revler i\u00e7in bile kabul edilebilir sonu\u00e7lar elde etmeyi m\u00fcmk\u00fcn k\u0131lar.
\n* Geli\u015fmi\u015f Genellenebilirlik:<\/strong> \u00d6nceden e\u011fitilmi\u015f modeller, daha geni\u015f bir \u00f6zellik yelpazesini \u00f6\u011frendikleri i\u00e7in, \u00f6zel veri k\u00fcmesinde a\u015f\u0131r\u0131 uyum (overfitting) riskini azaltabilir ve daha iyi genelleme yetene\u011fi sa\u011flayabilir.<\/p>\n\u00d6zel Veri K\u00fcmesi Olu\u015fturma ve Haz\u0131rl\u0131k<\/h4>\n
\n* Etiketleme (Annotation):<\/strong> Toplanan verilerdeki ilgi \u00e7ekici nesneleri s\u0131n\u0131rlay\u0131c\u0131 kutularla i\u015faretlemeniz ve her kutuya do\u011fru s\u0131n\u0131f etiketini ataman\u0131z gerekir.
\n * Ara\u00e7lar:<\/strong> LabelImg, Roboflow, CVAT gibi ara\u00e7lar, bu s\u00fcreci kolayla\u015ft\u0131r\u0131r.
\n * Formatlar:<\/strong> YOLO modelleri genellikle kendi \u00f6zel TXT format\u0131n\u0131 kullan\u0131r (her g\u00f6r\u00fcnt\u00fc i\u00e7in bir TXT dosyas\u0131, her sat\u0131rda s\u0131n\u0131f_id center_x center_y width height normalize edilmi\u015f koordinatlar bulunur). COCO JSON format\u0131 da yayg\u0131n olarak kullan\u0131l\u0131r ve bir\u00e7ok ara\u00e7 taraf\u0131ndan desteklenir.
\n* Veri B\u00f6lme (E\u011fitim, Do\u011frulama, Test):<\/strong> Veri k\u00fcmesini genellikle %70-%80 e\u011fitim, %10-%15 do\u011frulama ve %10-%15 test setlerine ay\u0131rmak standart bir uygulamad\u0131r. E\u011fitim seti modeli e\u011fitmek i\u00e7in, do\u011frulama seti hiperparametreleri ayarlamak ve a\u015f\u0131r\u0131 uyumu izlemek i\u00e7in, test seti ise modelin nihai performans\u0131n\u0131 de\u011ferlendirmek i\u00e7in kullan\u0131l\u0131r. B\u00f6lme i\u015flemi s\u0131ras\u0131nda s\u0131n\u0131f da\u011f\u0131l\u0131mlar\u0131n\u0131n setler aras\u0131nda dengeli oldu\u011fundan emin olun (stratified splitting).
\n* Veri B\u00fcy\u00fctme (Augmentation):<\/strong> Veri b\u00fcy\u00fctme, mevcut verilerden yeni e\u011fitim \u00f6rnekleri olu\u015fturarak veri k\u00fcmesinin boyutunu ve \u00e7e\u015fitlili\u011fini yapay olarak art\u0131r\u0131r. Bu, modelin genelleme yetene\u011fini geli\u015ftirir ve a\u015f\u0131r\u0131 uyumu azalt\u0131r. Yayg\u0131n teknikler aras\u0131nda d\u00f6nd\u00fcrme, \u00e7evirme (yatay\/dikey), \u00f6l\u00e7ekleme, k\u0131rpma, renk de\u011fi\u015fimi (parlakl\u0131k, kontrast, doygunluk), mozaik ve kar\u0131\u015ft\u0131rma (MixUp, CutMix) bulunur. YOLOv8 ve muhtemelen YOLOv11, e\u011fitim s\u0131ras\u0131nda g\u00fc\u00e7l\u00fc veri b\u00fcy\u00fctme tekniklerini otomatik olarak uygular.<\/p>\nYOLOv11 ile \u0130nce Ayar S\u00fcreci<\/h4>\n
\n* Yap\u0131land\u0131rma Dosyas\u0131 Ayarlar\u0131:<\/strong> Veri k\u00fcmenizin yolunu, s\u0131n\u0131f say\u0131s\u0131n\u0131 ve s\u0131n\u0131f adlar\u0131n\u0131 belirten bir YAML yap\u0131land\u0131rma dosyas\u0131 olu\u015fturman\u0131z gerekir. Bu dosya, modelin hangi s\u0131n\u0131flar\u0131 tan\u0131mas\u0131 gerekti\u011fini ve veri k\u00fcmesine nas\u0131l eri\u015fece\u011fini tan\u0131mlar.
\n* E\u011fitim Komutlar\u0131 ve Parametreleri:<\/strong> \u0130nce ayar, genellikle belirli komutlarla ba\u015flat\u0131l\u0131r. \u00d6nemli parametreler \u015funlard\u0131r:
\n * model<\/code>: Kullan\u0131lacak \u00f6nceden e\u011fitilmi\u015f modelin yolu veya ad\u0131 (\u00f6rne\u011fin, yolov11s.pt<\/code> veya yolov11m.pt<\/code>).
\n * data<\/code>: Veri k\u00fcmesi yap\u0131land\u0131rma dosyas\u0131n\u0131n yolu.
\n * epochs<\/code>: Modelin veri k\u00fcmesi \u00fczerinde ka\u00e7 kez e\u011fitilece\u011fi. \u0130nce ayar i\u00e7in genellikle 50-300 epoch yeterlidir.
\n * batch_size<\/code>: Her e\u011fitim ad\u0131m\u0131nda i\u015flenecek g\u00f6r\u00fcnt\u00fc say\u0131s\u0131. GPU belle\u011fine ba\u011fl\u0131 olarak ayarlan\u0131r.
\n * imgsz<\/code>: G\u00f6r\u00fcnt\u00fc boyutu (\u00f6rne\u011fin, 640×640).
\n * lr0<\/code>: Ba\u015flang\u0131\u00e7 \u00f6\u011frenme oran\u0131.
\n * optimizer<\/code>: Kullan\u0131lacak optimizasyon algoritmas\u0131 (\u00f6rne\u011fin, SGD, Adam, AdamW).
\n * freeze<\/code>: Belirli katmanlar\u0131 dondurarak sadece son katmanlar\u0131n e\u011fitilmesini sa\u011flamak. Bu, \u00f6zellikle \u00e7ok k\u00fc\u00e7\u00fck veri k\u00fcmelerinde a\u015f\u0131r\u0131 uyumu \u00f6nlemek i\u00e7in faydal\u0131d\u0131r.
\n* E\u011fitim S\u0131ras\u0131nda \u0130zleme:<\/strong> E\u011fitim s\u00fcreci boyunca, kay\u0131p fonksiyonlar\u0131n\u0131n, mAP de\u011ferlerinin ve di\u011fer metriklerin nas\u0131l de\u011fi\u015fti\u011fini izlemek \u00f6nemlidir. Ultralytics genellikle TensorBoard gibi ara\u00e7larla entegrasyon sunar, bu da e\u011fitim ilerlemesini g\u00f6rselle\u015ftirmeyi kolayla\u015ft\u0131r\u0131r. Kay\u0131plar\u0131n d\u00fc\u015fmesi ve mAP’nin artmas\u0131 beklenir. Do\u011frulama kay\u0131plar\u0131n\u0131n artmaya ba\u015flamas\u0131, a\u015f\u0131r\u0131 uyumun bir i\u015fareti olabilir.<\/p>\nDe\u011ferlendirme ve Metrikler<\/h4>\n
mAP@0.5<\/code> (IoU e\u015fi\u011fi %50) ve mAP@0.5:0.95<\/code> (IoU e\u015fi\u011fi %50’den %95’e kadar 10 farkl\u0131 e\u015fikte ortalama) olarak raporlan\u0131r.
\n* Kesinlik (Precision):<\/strong> Modelin do\u011fru pozitif tahminlerinin toplam tahminlere oran\u0131d\u0131r. “Ne kadar do\u011fru tahmin yapt\u0131m?”
\n* Geri \u00c7a\u011f\u0131rma (Recall):<\/strong> Modelin t\u00fcm ger\u00e7ek pozitifleri ne kadar iyi buldu\u011funu g\u00f6sterir. “T\u00fcm ger\u00e7ek nesnelerin ne kadar\u0131n\u0131 bulabildim?”
\n* F1-Score:<\/strong> Kesinlik ve Geri \u00c7a\u011f\u0131rma’n\u0131n harmonik ortalamas\u0131d\u0131r.
\n* Kare H\u0131z\u0131 (FPS – Frames Per Second):<\/strong> Modelin saniyede ka\u00e7 g\u00f6r\u00fcnt\u00fc i\u015fleyebildi\u011fini g\u00f6sterir ve ger\u00e7ek zamanl\u0131 uygulamalar i\u00e7in kritik bir h\u0131z \u00f6l\u00e7\u00fcs\u00fcd\u00fcr.<\/p>\nGPU Droplet’leri: Bulut Tabanl\u0131 Derin \u00d6\u011frenme G\u00fcc\u00fc<\/h3>\n
GPU Droplet Nedir ve Neden Tercih Edilmeli?<\/h4>\n
\n* \u00d6l\u00e7eklenebilirlik:<\/strong> Projenizin ihtiya\u00e7lar\u0131na g\u00f6re GPU g\u00fcc\u00fcn\u00fc kolayca art\u0131rabilir veya azaltabilirsiniz. Daha b\u00fcy\u00fck bir model veya veri k\u00fcmesi i\u00e7in daha g\u00fc\u00e7l\u00fc bir Droplet’e ge\u00e7ebilir, daha k\u00fc\u00e7\u00fck g\u00f6revler i\u00e7in daha uygun fiyatl\u0131 bir se\u00e7enek kullanabilirsiniz.
\n* Esneklik:<\/strong> Farkl\u0131 GPU t\u00fcrleri ve konfig\u00fcrasyonlar\u0131 aras\u0131ndan se\u00e7im yapabilirsiniz. Ayr\u0131ca, i\u015fletim sistemi ve yaz\u0131l\u0131m ortam\u0131 \u00fczerinde tam kontrole sahip olursunuz.
\n* Donan\u0131m Dertlerinden Kurtulma:<\/strong> GPU s\u00fcr\u00fcc\u00fcleri, uyumluluk sorunlar\u0131, so\u011futma ve g\u00fc\u00e7 t\u00fcketimi gibi donan\u0131m y\u00f6netimi konular\u0131yla u\u011fra\u015fmak zorunda kalmazs\u0131n\u0131z. Bulut sa\u011flay\u0131c\u0131s\u0131 t\u00fcm bu altyap\u0131y\u0131 sizin i\u00e7in y\u00f6netir.
\n* H\u0131zl\u0131 Kurulum:<\/strong> Dakikalar i\u00e7inde bir GPU Droplet’i olu\u015fturabilir ve derin \u00f6\u011frenme ortam\u0131n\u0131z\u0131 kurmaya ba\u015flayabilirsiniz.<\/p>\nDigitalOcean GPU Droplet Kurulumu ve Yap\u0131land\u0131rmas\u0131<\/h4>\n
\n * \u0130\u015fletim Sistemi:<\/strong> Ubuntu 20.04 veya 22.04 LTS gibi pop\u00fcler bir Linux da\u011f\u0131t\u0131m\u0131 tercih edin.
\n * GPU Tipi ve B\u00f6lge:<\/strong> Projenizin b\u00fct\u00e7esine ve performans gereksinimlerine uygun bir GPU tipi (\u00f6rne\u011fin, NVIDIA A100) ve size en yak\u0131n co\u011frafi b\u00f6lgeyi se\u00e7in.
\n * Kimlik Do\u011frulama:<\/strong> SSH anahtar\u0131 kullanarak g\u00fcvenli eri\u015fim sa\u011flay\u0131n.
\n2. Temel Sistem Kurulumu:<\/strong> Droplet olu\u015fturulduktan sonra, SSH arac\u0131l\u0131\u011f\u0131yla ba\u011flan\u0131n.
\n * sudo apt update && sudo apt upgrade -y<\/code> komutlar\u0131yla sistemi g\u00fcncelleyin.
\n * Gerekli yard\u0131mc\u0131 programlar\u0131 y\u00fckleyin (\u00f6rne\u011fin, git<\/code>, wget<\/code>, build-essential<\/code>).
\n3. CUDA, cuDNN ve GPU S\u00fcr\u00fcc\u00fcleri Kurulumu:<\/strong> Bu ad\u0131m, GPU’yu derin \u00f6\u011frenme k\u00fct\u00fcphaneleriyle uyumlu hale getirmek i\u00e7in kritik \u00f6neme sahiptir.
\n * NVIDIA S\u00fcr\u00fcc\u00fcleri:<\/strong> DigitalOcean genellikle \u00f6nceden yap\u0131land\u0131r\u0131lm\u0131\u015f bir g\u00f6r\u00fcnt\u00fc sunsa da, en son s\u00fcr\u00fcc\u00fcleri NVIDIA web sitesinden veya paket y\u00f6neticisi arac\u0131l\u0131\u011f\u0131yla y\u00fcklemeniz gerekebilir.
\n * CUDA Toolkit:<\/strong> NVIDIA CUDA Toolkit’i indirin ve kurun. Bu, GPU’nun genel ama\u00e7l\u0131 programlama aray\u00fcz\u00fcd\u00fcr.
\n * cuDNN:<\/strong> CUDA Deep Neural Network (cuDNN) k\u00fct\u00fcphanesi, derin \u00f6\u011frenme i\u015flemleri i\u00e7in optimize edilmi\u015f rutinler sa\u011flar. NVIDIA geli\u015ftirici hesab\u0131n\u0131zla indirip CUDA dizininize kopyalaman\u0131z gerekir.
\n * Kurulumdan sonra nvidia-smi<\/code> komutunu \u00e7al\u0131\u015ft\u0131rarak GPU’nun ve s\u00fcr\u00fcc\u00fclerin do\u011fru \u015fekilde \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131 do\u011frulay\u0131n.
\n4. Python Ortam\u0131 ve Gerekli K\u00fct\u00fcphaneler:<\/strong>
\n * Anaconda\/Miniconda:<\/strong> Sanal bir Python ortam\u0131 olu\u015fturmak ve ba\u011f\u0131ml\u0131l\u0131klar\u0131 y\u00f6netmek i\u00e7in Miniconda’y\u0131 y\u00fckleyin.
\n * conda create -n yolov11 python=3.9<\/code> ile yeni bir ortam olu\u015fturun ve conda activate yolov11<\/code> ile etkinle\u015ftirin.
\n * PyTorch\/TensorFlow:<\/strong> YOLOv11’in muhtemel \u00e7er\u00e7evesi olan PyTorch’u (veya TensorFlow’u) CUDA deste\u011fiyle y\u00fckleyin: pip install torch torchvision torchaudio --index-url https:\/\/download.pytorch.org\/whl\/cu118<\/code> (CUDA s\u00fcr\u00fcm\u00fcn\u00fcze g\u00f6re g\u00fcncelleyin).
\n * Ultralytics YOLO:<\/strong> pip install ultralytics<\/code> komutuyla Ultralytics k\u00fct\u00fcphanesini y\u00fckleyin.<\/p>\nYOLOv11 E\u011fitimi i\u00e7in Ortam Haz\u0131rl\u0131\u011f\u0131<\/h4>\n
scp<\/code> komutuyla yerel makinenizden veya bulut depolama hizmetlerinden (S3, DigitalOcean Spaces) do\u011frudan Droplet’e aktar\u0131m yoluyla yap\u0131labilir. Veri k\u00fcmesini Droplet’in h\u0131zl\u0131 depolama alan\u0131na (SSD) yerle\u015ftirdi\u011finizden emin olun.
\n* Kod Deposu Klonlama:<\/strong> Ultralytics YOLO deposunu (git clone https:\/\/github.com\/ultralytics\/yolov11<\/code>) veya ilgili YOLOv11 kod taban\u0131n\u0131 Droplet’e klonlay\u0131n.
\n* E\u011fitim Komutlar\u0131n\u0131n \u00c7al\u0131\u015ft\u0131r\u0131lmas\u0131:<\/strong> Veri k\u00fcmesi yap\u0131land\u0131rma dosyan\u0131z\u0131 ve ince ayar komutlar\u0131n\u0131z\u0131 haz\u0131rlad\u0131ktan sonra, Droplet \u00fczerinde e\u011fitimi ba\u015flat\u0131n. \u00d6rne\u011fin:<\/p>\npython train.py --imgsz 640 --batch 16 --epochs 100 --data custom_dataset.yaml --weights yolov11s.pt --name yolov11_custom_finetune<\/code><\/pre>\nnohup<\/code> ve screen<\/code> gibi ara\u00e7lar\u0131 kullanarak SSH ba\u011flant\u0131s\u0131 kesilse bile e\u011fitimin arka planda devam etmesini sa\u011flayabilirsiniz.
\n* Sonu\u00e7lar\u0131n Kaydedilmesi ve \u0130ndirilmesi:<\/strong> E\u011fitim tamamland\u0131ktan sonra, e\u011fitilmi\u015f model a\u011f\u0131rl\u0131klar\u0131n\u0131 (.pt<\/code> dosyas\u0131), e\u011fitim loglar\u0131n\u0131 ve performans grafiklerini (TensorBoard \u00e7\u0131kt\u0131lar\u0131) Droplet’ten yerel makinenize indirin.<\/p>\nMaliyet Optimizasyonu ve En \u0130yi Uygulamalar<\/h4>\n
\n* Snapshot’lar:<\/strong> Kurulumu tamamlanm\u0131\u015f ve t\u00fcm k\u00fct\u00fcphaneleri y\u00fckl\u00fc bir Droplet’in snapshot’\u0131n\u0131 al\u0131n. Bu, gelecekte yeni bir proje ba\u015flatt\u0131\u011f\u0131n\u0131zda veya mevcut Droplet’i s\u0131f\u0131rlaman\u0131z gerekti\u011finde zamandan tasarruf etmenizi sa\u011flar.
\n* Depolama Se\u00e7enekleri:<\/strong> B\u00fcy\u00fck veri k\u00fcmeleri i\u00e7in DigitalOcean Spaces gibi nesne depolama hizmetlerini kullanmay\u0131 d\u00fc\u015f\u00fcn\u00fcn. Bu, Droplet’in dahili depolama alan\u0131n\u0131 optimize etmenize ve verileri farkl\u0131 Droplet’ler aras\u0131nda kolayca payla\u015fman\u0131za olanak tan\u0131r.
\n* SPOT veya Preemptible Instance’lar:<\/strong> Baz\u0131 bulut sa\u011flay\u0131c\u0131lar\u0131 (AWS, GCP) daha d\u00fc\u015f\u00fck maliyetli “spot” veya “preemptible” \u00f6rnekler sunar. Ancak, bu \u00f6rnekler talep artt\u0131\u011f\u0131nda kesintiye u\u011frayabilir, bu nedenle dikkatli kullan\u0131lmal\u0131d\u0131r. DigitalOcean’da bu t\u00fcr bir se\u00e7enek do\u011frudan bulunmamaktad\u0131r, ancak Droplet’i kullanmad\u0131\u011f\u0131n\u0131zda kapatmak benzer bir maliyet tasarrufu sa\u011flar.<\/p>\nYOLOv11 ve GPU Droplet’lerinin Entegrasyonu: Ger\u00e7ek D\u00fcnya Senaryolar\u0131<\/h3>\n
\n* Ak\u0131ll\u0131 \u015eehirler ve Trafik Y\u00f6netimi:<\/strong> \u015eehir kameralar\u0131ndan al\u0131nan g\u00f6r\u00fcnt\u00fclerle ara\u00e7lar\u0131, yayalar\u0131, bisikletlileri ve hatta park ihlallerini tespit etmek m\u00fcmk\u00fcnd\u00fcr. YOLOv11, yo\u011fun trafik ko\u015fullar\u0131nda bile y\u00fcksek do\u011fruluk ve h\u0131z sunabilir. \u00d6zel veri k\u00fcmeleri, belirli \u015fehir ortamlar\u0131na veya trafik senaryolar\u0131na \u00f6zg\u00fc nesnelerin tan\u0131nmas\u0131n\u0131 sa\u011flar. GPU Droplet’leri, \u015fehir \u00e7ap\u0131nda binlerce kamera beslemesini i\u015flemek i\u00e7in merkezi bir e\u011fitim ve \u00e7\u0131kar\u0131m platformu sunar.
\n* Tar\u0131m ve Mahsul \u0130zleme:<\/strong> Tar\u0131m dronlar\u0131ndan veya sens\u00f6rlerden toplanan g\u00f6r\u00fcnt\u00fclerle bitki hastal\u0131klar\u0131n\u0131, zararl\u0131lar\u0131, olgunla\u015fma durumunu veya yabani otlar\u0131 alg\u0131lamak. \u00d6zel veri k\u00fcmeleri, belirli mahsul t\u00fcrleri ve hastal\u0131k belirtileri i\u00e7in modelleri e\u011fitir. GPU Droplet’leri, geni\u015f tar\u0131m alanlar\u0131ndan gelen b\u00fcy\u00fck g\u00f6r\u00fcnt\u00fc veri k\u00fcmelerini analiz etmek i\u00e7in hesaplama g\u00fcc\u00fc sa\u011flar.
\n* Sa\u011fl\u0131k ve T\u0131bbi G\u00f6r\u00fcnt\u00fcleme:<\/strong> R\u00f6ntgen, MRI veya CT taramalar\u0131nda t\u00fcm\u00f6rleri, lezyonlar\u0131 veya di\u011fer anormallikleri tespit etmek. YOLOv11, h\u0131zl\u0131 \u00f6n tan\u0131 ve doktorlara yard\u0131mc\u0131 olmak i\u00e7in kullan\u0131labilir. \u00d6zel t\u0131bbi veri k\u00fcmeleri (etikleme ve gizlilik konular\u0131na dikkat ederek) \u00fczerinde yap\u0131lan ince ayar, modelin spesifik patolojileri tan\u0131mas\u0131n\u0131 sa\u011flar. GPU Droplet’leri, hassas ve y\u00fcksek \u00e7\u00f6z\u00fcn\u00fcrl\u00fckl\u00fc t\u0131bbi g\u00f6r\u00fcnt\u00fcleri i\u015flemek i\u00e7in gerekli olan yo\u011fun hesaplama g\u00fcc\u00fcn\u00fc sunar.
\n* G\u00fcvenlik ve G\u00f6zetim:<\/strong> Havaalanlar\u0131, al\u0131\u015fveri\u015f merkezleri veya kamu alanlar\u0131nda \u015f\u00fcpheli davran\u0131\u015flar\u0131, b\u0131rak\u0131lan e\u015fyalar\u0131 veya yetkisiz eri\u015fimi tespit etmek. \u00d6zel veri k\u00fcmeleri, belirli g\u00fcvenlik protokollerine ve tehdit t\u00fcrlerine g\u00f6re modelin e\u011fitilmesini sa\u011flar. GPU Droplet’leri, 7\/24 kesintisiz video ak\u0131\u015flar\u0131n\u0131 ger\u00e7ek zamanl\u0131 olarak analiz etmek i\u00e7in \u00f6l\u00e7eklenebilir bir altyap\u0131 sunar.<\/p>\nZorluklar ve Gelecek Perspektifleri<\/h3>\n
\n* Model Karma\u015f\u0131kl\u0131\u011f\u0131 ve Hesaplama Kaynaklar\u0131:<\/strong> Her ne kadar YOLOv11 daha verimli olsa da, geli\u015fmi\u015f mimariler ve daha b\u00fcy\u00fck veri k\u00fcmeleri, hala \u00f6nemli hesaplama g\u00fcc\u00fc gerektirebilir. GPU Droplet’lerinin maliyeti, \u00f6zellikle uzun s\u00fcreli ve b\u00fcy\u00fck \u00f6l\u00e7ekli projeler i\u00e7in bir fakt\u00f6r olabilir. Maliyet optimizasyonu ve kaynak y\u00f6netimi becerileri \u00f6nem kazanmaktad\u0131r.
\n* Etik Kullan\u0131m ve Yanl\u0131l\u0131k:<\/strong> Nesne alg\u0131lama modelleri, e\u011fitim verilerindeki yanl\u0131l\u0131klar\u0131 (bias) yans\u0131tabilir. Bu, belirli demografik gruplara kar\u015f\u0131 yanl\u0131\u015f alg\u0131lamalara veya ayr\u0131mc\u0131l\u0131\u011fa yol a\u00e7abilir. Etik veri toplama, model denetimi ve yanl\u0131l\u0131k azaltma teknikleri, bu teknolojilerin sorumlu bir \u015fekilde kullan\u0131lmas\u0131n\u0131 sa\u011flamak i\u00e7in hayati \u00f6neme sahiptir.
\n* S\u00fcrekli Geli\u015fim ve Yeni Mimariler:<\/strong> Derin \u00f6\u011frenme alan\u0131 h\u0131zla geli\u015fmektedir. YOLOv11’in yerini alacak yeni mimariler ve teknikler s\u00fcrekli olarak ortaya \u00e7\u0131kmaktad\u0131r. Geli\u015ftiricilerin ve ara\u015ft\u0131rmac\u0131lar\u0131n bu yenilikleri takip etmesi ve modellerini s\u00fcrekli olarak g\u00fcncellemesi gerekmektedir.<\/p>\nSonu\u00e7<\/h3>\n