Yapay Zekâya Kendi İşinizi Öğretin
Model eğitmek ne demek?
13 Kasım 2026 · video 9 dk · yazı ~1.050 kelime
Serinin ilk bölümü: yapay zekâ modeli eğitmek ne demek, ne tür modeller var, nerede eğitilir ve ben neden EVREN'i seçtim.
YouTube'da izle ↗- Açılış 0:00
- Model eğitmek ne demek? 1:14
- Ne tür modeller var? 3:11
- Nerede eğitilir? 5:06
- EVREN: ne, ve neler gelecek? 6:33
- Neden EVREN ve bundan sonrası 7:58
Açılış
Bunlar eğittiğim modeller. Ultrasonda bebeğin başını buluyor, kolonda polipi, ameliyatta damarları. Modeller bu görüntüleri daha önce hiç görmedi; görüntülerin üzerindeki işaretler modellerin kendi cevabı.

Ben cerrahi bir bölümde asistanım. Ameliyat görüntülerinde modelin yanlışını görürüm. Ultrasonda bunu göremem; orada uzmanların çizdiği işaretlere ve ölçülen başarıya güvenmek zorundayım.
Bence asıl zor olan bu: modelin doğru söyleyip söylemediğini bilmek.
Bir usta kendi işinde, bir çiftçi kendi tarlasında modelin yanlışını benden iyi görür. Bu yüzden model eğitmek, kendi alanını bilen herkesin işi. Başlarken zevk aldığınız, kendinizi geliştirdiğiniz bir alanı seçmek en doğrusu; yanlışı orada görürsünüz.
Seride bu modelleri nasıl eğittiğimi eksiksiz anlatmaya çalışacağım. Bu bölümde dört soruya bakıyoruz: model eğitmek ne demek, ne tür modeller var, nerede eğitilir ve ben neden EVREN platformunu seçtim. Platformları aynı ölçütlerle yan yana koyacağım.
Model eğitmek ne demek?
Model eğitmek, bir öğrenciyi sınava hazırlamaya benzer. Bunu kendi modelimle göstereyim. Elimde 998 ultrason görüntüsü vardı. Her birinde bebeğin başının sınırını bir uzman çizmiş. Görüntüler soru, çizimler cevap anahtarı. Bu çizimlere etiket diyoruz.

Görüntülerin 698'i çalışma sorusu oldu. Model her birinde önce başın sınırını kendi tahminiyle çizdi, uzmanın çizgisiyle karşılaştırdı, farka göre kendini düzeltti. Çalışma sorularının hepsini bir kez bitirmesine bir tur diyoruz; İngilizcesi epoch. Benim modelim 100 tur çalıştı.
150 görüntüyü deneme sınavına ayırdım. Model bunlarla hiç çalışmadı; her tur bitince bu sınava girdi, ama buradaki yanlışlarından kendini düzeltmedi. Böylece ezber mi yaptığını, yoksa görmediği sorularda da başarılı mı olduğunu gördüm. Puan, modelin çizdiği sınırın uzmanınkine ne kadar oturduğunu gösteriyor. En yüksek puanı 87. turda aldı, sonraki turlarda bunu geçemedi; EVREN modelin o turdaki hâlini kaydetti.
Kalan 150 görüntü asıl sınavdı. Kaydedilen tur deneme sınavına bakılarak seçildi; bu yüzden deneme sınavı artık tarafsız bir hakem değil. Son sözü, eğitim bitene kadar mühürlü kalan bu sorular söyler. Model asıl sınavda başın sınırını çizdi; bu çizgiden hesaplanan baş çevresi, uzmanınkinden ortalama 2,3 milimetre saptı. Bir santimin dörtte birinden az.

Çalışma sorularına train, deneme sınavına validation, asıl sınava test deniyor; Türkçesi eğitim, doğrulama ve test. Görüntüleri böyle gruplara ayırmanın adı da split.
Ama bu öğrenci konuyu anlamaz, soruların kalıbını öğrenir. Görmediği soruyu, çalıştıklarına benziyorsa çözer. Çalıştığı sorularda hep büyük bebekler olsaydı, küçük bir bebeğin başını bulmakta zorlanırdı.

Ne tür modeller var?
Üç modelim üç ayrı iş yapıyor. EKG modelim, bir EKG kâğıdının görüntüsüne tek bir cevap veriyor: “normal”, “ritim bozukluğu” ya da “kalp krizi bulgusu var”. Buna sınıflandırma diyoruz; İngilizcesi classification. Başka bir modelde cevap bir sayı da olabilir, el röntgeninde kemik yaşı gibi; buna regresyon diyoruz.
Mikroskop modelim idrar örneğindeki hücreleri ve kristalleri tek tek kutu içine alıyor. Buna tespit diyoruz; İngilizcesi detection. Bebeğin başını bulan model ise başın sınırını piksel piksel çiziyor. Buna segmentasyon diyoruz.
İş değişince etiket de değişir: bir ad, bir sayı, bir kutu ya da bir sınır.
Görüntüyle yapılan başka işler de var: önemli noktaları işaretlemek, videoda bir nesneyi takip etmek, görüntü üretmek gibi. Modeller tahlil sonuçları gibi tablo hâlindeki verilerle, sesle ve metinle de çalışır; sohbet ettiğimiz dil modelleri de bunlardan biri. Bunların hepsi her eğitim platformunda yok.
Bir de nereden başladığınız önemli; üç yol var. Başkasının eğitip paylaştığı hazır bir modeli hiç eğitmeden kullanabilirsiniz; genel kültürüyle sınava girmek gibi, yetip yetmediğini ancak sınayınca anlarsınız. Sıfırdan eğitebilirsiniz; okumayı bilmeyen bir çocuğu sınava hazırlamak gibi, çok veri ve çok işlem gücü ister. Ya da çoğu zaman olduğu gibi, başka bir işi öğrenmiş hazır bir modeli kendi verinizle eğitirsiniz; okumayı bilen birine yeni bir konu çalıştırmak gibi. Buna ince ayar diyoruz; İngilizcesi fine-tuning.
Benim modellerim de ince ayarla eğitildi. Bebeğin başını çizen model, günlük fotoğraflarda nesnelerin sınırını çizmeyi zaten biliyordu; bu yüzden 698 görüntü yetti.
Nerede eğitilir?
Bir model eğitmek için önce bir parça lazım: bilgisayarın ekran kartı, kısaca GPU. Eğitimi asıl o yapar. Bu kartı kullanabileceğiniz yerleri ikiye ayırabiliriz.
Birincisinde kod yazarsınız; yani bilgisayara ne yapacağını yazılı komutlarla söylersiniz. Çoğu zaman hazır bir örneğin birkaç satırını değiştirmek yeter. Uygun bir ekran kartı varsa kendi bilgisayarınız, Kaggle, Colab, Hugging Face, kart kiralayan RunPod veya Vast.ai böyle. Karşılığında her türlü modeli eğitebilirsiniz.
İkincisinde kod yok; bir web sitesinde düğmelere basarak eğitirsiniz. Roboflow, Ultralytics'in web platformu ve EVREN böyle. Bunun bedeli: yalnız sundukları işleri yapabilirsiniz; çoğunlukla görüntü işleri.
RunPod, Vast.ai ve Hugging Face dışında hepsinde ücretsiz başlamanın bir yolu var; kotaları farklı. Ücretli tarafta, fiyatını yazan yerlerde bir H200'ün saati 2 ile 5,3 dolar arasında. Bazı platformlarda para yerine kredi kullanılıyor; kredileri dolarla doğrudan kıyaslamak zor.
Hangisinin size uygun olduğu dört şeye bağlı: neyi eğiteceğiniz, kod yazıp yazmayacağınız, bütçeniz ve verinizin ne kadar hassas olduğu. Aşağıdaki tabloda her birinin bir sütunu var. Veriniz hassassa son sütuna özellikle bakın.
| Platform | Kod | İş türleri | Ücretsiz | H200 saat fiyatı | Veri nerede |
|---|---|---|---|---|---|
| Kendi bilgisayarınız | evet | hepsi; NVIDIA kart ya da Apple çipi gerekir, yoksa çok yavaş | var olan donanım | — | bilgisayardan çıkmaz |
| Kaggle (Google) | evet | hepsi | ~30 sa/hafta (P100 ya da 2×T4) | ücretli plan yok | bölge yazmıyor |
| Colab (Google) | evet | hepsi | var; sınırı yazmıyor | GPU başına fiyat yazmıyor | bölge yazmıyor |
| Hugging Face | evet | hepsi | eğitimde yok | 5,00 $ | ABD (AB seçimi ücretli planda) |
| RunPod | evet | hepsi | yok | 5,29 $ (paylaşımlı: 3,59 $'dan) | paylaşımlıda bireysel sağlayıcı olabilir |
| Vast.ai | evet | hepsi | yok | 2,11 $'dan (canlı fiyat) | bireysel sağlayıcı olabilir |
| Teachable Machine (Google) | hayır | sınıflandırma: görüntü, ses, poz | ücretsiz | — | istenirse bilgisayardan çıkmaz |
| Roboflow | hayır | görüntü | ~5 sa/ay | H200 yok; kredi ~8-12 $/sa | bölge seçimi en üst planda |
| Ultralytics (web platformu) | hayır | görüntü (YOLO) | 25 $ tek seferlik kredi | 5,29 $ | ABD / AB / Asya seçilir |
| EVREN | hayır | görüntü, tıbbi görüntü; ses/metin beta | 1000 kredi tek seferlik; katkıyla ek kredi | 10 kredi; dolar karşılığı yazmıyor | yurt içi (platformun beyanı) |
Videodaki tablonun aynısı. Her hücre platformun kendi sayfasından, 11 Kasım 2026'da giriş yapılmadan okundu; fiyatlar değişebilir. Hugging Face'in kodsuz aracı AutoTrain'in bakımı yapılmıyor. EVREN'de katkı: veri yükleme, etiketleme, model paylaşma, günlük giriş.
EVREN: ne, ve neler gelecek?
Ben modellerimi EVREN'de eğittim. EVREN'i kısaca tanıtacak olursam: Savunma Sanayii Başkanlığı bünyesinde geliştirilen,* sunucularının Türkiye'de olduğunu söyleyen bir yapay zekâ platformu. e-Devlet ile giriliyor. Veriyi yüklemek, etiketlemek, görüntü modeli eğitmek ve eğittiğiniz modeli orada kullanmak ya da indirmek hep aynı yerde yapılıyor.
Altyapıda 64 tane H200 ekran kartı var; bütün kullanıcılar bunları ortak kullanıyor. Eğitim para yerine kredi ile yapılıyor.
Eğitimin dışında, bugün çalışan bir şey daha var: herkesin kullandığı on beş hazır dil modeli. Bunlarla ChatGPT gibi sohbet edebilir ya da kendi programınızdan bağlayabilirsiniz; bu bağlantılara API deniyor. Bunları siz eğitmiyorsunuz; az önce saydığım ilk yol bu: hazır modeli eğitmeden kullanmak.
Şimdilik eksiklerine ve gelecek olanlara bakalım. Yeni bir veri seti oluştururken ses, metin ve “çoklu”, yani karışık veri seçenekleri görünüyor, ama şimdilik seçilemiyor; yanlarında “beta” yazıyor, yani henüz hazır değil.

Ana sayfa ses ve dil modeli eğitiminden bahsediyor; altyapı sayfası bunlar için süre tahmini de veriyor. Ama bugün sitede yalnız görüntü modeli eğitilebiliyor. Ses, metin ve dil modeli eğitimi şimdilik bir söz. Geldiklerinde ne kadar işe yaradıklarını ancak deneyince bileceğiz.
Neden EVREN ve bundan sonrası
Peki ben neden EVREN'i seçtim? Bizden bir platform. Denemek isteyen biri şimdilik para ödemeden başlayabiliyor. Bir de kendi alanımdan, tıptan katkı vermek istiyorum; burada katkı krediye dönüşüyor.
Kredi şöyle işliyor. İlk girişte bin kredi veriliyor; bu, bir H200'de yüz saat demek. Baş çevresi modelinin eğitimi iki buçuk kredi tuttu. Veri ya da modeli herkese açık paylaştıkça, etiketledikçe yeni kredi kazanıyorsunuz. Biterse gerekçesini yazıp ek kredi isteyebilirsiniz; yönetici onaylarsa eklenir.
Bu seride önce o modeli baştan sona yeniden yapacağız: veri, etiket, eğitim, ölçüm ve kullanım. Her adımı ayrı bir bölümde, eksiksiz anlatacağım; izleyince kendiniz yapabileceksiniz.
Örneği tıptan seçtim, çünkü benim alanım tıp. Ultrasonu seçtim, çünkü verisi açık, model küçük ve çabuk eğitiliyor; üstelik sonucu gözümle değil ölçümle denetliyorum. Görüntüleri bir araştırma ekibi, herkesin kullanabileceği bir lisansla yayımladı.1 Ben de bu görüntüleri ve eğittiğim modeli EVREN'de herkese açık paylaştım. Önce birebir tekrarlayabilir, sonra kendi alanınıza uyarlayabilirsiniz.
Belgeler
Ölçüm kaydı · fetal baş modeli
- Veri
- HC18, van den Heuvel ve ark. 2018; 998 görüntü, her birinde uzmanın çizdiği baş sınırı · CC BY 4.0
- Bölme
- 698 eğitim · 150 doğrulama · 150 test
- Model
- YOLO26m segmentasyon, hazır ağırlıkla ince ayar
- Eğitim
- 100 tur; doğrulamada en iyi puan 87. turda, o tur kaydedildi
- Sonuç
- Test görüntülerinde baş çevresi, uzmanınkinden ortalama 2,3 mm sapma
- Maliyet
- 2,5 EVREN kredisi
- Paylaşım
- EVREN koleksiyonu · veri ve model herkese açık
Videodaki on iki model ve veri kaynakları
Hepsi tek koleksiyonda, herkese açık: EVREN koleksiyonu (EVREN sayfaları e-Devlet ile giriş yapınca açılır). Veri setlerini kuran ve modelleri ölçen betikler: open-medical-baselines. Veri setleri asıl kaynaklarının lisansıyla (CC BY 4.0 / CC0). Modeller araştırma ve eğitim içindir, klinik araç değildir.
- Fetal baş (HC18, van den Heuvel ve ark. 2018) veri
- Fetal kalp (FOCUS) veri
- Doğumda fetal baş (PSFHS) veri
- Pelvik taban (PFUS1) veri
- Kolon polipi (HyperKvasir) veri
- Endoskopi bulguları (HyperKvasir, 23 sınıf) veri
- Koroner arterler (ARCADE) veri
- Pankreas venleri (VIP20K) veri
- Gastrektomi anatomisi veri
- İdrar sedimenti (MODUS) veri
- Sperm (VISEM-Tracking) veri
- EKG veri
Platformların kaynak sayfaları
- Kendi bilgisayarınızda eğitim (Ultralytics)
- Kaggle
- Google Colab
- Hugging Face
- RunPod
- Vast.ai
- Teachable Machine
- Roboflow
- Ultralytics web platformu
- EVREN kredi sistemi (platformun kendi fiyat sayfası)
Notlar
- van den Heuvel TLA, de Bruijn D, de Korte CL, van Ginneken B. Automated measurement of fetal head circumference using 2D ultrasound images. PLoS ONE 13(8): e0200412, 2018. Veri seti (HC18): doi:10.5281/zenodo.1327317 · CC BY 4.0.
- Düzeltme: Videoda 6:40'ta “Savunma Sanayi Bakanlığı” dedim; doğrusu Savunma Sanayii Başkanlığı. Yazıda doğrusu yer alıyor.
Bu yazı, videoda söylediklerimin yazıya uyarlanmış hâlidir; cümleler aynı, yalnızca ekrandaki göndermeler şekil ve tabloya dönüştü.