Bilgisayarlı görü için yönetilen eğitim platformları ve kendi sunucunda barındırılan GPU’lar: karşılaştırma

Yönetilen eğitim platformları eğitim altyapısını senin için çalıştırır ve GPU süresi üzerinden ücret alır; kiraladığın ya da sahibi olduğun makineler fark etmeksizin, kendi sunucunda barındırılan GPU’larda donanım ve ortamın sorumluluğu ekibine aittir. Yönetilen eğitim genellikle aralıklı iş yükleri ve altyapı işleriyle daha az uğraşmak isteyen ekipler için uygundur. GPU’lara sahip olmak, kullanım sürekli yüksek olduğunda daha az maliyetli olabilir; ancak sonuç donanımın ne kadar süreyle yoğun kullanıldığına, kullanım ömrüne, elektriğe ve mühendislik süresine bağlıdır.

Bu kılavuz, 2026’da görüntü modellerini eğitmek için kullanılan dört yaygın seçeneği karşılaştırıyor, kendi iş yükün için başa baş noktasını nasıl hesaplayacağını gösteriyor ve Ultralytics Platform seçeneğinin nerede devreye girdiğini açıklıyor.

Görüntü modeli eğitmek için dört seçenek#

“Yönetilen ve kendi sunucunda barındırılan” ifadesi genellikle birbirinden farklı dört kurulumu kapsar:

1. Yönetilen bir görüntü eğitimi platformu. Bir veri kümesi yüklersin veya bağlarsın, model ve GPU seçersin, ardından platform eğitimi çalıştırır. Ultralytics Platform, YOLO modelleri için bu şekilde çalışır.
2. Genel amaçlı bir ML platformu. Amazon SageMaker, Google Vertex AI ve Azure Machine Learning gibi hizmetler, birçok çerçeve için bulut örneklerinde eğitim işleri çalıştırır. Eğitim işini, ortamını, izinleri ve depolamayı yapılandırırsın; işlem gücü ve ilgili hizmetler ayrı ücretlendirilir. Bu nedenle yalnızca GPU ücretlerine değil, her sağlayıcının resmî fiyatlandırma sayfasına bakarak karşılaştırma yap.
3. Kiralık bir bulut GPU’su. RunPod ve Lambda gibi GPU bulutları sana kullanım süresi üzerinden makine kiralar. Sağlayıcının imajında ihtiyacın olanlar yoksa sürücüleri, CUDA’yı, Python paketlerini ve eğitim kodunu kurarsın; işin bitince de örneği durdurursun.
4. Kendi GPU’n. Ofisindeki veya veri merkezindeki bir iş istasyonu ya da sunucu. Donanımı bir kez satın alırsın; elektrik, soğutma, bakım ve sistemi çalışır durumda tutmak için harcadığın süre için ödeme yaparsın.

Yönetilen eğitim ve kendi sunucunda barındırılan GPU’lar: genel bakış#

Yönetilen GPU eğitimi için ücretlendirme#

Ultralytics Platform’da eğitim çalıştırmasının GPU maliyetini tahmin etmek kolaydır:

GPU cost = selected GPU hourly rate × billable GPU hours

Sağlayıcıları karşılaştırırken aynı iş yükünü ve hedef doğruluğu kullan; abonelik, depolama, veri aktarımı ve mühendislik süresi gibi kalemleri de maliyete ekle.

Ultralytics Platform, 26 NVIDIA GPU türünü saatte 0,24 ABD dolarından başlayan fiyatlarla sunar; minimum kullanım veya taahhüt yoktur. Free plan bunlardan 24’ünü, Pro ve Enterprise ise 26’sının tamamını kullanabilir. Yaygın seçeneklerden bazıları:

Faturalandırma, gerçek GPU süresine göre yapılır. Tamamlanan ve iptal edilen çalıştırmalarla GPU başladıktan sonra başarısız olan çalıştırmalar için geçen GPU süresi ücretlendirilir; GPU başlamadan önceki bir başarısızlık ücretsizdir. Eğitim iletişim kutusu, başlamadan önce süre ve maliyet tahmini gösterir. Her tahmin, bakiyenden en az 15 dakikalık GPU süresi ayırır; bu rezervasyon başlamak için gereken bakiyeyi belirler, ancak faturalandırma gerçek GPU süresine göre yapılır.

Bunu somutlaştırmak için Ultralytics’in RTX PRO 6000 üzerinde 1.000 görüntü ve 100 dönem için verdiği tipik eğitim sürelerine bakalım: YOLO26m yaklaşık 15 dakika, YOLO26x ise yaklaşık 30 dakika sürer. Saatte 2,49 ABD doları üzerinden bu, sırasıyla yaklaşık 0,62 ve 1,25 ABD doları GPU süresine karşılık gelir. Gerçek çalıştırmalar görüntü boyutuna, veri artırmaya ve toplu iş boyutuna göre değişir; bu nedenle bu değerleri kesin fiyat değil, başlangıç noktası olarak değerlendir.

Kendi sunucunda barındırılan GPU’ların gerçek maliyeti#

Sahibi olduğun bir GPU için saatlik fatura gelmez, ancak her çalıştırma da ücretsiz olmaz. Toplam maliyete şunlar dahildir:

• Donanım ve GPU’yu çevreleyen iş istasyonu ya da sunucunun geri kalanı.
• Her eğitim saati için elektrik ve soğutma.
• Sürücüler, CUDA sürümleri, paket çakışmaları ve bozulan ortamlar için mühendislik süresi.
• Boşta geçen süre. Günde iki saat eğitim yapan bir GPU, günün geri kalanında boştadır; bu da eğitim saati başına maliyetini artırır.
• Kapasite sınırları. Bir model sahip olduğun VRAM’den fazlasına ihtiyaç duyduğunda veya aynı anda birden fazla deney çalıştırmak gerektiğinde beklemen ya da daha fazla donanım satın alman gerekir.

Sahip olduğun GPU’nun bulut GPU’suyla aynı hızda eğitim yaptığını varsayan basitleştirilmiş donanım ve elektrik karşılaştırması şöyledir:

Break-even hours = hardware cost ÷ (cloud hourly rate − your power cost per hour)

Varsayımsal sayılarla bir örnek verelim: RTX 4090’lı bir iş istasyonunun sana 3.000 ABD dolarına mal olduğunu ve eğitim saati başına elektriğin yaklaşık 0,10 ABD doları tuttuğunu varsayalım. Saatte 0,89 ABD doları olan RTX 4090 bulut seçeneğiyle karşılaştırıldığında, yaklaşık 3.800 saatlik eğitimden sonra başa baş noktasına ulaşır: günün her saati kullanımda yaklaşık 5,3 ay, her gün sekiz saat kullanımda ise 15,8 ay. Bu hesaba soğutma, boşta güç tüketimi, onarımlar, finansman, yeniden satış değeri ve kendi zamanın dahil değildir. Donanımın kullanım ömrü içinde bu kadar eğitim gerçekleşirse sahip olmak ancak o zaman avantaj sağlar. Gerçek donanım teklifini, elektrik fiyatını ve beklenen eğitim saatlerini kullan; sonuç, kullanım yoğunluğuna göre büyük ölçüde değişir.

Kendi sunucunda barındırılan GPU’lar ne zaman mantıklıdır?#

Şu durumlarda donanıma sahip olmak daha uygun olur:

• GPU’ların sürekli meşgulse. Kesintisiz yeniden eğitim, kapsamlı hiperparametre aramaları veya gün boyunca aynı makineyi paylaşan bir ekip, kullanımı başa baş noktasına yaklaştırır.
• Veriler kurumundan ayrılamıyorsa. Bazı düzenlemelere tabi veya hava boşluklu ortamlar bulut eğitimini tamamen devre dışı bırakır.
• Donanıma zaten sahipsen. Kullanılmadan duran güçlü bir GPU’n varsa, daha fazla donanım satın almadan önce işletme maliyetini ve eğitim süresini bulut seçenekleriyle karşılaştır.
• Yönetilen platformun desteklemediği sürücüler, çekirdekler veya özel eğitim kodları üzerinde tam denetime ihtiyacın varsa.

Yönetilen eğitim ne zaman mantıklıdır?#

Şu durumlarda yönetilen bir platform daha uygundur:

• Eğitim aralıklıysa. Veriler değiştiğinde eğitim yapar, ardından günlerce hiç eğitim yapmazsın.
• Bugün başlamak istiyorsan. İlk çalıştırmadan önce sürücü kurulumları, CUDA uyumsuzlukları veya ortam hata ayıklamasıyla uğraşmazsın.
• Model boyutları değişiyorsa. Küçük bir GPU’da nano model, 80 GB veya daha büyük bir GPU’da ise büyük model eğitebilirsin; ikisini de satın alman gerekmez.
• Birden fazla kişi eğitim yapıyorsa. Çalıştırmalar, metrikler ve kontrol noktaları kişisel makineler yerine tek bir yerde tutulur.

Karma seçenek: kendi GPU’ların ve yönetilen bir kontrol paneli#

İkisinden birini seçmek zorunda değilsin. Ultralytics Platform uzaktan eğitimi destekler: ultralytics paketiyle kendi GPU’nda eğitim yapar, canlı metrikleri bulut çalıştırmalarında kullanılan Platform kontrol paneline aktarır ve eğitim bittiğinde son ağırlıkları yüklersin. Uzaktan çalıştırmalar Ultralytics bulut GPU’larını değil, kendi GPU’nu kullanır; bu nedenle bulut GPU süreni tüketmez.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(
    data="coco8.yaml",
    epochs=100,
    project="username/my-project",  # Platform projen
    name="local-gpu-run",
)

Önce export ULTRALYTICS_API_KEY="YOUR_API_KEY" ile API anahtarını ayarla. Platform entegrasyonu Python 3.11 veya üzerini ve ultralytics 8.4.120 veya üzerini gerektirir. Yaygın bir yaklaşım, hızlı deneyleri yerel GPU’da çalıştırıp yerel makine meşgulken daha büyük veya zamana duyarlı çalıştırmaları bulut GPU’suna göndermektir.

Ultralytics Platform ile yönetilen GPU’da YOLO26 eğitimi#

1. platform.ultralytics.com adresinde hesap oluştur. Yeni hesaplara 5 ABD doları kayıt kredisi, iş e-postası doğrulandıktan sonra ise 25 ABD doları kredi verilir.
2. Görüntüleri ve etiketleri yükleyerek veya Pro ya da Enterprise planında bir Amazon S3 paketi bağlayarak veri kümesi ekle.
3. Eğitim iletişim kutusunu aç, bir YOLO26 modeli seç ve dönem sayısıyla görüntü boyutunu ayarla.
4. GPU seç. Önerilen varsayılan seçenek RTX PRO 6000’dır; avantaj ve dezavantajlar için bulut GPU’su seçme kılavuzuna bak.
5. Maliyet tahminini kontrol et, eğitimi başlat ve çalıştırma bitene kadar canlı metrikleri takip et.

Free plan aynı anda en fazla 3 bulut eğitim işi çalıştırır. Aylık koltuk başına 29 ABD doları olan Pro bu sayıyı 10’a çıkarır ve her ay koltuk başına 30 ABD doları kredi içerir.

Eğitim tamamlandığında modeli dışa aktarabilir veya API olarak dağıtabilirsin. Çıkarımın nerede çalışacağına da karar veriyorsan, dağıtım için maliyet, gecikme ve veri denetimini karşılaştıran bulut ve kendi sunucunda barındırılan görüntü yapay zekâsı kılavuzumuza göz at.