Google Colab vs GPU Kiralama: Hangisi Ne Zaman?

Google Colab mı, dedicated GPU kiralama mı?

Google Colab, Python notebook üzerinden ücretsiz veya düşük maliyetli GPU erişimi sunarak binlerce öğrencinin, araştırmacının ve startup kurucusunun ilk modelini eğitmesine olanak tanıdı. Dedicated GPU kiralama ise seçtiğiniz NVIDIA kartı (RTX 4090, A100, L40S, H100) üzerinde kesintisiz, sözleşmeli ve üretim odaklı kapasite sağlar. 2026 itibarıyla Türkiye'deki ekipler için asıl soru "hangisi daha iyi?" değil; hangi aşamada hangisini kullanmalıyım?

Bu yazıda Colab Free / Pro / Pro+ limitlerini, oturum timeout davranışını, VRAM gerçeklerini, fiyat mantığını ve üretim (production) workload senaryolarını yan yana koyuyoruz. Karar matrisinin sonunda prototipten üretime geçiş yolu da netleşecek. Genel çerçeve için GPU kiralama rehberi 2026 yazısına bakabilirsiniz.

Hızlı özet tablo

Google Colab nedir, ne için tasarlandı?

Colab bir keşif ve eğitim ortamıdır. Tarayıcıda Jupyter benzeri hücreler çalıştırır; PyTorch, TensorFlow, Hugging Face ekosistemi hazır gelir. Amacı:

• Ders ve bootcamp ödevleri
• Küçük dataset üzerinde PoC
• Hızlı hiperparametre denemeleri
• Paylaşılan notebook ile ekip içi demo

Colab, uzun süreli eğitim işleri, KVKK kapsamındaki müşteri verisi, SLA'lı inference API veya multi-GPU distributed training için tasarlanmamıştır. Bu ayrımı net tutmak, hem zaman hem bütçe kaybını önler.

Colab planları ve pratik limitler (2026 perspektifi)

Colab'ın planları zaman içinde değişir; aşağıdaki tablo karar vermenizi sağlayan pratik limitleri özetler. Güncel compute unit fiyatları için Google'ın resmi sayfasını kontrol edin; burada odak, "üretimde güvenilir mi?" sorusudur.

Colab Free

• GPU erişimi garanti değildir; yoğun saatlerde CPU'ya düşebilirsiniz.
• Tipik atama: T4 (16 GB) veya benzeri giriş seviyesi kart.
• Idle timeout ve maksimum oturum süresi sıkı tutulur; uzun eğitim yarım kalabilir.
• Disk / Drive senkronu kullanışlıdır ama büyük dataset aktarımı yavaş ve kırılgandır.
• Ticari üretim ve müşteri verisi için uygun değildir.

Colab Pro

• Daha yüksek öncelik ve daha iyi GPU olasılığı (L4 / V100 sınıfı gibi).
• Daha uzun oturum ve daha fazla arka plan çalışma hakkı.
• Hâlâ paylaşımlı kaynak: aynı GPU tipini her seferinde alacağınız garanti değil.
• Aylık abonelik + compute unit tüketimi birlikte hesaplanmalıdır.

Colab Pro+

• En yüksek öncelik ve A100 erişimi ihtimali.
• Arka plan yürütme ve daha uzun runtime avantajı.
• Yine de dedicated kiralama gibi "bu makine 48 saat boyunca senin" vaadi vermez.
• Compute unit bitince performans düşer veya iş durur.

Pratik sonuç: Colab Pro/Pro+ araştırma hızını artırır; üretim SLA'sı veya deterministik VRAM ihtiyacı doğduğunda dedicated GPU kiralama daha ucuz ve öngörülebilir hale gelir.

Timeout, disconnect ve checkpoint gerçeği

Colab kullanıcılarının en sık yaşadığı sürtünme oturum kesilmesidir:

1. Idle timeout: Notebook bir süre etkileşimsiz kalırsa runtime kapanır.
2. Max lifetime: Aktif çalışsanız bile oturum üst sınırı vardır; yeniden bağlanınca ortam sıfırlanır.
3. Kaynak geri alma: Platform GPU'yu başka kullanıcıya verebilir; cell ortasında OOM veya disconnect görürsünüz.
4. Drive / yerel disk farkı: /content geçicidir; Drive mount yavaşlayabilir veya quota'ya takılır.

Bu yüzden Colab'da her ciddi eğitim sık checkpoint ister. Dedicated GPU kiralamada da checkpoint iyi pratiktir; ancak makine sizin kontrolünüzde olduğu için 12–72 saatlik eğitimleri tek oturumda bitirmek mümkündür. Spot/preemptible plan kullanıyorsanız yine checkpoint şarttır; aksi halde preempt anında birkaç saatlik ilerleme kaybolur.

VRAM ve performans: gerçekçi karşılaştırma

VRAM, model seçimini belirleyen ilk kısıttır. Colab'da "bugün hangi kart geldi?" belirsizliği, özellikle 7B+ LLM fine-tuning ve SDXL / Flux batch üretimde can yakar.

Colab'da aynı notebook bir gün T4'te 4 saat sürerken ertesi gün L4'te 90 dakikada bitebilir. Bu "sürpriz hızlanma" güzeldir ama CI pipeline'ı, müşteri demo'su veya faturalandırılmış eğitim takvimi için risklidir. Dedicated kiralamada saat başı maliyet nettir; throughput da sabittir.

LLM maliyet tarafını derinlemesine görmek için LLM fine-tuning maliyeti rehberini inceleyin.

Fiyat: abonelik vs GPU-saat mental modeli

Colab maliyet mantığı

• Free: nakit çıkışı yok; zaman ve belirsizlik maliyeti vardır.
• Pro / Pro+: aylık abonelik + compute unit.
• Compute unit bitince ya ek satın alır ya da kuyruğa / düşük önceliğe düşersiniz.
• "Saatlik GPU fiyatı" şeffaf değildir; hangi kartı ne kadar süre tuttığınızı kontrol etmek zordur.

Dedicated GPU kiralama mantığı

• Saatlik veya aylık faturalandırma; hangi modeli kaç saat kullandığınız faturada görünür.
• Kullanmadığınızda instance'ı kapatırsınız — Jupyter açık unutma riski için timeout ayarı önerilir.
• Türkiye'de TL fatura, KDV ve kurumsal sözleşme süreçleri netleşir.
• Güncel paketler için /fiyatlandirma/ sayfasına bakın.

Örnek senaryo karşılaştırması (illustrative)

Aşağıdaki rakamlar karar çerçevesi içindir; kampanya ve kur farkı ile değişebilir.

Türkiye'deki ekipler için ek maliyet katmanı

Colab aboneliği genelde USD / uluslararası kart ile ödenir; kur dalgalanması aylık bütçeyi bozar. Dedicated GPU kiralama tarafında TL fatura ve KDV kırılımı finans ekibinin planlamasını kolaylaştırır. Ayrıca Colab'da "ne kadar GPU-saat yaktık?" sorusuna net cevap vermek zordur; dedicated faturada model × saat görünür. Bu şeffaflık, yatırımcıya veya CFO'ya rapor sunan startup'lar için kritiktir.

Başka bir görünmez maliyet: mühendis saati. Timeout yüzünden yeniden kuyruk beklemek, Drive I/O ile boğuşmak veya her sabah farklı GPU tipine göre batch size ayarlamak, saatlik GPU ücretinden pahalıya gelebilir. İki haftalık PoC'ta üç mühendisin yarım gün kaybetmesi, çoğu zaman bir haftalık RTX 4090 kirasını aşar.

Üretim workload: Colab'ın durduğu nokta

"Üretim" derken yalnızca chatbot API'sini kastetmiyoruz. Aşağıdakilerden biri varsa Colab artık birincil ortam olmamalıdır:

• SLA / uptime beklentisi: müşteriye söz verilen yanıt süresi
• Sabit endpoint: model sunucusu IP/domain ve auth katmanı
• Veri egemenliği: KVKK, finans, sağlık, kamu ihaleleri — veri Türkiye'de kalmalı
• Tekrarlanabilir pipeline: aynı CUDA, aynı driver, aynı container image
• Multi-GPU veya uzun eğitim: NCCL, FSDP, DeepSpeed
• Ekip erişim kontrolü: SSH anahtarı, VPC, audit log
• Maliyet tahmini: CFO'ya GPU-saat bazlı öngörü

Bu noktada AI eğitimi, LLM fine-tuning veya inference hizmet sayfalarındaki senaryolar Colab'dan çok dedicated kiralama ile örtüşür. Bulut vs fiziksel kararını da cloud GPU vs fiziksel GPU yazısı tamamlar. Colab üzerinde kişisel veri eğitmek çoğu kurumsal politikada kırmızı çizgidir; KVKK kapsamındaki projelerde Türkiye lokasyonlu altyapı şarttır.

Üretim örnekleri: hangi iş Colab'da ölür?

• RAG chatbot API: Embedding güncellemesi ve LLM serving sürekli ayakta olmalıdır; Colab runtime kapanınca 503 dönersiniz.
• Gece batch fine-tune: Saat 02:00'de başlayan iş idle sayılabilir veya max lifetime'a çarpar; sabah checkpoint yarım kalmış olur.
• Ajans görsel üretimi: Müşteriye 200 görsellik teslimatta batch tutarlılığı ve disk I/O gerekir; Colab Free/Pro kuyruğu teslim tarihini riske atar.
• Finans / sağlık modeli: Veri sınıflandırması ve denetim izi zorunludur; paylaşımlı notebook ortamı uygun değildir.

Bu senaryolarda dedicated GPU; SSH/Jupyter erişimi, kalıcı disk, firewall ve isteğe bağlı private network ile "sunucu gibi" davranır. Colab ise hâlâ laboratuvar tezgâhıdır.

Ne zaman Colab, ne zaman dedicated?

Colab'ı seçin

• İlk kez GPU ile model eğitecekseniz ve öğrenme eğrisi önemliyse
• Dataset küçükse (< birkaç GB) ve eğitim < 1–2 saat ise
• Sonuç "işe yarıyor mu?" sorusuna cevap arıyorsanız
• Bütçe sıfır veya çok düşükse (öğrenci, hackathon)
• Paylaşılabilir notebook ile mentor / ekip demosu yapacaksanız

Dedicated GPU kiralama seçin

• Aynı işi haftalık tekrarlayacak veya büyütülecek bir ürün yolunuz varsa
• 24 GB+ VRAM'i garanti istemeniz gerekiyorsa
• Eğitim 4 saatten uzun sürüyor veya gece boyunca koşması gerekiyorsa
• Production inference, batch render kuyruğu veya video AI pipeline kuruyorsanız
• Verinin Türkiye'de kalması, fatura ve destek Türkçe/TL olmalıysa
• Docker + CUDA sürümünü kilitleyip aynı image'ı CI'da çalıştırmak istiyorsanız

Hibrit yaklaşım (çoğu ekibin kazanan stratejisi)

1. Hafta 1–2: Colab'da veri pipeline'ı, loss eğrisi, tek epoch duman testi
2. Hafta 3: Başarılı config'i script'e taşıyın (train.py, Hydra/YAML)
3. Hafta 3+: Aynı container'ı dedicated GPU'da uzun eğitime alın
4. Production: Inference için ayrı reserved instance; eğitimi spot veya saatlik plana kaydırın

Bu hibrit model hem Colab'ın hızını hem dedicated'in öngörülebilirliğini kullanır. Birçok ekip Colab'ı tamamen bırakmak yerine "laboratuvar tezgâhı" olarak tutar.

Migrasyon checklist: Colab → dedicated GPU

Colab notebook'unu production-ready hale getirmek için:

1. Hücreleri script'e çevirin. Magic'ler ve sıraya bağımlı state üretimde kırılır.
2. Bağımlılıkları dondurun. requirements.txt veya container image; Colab'ın önceden yüklü paketlerine güvenmeyin.
3. Veriyi object storage / NVMe'ye taşıyın. Drive mount yerine rsync, S3 uyumlu depolama veya dataset snapshot.
4. Checkpoint + resume yazın. Epoch veya step bazlı; Colab alışkanlığını dedicated'e de taşıyın.
5. GPU'yu bilinçli seçin. PoC RTX 4090 ile ucuz başladıysa production'da L40S / A100'e geçiş planı yapın.
6. Gözlem ekleyin. nvidia-smi, wandb/mlflow, p95 latency — Colab'da görmezden gelinen metrikler.
7. Güvenlik: API anahtarlarını env'e alın; notebook içinde hardcode bırakmayın.
8. Smoke test: Dedicated makinede tek epoch + tek batch inference çalıştırıp Colab metrikleriyle karşılaştırın; veri yolu veya CUDA sürümü sapması erken yakalanır.

Notebook alışkanlığını korumak isteyen ekipler dedicated sunucuda Jupyter Lab açabilir; fark, oturumun sizin kontrolünüzde olmasıdır. Production'a yaklaşırken hücreleri bırakıp torchrun / accelerate launch ile script'e geçmek en sağlıklısıdır.

Sık yapılan hatalar

• Colab Free ile 70B denemek: VRAM ve timeout yüzünden günler kaybedersiniz; önce 7B QLoRA ile doğrulayın.
• Pro+ aboneliğini "sınırsız A100" sanmak: Compute unit ve kuyruk hâlâ vardır.
• Drive'ı tek depolama sanmak: Büyük video / görüntü dataset'lerinde I/O darboğazı oluşur.
• Production API'yi Colab runtime'ına bağlamak: Oturum düşünce servis düşünür.
• Dedicated kirayı 7/24 açık bırakmak: Idle fatura Colab'dan pahalıya patlar; otomatik shutdown kullanın.
• KVKK'yı göz ardı etmek: Yurt dışı notebook'ta müşteri verisi eğitmek hukuki ve itibar riskidir.

Karar matrisi (tek bakışta)

Güncel fiyatlar ve paketler için /fiyatlandirma/ sayfasını kullanın. Hangi kartın VRAM ve fiyat dilimine uyduğunu görmek için RTX 4090 ile A100 model sayfalarını yan yana karşılaştırmak iyi bir başlangıçtır.

Ekip boyutu ve işbirliği

Tek kişilik keşifte Colab paylaşım linki yeterlidir. Üç kişilik ML ekibinde ise aynı Drive klasörü, çakışan runtime'lar ve "kim GPU'yu meşgul ediyor?" sorunu ortaya çıkar. Dedicated ortamda:

• Herkes SSH anahtarı veya merkezi Jupyter hub ile bağlanır
• Dataset tek NVMe / object storage kopyasında durur
• Eğitim işleri tmux/screen veya job queue ile izlenir
• Maliyet GPU-saat olarak sprint retrosuna yazılır

Bu operasyonel olgunluk, Colab'ın "herkes kendi notebook'unu açsın" modelinden farklıdır. Erken aşamada Colab hız kazandırır; ekip büyüdükçe dedicated düzen kazandırır.

Sonuç

Google Colab, 2026'da hâlâ en iyi başlangıç rampasıdır — özellikle akademik ve erken PoC işlerinde. Dedicated GPU kiralama ise ölçek, süre, VRAM garantisi, üretim ve uyumluluk gerektiğinde kazanan seçenektir. Akıllı ekipler ikisini savaştırmak yerine sıraya dizer: Colab'da doğrula, dedicated'de büyüt, reserved instance ile yayınla.

Bir sonraki adımınız prototip ise Colab ile kaybedecek bir şeyiniz yok. Pipeline oturduysa ve zaman/para kaybı timeout'lardan geliyorsa, doğru GPU'yu seçip saatlik kiralamaya geçmek genelde birkaç gün içinde kendini amorti eder.