# Yapay zeka ile görüntü işleme için GPU sunucu: YOLO eğitimi, nesne tespiti ve video analizi

- Adres: https://gpukiralama.com.tr/hizmetler/goruntu-isleme/
- Önerilen GPU'lar (GPU başına, aylık, KDV hariç):
  - [NVIDIA GeForce RTX 5090](https://gpukiralama.com.tr/gpu-modelleri/nvidia-rtx-5090/): $600/ay. YOLO26 ve RT-DETR eğitimi için 32 GB ve 1.792 GB/s; ECC ve MIG yok, 7/24 analitikte L40S daha uygun
  - [NVIDIA L40S](https://gpukiralama.com.tr/gpu-modelleri/nvidia-l40s/): $900/ay. 7/24 kamera analitiği: 48 GB ECC, 3 NVDEC; DeepStream'de RT-DETR ile 643 kare/s (NVIDIA ölçümü)
  - [NVIDIA RTX PRO 4000 Blackwell](https://gpukiralama.com.tr/gpu-modelleri/nvidia-rtx-pro-4000/): $450/ay. Prototip, etiketleme ve az kameralı hatlar: 24 GB ECC bellek, 2 NVDEC, 145 W
  - [NVIDIA RTX PRO 6000 Blackwell](https://gpukiralama.com.tr/gpu-modelleri/nvidia-rtx-pro-6000/): $1.600/ay. SAM 3 ve büyük modeller için 96 GB; MIG ile 4 × 24 GB yalıtılmış bölüm, 4 NVDEC
  - [NVIDIA GeForce RTX 5060 Ti 16 GB](https://gpukiralama.com.tr/gpu-modelleri/nvidia-rtx-5060-ti/): $200/ay. YOLO çıkarımı ve küçük veri setleriyle eğitim için 16 GB

Yapay zeka ile görüntü işleme için size ayrılmış, aylık GPU sunucu: YOLO model eğitimi, nesne tespiti, kalite kontrol ve çok kameralı video analizi. Görüntüleriniz ve eğitim verileriniz İstanbul'daki tesisimizde, Türkiye'de kalır.

## Yapay zeka ile görüntü işleme için neden GPU gerekir?

Yapay zeka ile görüntü işlemede GPU iki iş için gerekir: kendi verinizle nesne tespiti ya da segmentasyon modeli (ör. YOLO) eğitmek ve bu modeli kamera akışlarında 7/24 çalıştırmak. Eğitimde belleği çözünürlük ve batch boyutu, video analizinde kart başına kamera sayısını NVDEC motorları ve modelin kare hızı belirler. Sunucularımızı aylık kiralarsınız, GPU size ayrılır ve verileriniz İstanbul'da kalır.

Ekim 2026 itibarıyla Ultralytics'in güncel modeli Ocak 2026'da çıkan YOLO26'dır; en büyük sürümü bile 55,7 milyon parametrelidir. YOLOv8 ve YOLO11 projeleri de aynı `ultralytics` paketiyle eğitilir. Fiyatlar GPU başına, aylık, ABD doları cinsinden ve KDV hariçtir.

- **YOLO eğitimi ve birkaç kameralı hat:** [RTX 5090](/gpu-modelleri/nvidia-rtx-5090/), 32 GB, aylık $600.
- **7/24 çok kameralı video analitiği:** [L40S](/gpu-modelleri/nvidia-l40s/), 48 GB ECC'li bellek ve 3 NVDEC, aylık $900.
- **Prototip ve etiketleme:** [RTX PRO 4000](/gpu-modelleri/nvidia-rtx-pro-4000/), 24 GB, aylık $450.
- **SAM 3, yüksek çözünürlük ve tek kartta birden çok servis:** [RTX PRO 6000](/gpu-modelleri/nvidia-rtx-pro-6000/), 96 GB ve MIG, aylık $1.600.

## Görüntü işleme için hangi GPU ve nasıl bir bilgisayar gerekir?

Model eğitecekseniz hesap gücüne ve belleğe, kamera analiz edecekseniz NVDEC sayısına ve ECC'ye bakın. Bilgisayarın geri kalanı da önemlidir: YOLO'da veri yükleme ve artırma işlemcide çalışır, büyük görüntü arşivleri sistem belleği ve disk ister.

| İş yükü | Önerilen GPU | Neden | Aylık fiyat |
|---|---|---|---|
| Nesne tespiti ve kalite kontrol modeli eğitimi (YOLO26, RT-DETR) | RTX 5090 | Blackwell, 32 GB, 1.792 GB/s; MIG yok | $600 |
| 7/24 çok kameralı analitik | L40S | 48 GB ECC, 3 NVDEC, oturum sınırı olmayan 3 NVENC | $900 |
| Prototip, etiketleme, az kamera | RTX PRO 4000 | 24 GB ECC, 2 NVDEC, 145 W | $450 |
| SAM 3, büyük modeller, birden çok servis | RTX PRO 6000 | 96 GB, MIG ile 4 × 24 GB, 4 NVDEC | $1.600 |
| Çok GPU'lu [büyük görü modeli eğitimi](/hizmetler/ai-egitimi/) | [H100](/gpu-modelleri/nvidia-h100/) | 80 GB HBM bellek; NVENC yok | $2.500 |

Tipik bir YOLO projesi H100 ya da H200 gerektirmez. Profesyonel kartların farkı için [L40S ve RTX PRO 6000 karşılaştırmasına](/karsilastirma/l40s-vs-rtx-pro-6000/) bakın.

## YOLO eğitimi için kaç GB VRAM gerekir?

YOLO eğitimi için sabit bir GB değeri yoktur; küçük ve orta veri setleri 16–20 GB'lık kartlarda da eğitilir. Ultralytics'in kendi bulut eğitim platformu küçük veri setleri ve denemeler için 16 GB'lık RTX 2000 Ada'yı, orta veri setleri için 20 GB'lık RTX 4000 Ada'yı, büyük batch eğitimi için 48 GB'lık L40S'i listeliyor; varsayılan önerisi 96 GB'lık RTX PRO 6000'dir (Ekim 2026).

Tespit modellerinde belleği ağırlıklar değil, batch boyutu ve piksel sayısıyla büyüyen ara aktivasyonlar doldurur. YOLO26x'in 55,7 milyon parametresi için ağırlık, gradyan ve AdamW durumu, karma hassasiyette (parametre başına yaklaşık 16 bayt) bile 1 GB'ın altında kalır. Görüntü kenarını 640'tan 1.280 piksele çıkarmak ise aktivasyon belleğini kabaca dört katına çıkarır.

Ultralytics'in YOLO26 tablosu (COCO, 640 piksel; hız NVIDIA T4'te TensorRT 10 ile, batch 1):

| Model | Parametre (milyon) | FLOPs (milyar) | mAP 50-95 | T4 TensorRT (ms) |
|---|---|---|---|---|
| YOLO26n | 2,4 | 5,5 | 40,9 | 1,7 |
| YOLO26s | 9,5 | 20,9 | 48,6 | 2,5 |
| YOLO26m | 20,4 | 68,4 | 53,1 | 4,7 |
| YOLO26l | 24,8 | 86,8 | 55,0 | 6,2 |
| YOLO26x | 55,7 | 194,4 | 57,5 | 11,8 |

Belleği tahmin etmek yerine ölçün:

- `batch=-1`, AutoBatch ile GPU belleğinin yaklaşık %60'ını kullanacak batch'i seçer; `batch=0.70` gibi bir oran da verebilirsiniz.
- Karma hassasiyet varsayılan olarak açıktır (`amp=True`, FP16); destekleyen kartlarda `amp="bf16"` seçilebilir.
- `device=[0,1]` eğitimi [DDP ile birden çok karta](/blog/multi-gpu-egitim-rehberi/) dağıtır; Ultralytics'e göre Windows'ta resmi PyTorch paketleriyle (torch 2.4 ve sonrası) çok GPU'lu eğitim çalışmaz.
- Veri yükleme ve artırma işlemcide çalışır (varsayılan `workers=8`), `cache=ram` görüntüleri sistem belleğinde tutar. Veri setinizin boyutunu [sipariş formuna](/siparis/) yazın; işlemci, bellek ve disk buna göre yapılandırılır.

## YOLO modeli nasıl eğitilir?

Etiketli görüntüleri YOLO biçiminde hazırlayın: her görüntü için sınıf numarasını ve 0–1 aralığına normalize edilmiş kutu koordinatlarını içeren bir `.txt` dosyası, eğitim ve doğrulama klasörleriyle sınıf adlarını tanımlayan bir `.yaml` dosyası. Ardından eğitim tek komuttur; aynı komut `model=yolo11s.pt` ya da `model=yolov8s.pt` ile önceki sürümleri de eğitir.

```bash
pip install ultralytics
yolo detect train data=kusurlar.yaml model=yolo26s.pt imgsz=1280 batch=-1 epochs=100 device=0
yolo export model=runs/detect/train/weights/best.pt format=engine quantize=16
```

### TensorRT ile YOLO nasıl hızlandırılır?

Yukarıdaki son satır modeli FP16 [TensorRT motoruna](/blog/tensorrt-inference-optimizasyonu/) çevirir; DeepStream de çıkarımı TensorRT ile yapar. Motorlar donanıma özgüdür, çalışacağı GPU'da üretin. INT8 (`quantize=8`) kalibrasyonu için NVIDIA en az 500 temsili görüntü öneriyor. Hızlandırma yolları [CUDA optimizasyon rehberimizde](/blog/cuda-optimizasyonu-rehberi/), kurulum [PyTorch rehberimizde](/blog/pytorch-gpu-kurulum-rehberi/).

## YOLOv8, YOLO11 ve YOLO26 arasında hangisi seçilmeli?

Yeni projede YOLO26 ile başlayın; YOLOv8 ya da YOLO11 ile çalışan bir hattınız varsa model adını değiştirip kendi doğrulama setinizde karşılaştırın. Sabit sınıflı tespitte alternatif olarak bir DETR modeli, etiketlemeyi hızlandırmak için SAM 3 kullanın.

- **YOLO26 (Ocak 2026):** Tespit, segmentasyon, poz ve döndürülmüş kutu (OBB) dahil yedi görev; NMS gerektirmeyen uçtan uca çıkarım seçeneği ve küçük nesnelere yönelik etiket atama. Ultralytics kararlı üretim için YOLO26 ile birlikte YOLO11'i öneriyor; YOLOv8 de aynı pakette desteklenmeye devam ediyor. YOLO27 Ekim 2026 itibarıyla yayımlanmadı.
- **RT-DETR ve RF-DETR:** Transformer tabanlı gerçek zamanlı tespit modelleri. Roboflow'un RF-DETR Medium modeli T4'te 4,4 ms'de 54,7 mAP 50-95 veriyor.
- **SAM 3 (Kasım 2025):** 848 milyon parametreli; kısa bir metin istemiyle (ör. "scratch") bir kavramın tüm örneklerini görüntüde ve videoda maskeler. Meta'ya göre H200'de 100'den fazla nesneli bir görüntüyü 30 ms'de işler; 27 Mart 2026'da çıkan SAM 3.1, orta sayıda nesneli videolarda H100'deki hızı saniyede 16 kareden 32 kareye çıkarır. Üretim hattında değil, ön maske üretip etiketlemeyi hızlandırmak için kullanın; sonuçları insan kontrol etmeli.
- **Küçük kusurlar:** Büyük görüntüyü parçalara bölerek çıkarım yapan SAHI (MIT lisanslı), YOLO26, RT-DETR ve RF-DETR ile çalışır.

## Video analizinde bir GPU kaç kamerayı işler?

Kamera akışlarında gerçek zamanlı nesne tespitinde kamera sayısını iki sınırdan küçük olanı belirler: NVDEC motorlarının kod çözme kapasitesi ve modelin saniyede işleyebildiği kare sayısı.

| GPU | NVDEC | 1080p çözme üst sınırı, kare/s (H.264 / HEVC) | 25 kare/s'lik kamera eşdeğeri | DeepStream uçtan uca, kare/s (RT-DETR / Grounding-DINO) | Bellek |
|---|---|---|---|---|---|
| RTX PRO 4000 | 2 | 4.344 / 3.744 | 173 / 149 | — | 24 GB |
| L40S | 3 | 2.709 / 4.923 | 108 / 196 | 643 / 107 | 48 GB |
| RTX 5090 | 2 | 4.344 / 3.744 | 173 / 149 | Ölçüm yok | 32 GB |
| RTX PRO 6000 | 4 | 8.688 / 7.488 | 347 / 299 | 1.037–1.063 / 159–178 | 96 GB |

Çözme değerleri, NVIDIA'nın NVDEC uygulama notundaki motor başına hızların (Ada: H.264 903, HEVC 1.641; Blackwell: H.264 2.172, HEVC 1.872 kare/s) motor sayısıyla çarpımıdır; en yüksek video saat hızında ölçüldükleri için kartınızda daha düşük çıkabilir. DeepStream sütunu NVIDIA'nın DeepStream 9.2 sayfasından: 1080p H.265 girdiyle kod çözme, gruplama, FP16 TensorRT çıkarımı ve son işleme birlikte ölçülür; RTX PRO 6000 değeri sürüme göre değişir.

Örnek: L40S'te RT-DETR ile her kareyi analiz ederseniz 25 kare/s'lik yaklaşık 25 kamera işlenir. Saniyede 5 kare analiz ederseniz (DeepStream'de `nvinfer` öğesinin `interval=4` ayarı) çıkarım yaklaşık 128 kameraya yeter; bu kez sınır H.264 kameralarda çözme kapasitesidir (~108 kamera), HEVC kameralarda yine çıkarımdır. Grounding-DINO gibi açık kelime dağarcıklı bir model aynı kartta altı kat daha az kare işler. Bunlar kaba hesaplardır; kendi modelinizle ölçün.

- **DeepStream 9.2:** NVIDIA'nın GStreamer tabanlı video analitiği SDK'sı; x86 sunucuda Ubuntu 24.04, CUDA 13.2, TensorRT 10.16 ve 595 ya da üzeri sürücü ister. Kaynak kodu Apache 2.0, ikili paketleri NVIDIA'nın SDK lisansına tabidir. YOLO'yu bağlayan DeepStream-Yolo deposu (MIT), README'sine göre 8.0'a kadar olan sürümleri destekliyor; 9.x ile test edin.
- **Python hattı:** NVIDIA'nın PyNvVideoCodec kütüphanesi ya da PyTorch'un torchcodec paketi kareleri doğrudan GPU belleğine çözer.
- **Plaka tanıma ve kişi sayma:** Tipik bir plaka tanıma hattında bir tespit modeli (ör. YOLO) plakayı bulur, bir OCR modeli karakterleri okur. Kişi sayma için tespit modeline nesne takibi (Ultralytics'te BoT-SORT ve ByteTrack dahil altı yerleşik takipçi var) ve bir sayım çizgisi ya da bölgesi eklenir. İkisi de yukarıdaki kamera hesabına girer; plaka ve kişi görüntüleri bir kişiyle ilişkilendirilebildiğinde kişisel veridir.
- **İşaretlenmiş video yayını:** Sonucu yeniden kodlayıp yayınlayacaksanız NVENC gerekir. H100 ve H200'de NVENC yoktur; RTX 5090'da GeForce kartlara özgü 12 eşzamanlı kodlama oturumu sınırı vardır. Ayrıntılar [video transcoding rehberimizde](/blog/video-transcoding-gpu-rehberi/) ve [video işleme sayfamızda](/hizmetler/video-isleme/).

## Ultralytics'in AGPL-3.0 lisansı ticari kullanımı nasıl etkiler?

YOLO26 dahil Ultralytics YOLO, AGPL-3.0 ile dağıtılır; projenizi aynı lisansla açık kaynak yapmayacaksanız ücretli Enterprise lisans gerekir.

- Ultralytics'in lisans sayfası Enterprise lisans gereken durumlar arasında kapalı kaynak yazılımları, arka planda YOLO kullanan SaaS ve API'leri, kameralara gömülü kullanımı, hatta tamamen açık kaynak olmayan iç araçları ve Ar-Ge projelerini sayıyor.
- Aynı sayfaya göre Ultralytics ile eğitilen modeller de varsayılan olarak AGPL-3.0 kapsamındadır. Fiyat kuruma göre veriliyor.
- Bu, firmanın lisans yorumudur; ürününüze nasıl uygulanacağını bir hukukçuyla değerlendirin. Bu bölüm hukuki tavsiye değildir.

Daha serbest seçenekler: Özgün RT-DETR uygulaması (lyuwenyu/RT-DETR) Apache 2.0'dır; Ultralytics paketindeki RT-DETR ise AGPL-3.0 kapsamındadır. RF-DETR ailesinde N, S, M, L tespit modelleri ve segmentasyon modelleri Apache 2.0; XL, 2XL ve en küçük üç tespit modeli PML 1.0 lisanslıdır. SAM 2 Apache 2.0'dır; SAM 3'ün lisansı (SAM License) telif ücreti istemez ve ticari kullanımı ayrıca yasaklamaz, ancak askeri, nükleer ve casusluk amaçlı kullanımı yasaklar. Etiketleme için CVAT (MIT) ya da Label Studio (Apache 2.0) sunucunuzda çalışırsa ham görüntüler dışarı çıkmaz.

## Görüntü işleme ile kalite kontrol ve hata tespiti nasıl yapılır?

Endüstriyel görüntü işlemede hata (kusur) tespiti beş adımda kurulur: görüntü toplama, etiketleme, eğitim, dağıtım ve yeniden eğitim. Aşağıdaki akış genel bir senaryodur, bir müşteri vakası değildir.

1. **Görüntü toplama:** Hattaki kamera her ürünün görüntüsünü alır; kusurlu ve kusursuz örnekler birlikte saklanır.
2. **Etiketleme:** CVAT ya da Label Studio sunucuda çalışır; SAM 3 ön maske üretir, kalite ekibi düzeltir.
3. **Eğitim:** Küçük kusurlar için YOLO26s ya da YOLO26m 1.280 pikselde eğitilir ya da SAHI ile parçalı çıkarım yapılır. Doğrulamada sınıf bazında duyarlılığa (recall) bakılır; karar eşiği, kaçan kusurun ve yanlış alarmın hattınızdaki maliyetine göre seçilir.
4. **Dağıtım:** Model TensorRT FP16 motoruna çevrilir. Üretim hattında anlık ret kararı gerekiyorsa çıkarım hattaki bir uç cihazda (ör. NVIDIA Jetson) yapılır; sunucu eğitim ve merkezi izleme için kalır.
5. **Yeniden eğitim:** Yeni ürün, yeni kusur türü ya da ışık değişikliği geldikçe model aynı sunucuda yeniden eğitilir.

## Yüz tanıma ve kamera görüntüleri KVKK'ya göre nasıl değerlendirilir?

Kişilerin tanınabildiği kamera görüntüleri kişisel veridir; yüz tanıma ise biyometrik veri işlediği için KVKK'nın 6. maddesindeki özel nitelikli veri kurallarına tabidir.

- **Biyometrik veri:** Kurum'un Mart 2025 tarihli rehberi, teknik işlemeyle elde edilen ve kişiyi özgün biçimde tanımlayan ya da doğrulayan fiziksel veya davranışsal özellikleri biyometrik veri sayıyor.
- **İşleme şartı:** 6. maddenin 2024'te değişen üçüncü fıkrasına göre bu veriler ancak sayılan şartlardan biriyle işlenebilir: açık rıza, kanunlarda açıkça öngörülme, bir hakkın tesisi için zorunluluk, istihdam alanındaki hukuki yükümlülükler gibi. Kurul'un belirlediği yeterli önlemler (2018/10 sayılı karar) de şarttır.
- **Gereklilik:** Rehbere göre aynı amaca daha az müdahaleci bir yolla ulaşılabiliyorsa biyometrik veri işlenmemelidir. Kurul, alternatifi varken spor salonu girişinde avuç içi izi alınmasını ölçülü bulmadı (2019/81 ve 2019/165 sayılı kararlar). Çalışan reddettiğinde olumsuz sonuçla karşılaşacaksa rıza özgür sayılmaz.
- **Tedbirler:** Şablonların güncel kriptografik yöntemlerle şifrelenmesi, sistemin kurulumdan önce sentetik veriyle test edilmesi ve rıza vermeyenlere ek maliyetsiz bir alternatif sunulması rehberde sayılıyor.

Kalite kontrol kameralarını ürüne yöneltmek ve kadrajdaki kişileri bulanıklaştırmak kişisel veri yükünü azaltır. Görüntüleri yurt dışındaki bir buluta göndermek yurt dışına aktarım sayılır; ayrıntılar [KVKK rehberimizde](/blog/kvkk-gpu-kiralama-turkiye/). Sunucularımız İstanbul Bağcılar'daki kendi tesisimizdedir ve veriler Türkiye'de kalır; uyum değerlendirmesi kendi veri işleme süreçlerinize bağlıdır. Bu bölüm genel bilgidir, hukuki tavsiye değildir.

## Aylık ve yerel sunucu ne zaman mantıklı?

Kameralarınız 7/24 analiz ediliyorsa ya da modeli düzenli olarak yeniden eğitiyorsanız aylık, size ayrılmış bir sunucu mantıklıdır.

- **Mantıklı:** Sürekli çalışan video analitiği, her ay yeni verilerle yeniden eğitim, büyük görüntü arşivlerinin Türkiye'de kalması, sabit aylık maliyet ve Türk lirası fatura. Yıllık kiralamada aylık fiyata %20 indirim uygulanır.
- **Mantıklı değil:** Yılda birkaç kez, birkaç saat süren bir eğitim. RTX 5090'ın aylık fiyatının saatlik karşılığı (aylık fiyat ÷ 730 saat) $0,82; GPU'yu ayda yalnızca birkaç saat kullanıyorsanız [saatlik bir bulut](/blog/cloud-gpu-vs-fiziksel-gpu/) daha ucuzdur. RTX 5090'da global GPU bulutlarının medyan saatlik fiyatı (getdeploying.com, Ekim 2026) tam ay kullanımda bile bu karşılığın altındadır; bu kartı aylık kiralamanın gerekçesi fiyat değil, kartın size ayrılması ve verinin Türkiye'de kalmasıdır. Etiketli veriniz yoksa genel amaçlı bulut görüntü API'leri ya da büyük çok kipli modeller daha hızlı bir başlangıç sağlayabilir.
- **Bağlantı:** Fabrikanızdan İstanbul'a gecikme ağınıza bağlıdır; üretim hattında anlık karar gerekiyorsa uç cihaz ile merkezi sunucuyu birlikte kullanmak daha sağlamdır.

Kamera sayısını, çözünürlüğü, kodeki (H.264 ya da HEVC) ve veri setinin boyutunu sipariş formunun mesaj alanına yazın; çok GPU'lu eğitimde [NVLink](/blog/multi-gpu-nvlink-kiralama-rehberi/) ihtiyacınızı da belirtin.

## Özet

- Ekim 2026'nın güncel Ultralytics modeli YOLO26'dır; YOLOv8 ve YOLO11 de aynı paketle eğitilir. Eğitimde belleği çözünürlük ve batch belirler, `batch=-1` ile ölçün.
- Kart başına kamera sayısı, NVDEC çözme sınırı ile modelin kare/s kapasitesinden küçük olanıdır; L40S'te NVIDIA'nın RT-DETR ölçümü 643 kare/s'dir.
- Ultralytics AGPL-3.0'dır ve kapalı kaynak ya da iç kullanımda Enterprise lisans ister; RF-DETR ve özgün RT-DETR Apache 2.0 seçeneklerdir.
- Yüz tanıma biyometrik veri işler ve KVKK m.6'ya tabidir; gereklilik ve alternatif şartlarını projenin başında değerlendirin.
- Eğitim için RTX 5090, 7/24 analitik için L40S, prototip için RTX PRO 4000, SAM 3 ve MIG için RTX PRO 6000.

## Kaynaklar

- [Ultralytics YOLO26 belgeleri](https://docs.ultralytics.com/models/yolo26)
- [Ultralytics: Lisans seçenekleri (AGPL-3.0 ve Enterprise)](https://www.ultralytics.com/license)
- [NVIDIA DeepStream 9.2: Performans](https://docs.nvidia.com/deepstream/9.2/text/DS_Performance.html)
- [NVIDIA Video Codec SDK 13.1: NVDEC Application Note](https://docs.nvidia.com/video-technologies/video-codec-sdk/13.1/nvdec-application-note/index.html)
- [Meta SAM 3 ve SAM 3.1 (GitHub)](https://github.com/facebookresearch/sam3)
- [Roboflow RF-DETR (GitHub)](https://github.com/roboflow/rf-detr)
- [KVKK: Biyometrik Verilerin İşlenmesinde Dikkat Edilmesi Gereken Hususlara İlişkin Rehber (Mart 2025)](https://www.kvkk.gov.tr/SharedFolderServer/CMSFiles/bd06f5f4-e8cc-487e-abe1-d32dc18e2d7e.pdf)
- [6698 sayılı Kişisel Verilerin Korunması Kanunu (mevzuat.gov.tr)](https://www.mevzuat.gov.tr/mevzuatmetin/1.5.6698.pdf)
- [Ultralytics: Modeller (YOLO26 ve YOLO11 önerisi, YOLO27 durumu)](https://docs.ultralytics.com/models/)
- [Ultralytics: Eğitim modu (cihaz seçimi, AutoBatch, çok GPU)](https://docs.ultralytics.com/modes/train/)
- [Ultralytics: Tespit veri seti biçimi](https://docs.ultralytics.com/datasets/detect/)
- [Ultralytics: TensorRT entegrasyonu (INT8 kalibrasyonu)](https://docs.ultralytics.com/integrations/tensorrt/)
- [Ultralytics Platform: Bulut eğitimi GPU seçenekleri](https://docs.ultralytics.com/platform/train/cloud-training/)
- [Ultralytics: Nesne takibi](https://docs.ultralytics.com/modes/track/)
- [NVIDIA DeepStream 9.2: Genel bakış](https://docs.nvidia.com/metropolis/deepstream/dev-guide/text/DS_Overview.html)
- [NVIDIA DeepStream 9.2: Kurulum gereksinimleri](https://docs.nvidia.com/deepstream/9.2/text/DS_Installation.html)
- [NVIDIA Video Encode and Decode GPU Support Matrix](https://developer.nvidia.com/video-encode-decode-support-matrix)
- [NVIDIA MIG: Desteklenen GPU'lar](https://docs.nvidia.com/datacenter/tesla/mig-user-guide/supported-gpus.html)
- [Meta: SAM 3 ve SAM 3.1 duyurusu](https://ai.meta.com/blog/segment-anything-model-3/)
- [getdeploying.com: RTX 5090 bulut fiyatları](https://getdeploying.com/gpus/nvidia-rtx-5090)

## Sık sorulan sorular

**Ultralytics YOLO ticari kullanımda ücretli mi, lisans gerekir mi?**
Ultralytics'in lisans sayfasına göre evet: YOLO26 dahil Ultralytics YOLO AGPL-3.0 lisanslıdır; projenizi bu lisansla açık kaynak yapmıyorsanız iç kullanım dahil ücretli Enterprise lisans gerekir ve fiyat kuruma göre teklifle belirlenir. Eğitilen modeller de varsayılan olarak AGPL-3.0 kapsamındadır; Apache 2.0 lisanslı RF-DETR (N, S, M, L) ve özgün RT-DETR uygulaması alternatiftir. Bu genel bilgidir, hukuki tavsiye değildir.

**Tek bir GPU'da kaç IP kamerayı analiz edebilirim?**
Kamera sayısı, NVDEC çözme sınırı ile modelin saniyede işlediği kare sayısından küçük olanıdır. NVIDIA'nın DeepStream 9.2 ölçümünde L40S, RT-DETR ile saniyede 643 kare işliyor; her kareyi analiz ederseniz 25 kare/s'lik yaklaşık 25, saniyede 5 kare analiz ederseniz 100'ün üzerinde kamera eder. Kesin sayıyı kendi modelinizle ve kamera ayarlarınızla ölçün.

**Kamera görüntülerimiz ve eğitim verilerimiz nerede tutulur?**
Sunucular İstanbul Bağcılar'daki kendi tesisimizdedir; veriler Türkiye'de kalır ve kiraladığınız GPU başka müşterilerle paylaşılmaz. Kişisel veri içeren görüntülerde uyum değerlendirmesi kendi veri işleme süreçlerinize bağlıdır.

**Tek bir YOLO eğitimi için aylık kiralama mantıklı mı?**
Birkaç saat süren tek bir eğitim için saatlik bir bulut daha ucuz olabilir. Modeli her ay yeniden eğitiyor ya da aynı sunucuda 7/24 çalıştırıyorsanız aylık sabit fiyat mantıklıdır; kiralama en az 1 aydır ve yıllık kiralamada aylık fiyata %20 indirim uygulanır.

**Birden fazla GPU ile eğitim yapabilir miyim?**
Evet; Ultralytics'te device=[0,1] gibi bir ayarla eğitim DDP ile kartlara dağıtılır. Tek siparişte en fazla 8 GPU kiralayabilirsiniz; NVLink ihtiyacınızı sipariş formunda belirtin.

**Sunucuda DeepStream ve Docker kullanabilir miyim?**
Yazılımları siz kurar ve yönetirsiniz; DeepStream 9.2, x86 sunucuda Ubuntu 24.04 ve 595 ya da üzeri NVIDIA sürücüsü ister ve NVIDIA'nın hazır konteyner imajlarıyla Docker içinde de çalışır. İşletim sistemi ve sürücü ihtiyacınızı sipariş formunda belirtin; kurulum sorularınızı doğrudan sunucuları işleten ekibe Türkçe sorabilirsiniz.

**Yüz tanıma sistemi kurmak KVKK'ya göre yasal mı?**
Yüz tanıma biyometrik, yani özel nitelikli kişisel veri işler; KVKK m.6'nın üçüncü fıkrasındaki şartlardan biri ve Kurul'un belirlediği yeterli önlemler gerekir. Kurum'un biyometrik veri rehberine göre aynı amaca daha az müdahaleci bir yolla ulaşılabiliyorsa biyometrik veri işlenmemelidir. Bu genel bilgidir, hukuki tavsiye değildir.

**YOLO GPU olmadan eğitilebilir mi?**
Evet; Ultralytics GPU bulamazsa eğitimi işlemcide çalıştırır, Apple Silicon'da device=mps de seçilebilir. Ancak işlemci çok daha yavaştır: Ultralytics'in tablosunda YOLO26s'in tek görüntü çıkarımı işlemcide (ONNX) 87,2 ms, T4 GPU'da (TensorRT) 2,5 ms sürüyor; binlerce görüntü ve yüksek çözünürlükle eğitimde pratikte GPU gerekir.

**Gerçek zamanlı nesne tespiti nasıl yapılır?**
Kendi verinizle eğittiğiniz YOLO26 ya da RF-DETR gibi bir tespit modelini TensorRT FP16 motoruna çevirir, kamera akışlarını GPU'daki NVDEC ile çözüp DeepStream ya da PyNvVideoCodec ile modele verirsiniz. Ultralytics'in tablosunda YOLO26s, T4'te TensorRT ile kare başına 2,5 ms sürüyor; tek kamerada gerçek zaman kolaydır, asıl sınırı kart başına kamera sayısı belirler.

**NVIDIA DeepStream nedir, ne işe yarar?**
DeepStream, NVIDIA'nın açık kaynak GStreamer çatısı üzerine kurulu video analizi araç setidir: kamera akışlarını GPU'da çözer, gruplar, TensorRT ile modelden geçirir ve sonuçları üst veri olarak üretir. Ekim 2026'daki güncel sürümü 9.2'dir.