YOLO'yu lisansla
Ultralytics Sözlüğüne dön

Model Card

Model kartı; eğitilmiş bir modelin amaçlanan kullanımını, eğitim verilerini, değerlendirme sonuçlarını ve sınırlamalarını belgeler. Bu biçimi Google araştırmacıları 2018'de önerdi.

Model kartı, eğitilmiş bir makine öğrenimi modeliyle birlikte yayımlanan; modelin amacını, nasıl eğitilip değerlendirildiğini, farklı gruplar ve koşullar altındaki performansını ve başarısız olduğu durumları kaydeden kısa bir belgedir. Google'dan Margaret Mitchell, Timnit Gebru ve çalışma arkadaşları bu biçimi 2018'de, FAT* 2019 konferansında sunulan Model Cards for Model Reporting makalesinde önerdi. Model kartları artık yapay zekâda şeffaflığın standart uygulamalarından biri: Hugging Face üzerindeki bir model deposunda model kartı ana sayfa olarak gösterilir; yapay zekâ laboratuvarları da Anthropic'in 2024'te yayımladığı Claude 3 model kartı gibi önemli sürümler için kartlar yayımlar.

Model Kartının İçeriği#

Özgün makalede dokuz bölüm öneriliyordu:

  • Model ayrıntıları: Geliştirici, sürüm, tarih, mimari, lisans ve soruların nereye iletileceği.
  • Amaçlanan kullanım: Modelin geliştirildiği başlıca kullanım alanları ve kullanıcılar ile kapsam dışındaki kullanımlar.
  • Etkenler: Yaş grubu, kamera türü veya aydınlatma gibi performansı değiştirebilecek gruplar, araçlar ve ortamlar.
  • Ölçütler: Hangi performans ölçütlerinin, hangi karar eşiklerinde raporlandığı ve neden seçildikleri.
  • Değerlendirme verileri: Test için kullanılan veri kümeleri ve bunların seçilme nedenleri.
  • Eğitim verileri: Modelin öğrendiği veriler; paylaşılabildiği ölçüde ayrıntılı biçimde açıklanır.
  • Nicel analizler: Her etken için tek başına ve diğer etkenlerle birlikte ayrıştırılmış sonuçlar.
  • Etik değerlendirmeler: Hassas veriler, insanlara yönelik riskler ve uygulanan azaltıcı önlemler.
  • Çekinceler ve öneriler: Hiç test edilmemiş koşullar gibi bilinen eksiklikler.

Nicel analizler bu yaklaşımın temelini oluşturur. Tek bir öne çıkan puan, belirli bir alt grupta yoğunlaşan başarısızlıkları gizler. Bu nedenle makaledeki CelebA yüz veri kümesi üzerinde eğitilmiş gülümseme algılayıcısına ait örnek kart, hata oranlarını yaşa ve cinsiyete göre ayrı ayrı raporlar; bu ayrıştırılmış değerlendirme algoritmik yanlılığı ve veri kümesi yanlılığını ortaya çıkarır. Bir nesne algılama modeli için aynı bölüm, her sınıf ve koşul başına ortalama hassasiyet ortalamasını (mAP) raporlar. Küçük nesneler, gece çekilmiş görüntüler veya her kamera bunun örnekleridir. Ayrıca hedef donanımdaki çıkarım gecikmesi de belirtilir.

Hugging Face'te Model Kartları#

Hugging Face Hub'da model kartı, deponun README.md dosyasıdır: kişiler için yazılmış Markdown bölümleri, Hub'ın görev, lisans ve veri kümesine göre modelleri filtrelemek ve değerlendirme sonuçlarını göstermek için ayrıştırdığı bir YAML üstbilgisinin altında yer alır. huggingface_hub kütüphanesi, yapılandırılmış verilerden her iki bölümü de oluşturur:

from huggingface_hub import EvalResult, ModelCard, ModelCardData
from torchvision.models import ResNet50_Weights

# Torchvision, yayımlanan ImageNet doğruluğunu her ağırlık grubuyla birlikte sunar
weights = ResNet50_Weights.IMAGENET1K_V2
top1 = weights.meta["_metrics"]["ImageNet-1K"]["acc@1"]

# Makine tarafından okunabilir üst veriler: kütüphane, eğitim verileri ve değerlendirme sonuçları
result = EvalResult(
    task_type="image-classification",
    dataset_type="imagenet-1k",
    dataset_name="ImageNet-1K",
    metric_type="accuracy",
    metric_value=top1,
)
card_data = ModelCardData(
    model_name="resnet50", library_name="torchvision", datasets=["imagenet-1k"], eval_results=[result]
)

# Varsayılan şablonu doldur: Markdown bölümlerinin önünde bir YAML üstbilgisi
card = ModelCard.from_template(card_data, model_summary="ResNet-50 image classifier trained on ImageNet-1K.")
print(card.data.to_yaml())
print([line[3:] for line in card.content.splitlines() if line.startswith("## ")])

YAML çıktısı, eğitim veri kümesini ve ImageNet-1K üzerinde %80.858 top-1 doğruluğu kaydeden bir model-index bloğunu listeler. ImageNet Hub'da bir değerlendirme sonucu olarak gösterilir. İkinci satır, Model Details ve Uses'tan Bias, Risks, and Limitations'a, oradan Evaluation ve Environmental Impact'a uzanan şablon bölümlerini yazdırır; bu bölümler özgün makaledeki dokuz bölümün doğrudan devamıdır.

  • Veri kümeleri için veri sayfaları: Timnit Gebru ve çalışma arkadaşlarının 2018'de önerdiği bu belgeler, bir veri kümesinin nasıl toplandığını, etiketlendiğini ve hangi amaçla kullanılmasının öngörüldüğünü açıklar. Model kartı, eğitim verilerinin ayrıntılarını yinelemek yerine bu verilerin veri sayfasına bağlantı verir.
  • Sistem kartları: Birden fazla model, istem, güvenlik filtresi ve insan sürecinden oluşan, dağıtılmış bir yapay zekâ sistemini açıklar. Meta bu terimi 2022'de ortaya attı. OpenAI dahil, büyük dil modelleri (LLM'ler) geliştiren laboratuvarlar artık her büyük model sürümüyle birlikte bir sistem kartı yayımlıyor.
  • Model kayıt sistemi: Model dosyalarını, sürümleri ve köken bilgilerini saklar; kart ise kaydedilen her sürümün ne için uygun olduğunu açıklar.
  • Açıklanabilir yapay zekâ (XAI): Bir modelin tek bir tahmini neden yaptığını açıklar; kart ise modelin tüm bir değerlendirme kümesindeki davranışını betimler.

Düzenlemeler, bazı ortamlarda bu biçimi zorunlu kıldı. AB Yapay Zekâ Yasası uyarınca, genel amaçlı yapay zekâ modeli sağlayıcılarının 2 Ağustos 2025'ten itibaren eğitim ve değerlendirmeye ilişkin teknik belgeleri tutması ve modelleri üzerine sistem geliştiren kişilere modelin yetenekleri ve sınırlamaları hakkında bilgi vermesi gerekiyor. Komisyonun Genel Amaçlı Yapay Zekâ Uygulama Kuralları, amaçlanan kullanımlar, eğitim verileri ve enerji tüketimi gibi model kartını andıran alanlar içeren bir Model Dokümantasyon Formu sunuyor. Kartlar, yapay zekâ yönetişimi ve sorumlu yapay zekâ alanlarındaki daha geniş uygulamaların bir parçasıdır.

Kartı Güncel Tutma#

Bir kart tek bir model sürümünü açıklar; bu nedenle model, verileri veya dağıtım koşulları değiştiğinde kart da güncellenir. Üretim ortamındaki model izleme bu güncellemelere kanıt sağlar: veri kayması veya yeni bir hata biçimi, sonraki sürümün kartına bir çekince olarak eklenir.

Bir kartın bir bölümü model dosyasının içinde de taşınabilir. Ultralytics YOLO26 modelleri ONNX veya OpenVINO gibi biçimlere dışa aktarıldığında, dışa aktarıcı eğitim veri kümesinin adını, yazarı, dışa aktarma tarihini, paket sürümünü, lisansı, görevi, girdi boyutunu ve sınıf adlarını belirten açıklamayla birlikte üst verileri dosyaya ekler. Böylece dağıtılan kopya, ne olduğunu ve neleri algıladığını göstermeye devam eder.

Çözümleri keşfet

Sporda bilgisayarlı görü

Sporda bilgisayarlı görü

Ultralytics YOLO'nun oyuncu ve top takibi, performans analitiği, antrenörlük içgörüleri ve sporcu rehabilitasyonuyla spor alanında görsel yapay zekâyı nasıl güçlendirdiğini keşfet.
Daha fazla bilgi edin
Hava görüntüleri için bilgisayarlı görü

Hava görüntüleri için bilgisayarlı görü

İHA ve hava görüntülerini Ultralytics YOLO ile tarım, su ürünleri yetiştiriciliği, koruma çalışmaları ve jeo-uzamsal analiz için gerçek zamanlı içgörülere dönüştür.
Daha fazla bilgi edin
Havacılıkta bilgisayarlı görü

Havacılıkta bilgisayarlı görü

Uçak denetimi, pistteki yabancı madde tespiti, havaalanı yer operasyonları ve kompozit malzeme kusurlarının tespiti için Ultralytics YOLO ile havacılık ve uzay sektöründe bilgisayarlı görü uygula.
Daha fazla bilgi edin
Güvenlikte bilgisayarlı görü

Güvenlikte bilgisayarlı görü

Ultralytics YOLO modelleriyle her sahayı koru. Görsel yapay zekâ; çevre izleme, tehdit tespiti, plaka tanıma ve iş yeri güvenliğini destekler.
Daha fazla bilgi edin
Robotikte bilgisayarlı görü

Robotikte bilgisayarlı görü

Ultralytics YOLO modelleriyle daha akıllı makinelere güç ver. Robotikte görsel yapay zekâ; otonom navigasyonu, algılamayı, nesne takibini ve gerçek zamanlı kontrolü destekler.
Daha fazla bilgi edin
Lojistikte bilgisayarlı görü

Lojistikte bilgisayarlı görü

Ultralytics YOLO modelleriyle lojistiği kolaylaştır. Görüntü yapay zekâsı; paket denetimini, ayrıştırmayı, araç takibini ve gerçek zamanlı depo güvenliği izlemeyi mümkün kılar.
Daha fazla bilgi edin
Perakendede bilgisayarlı görü

Perakendede bilgisayarlı görü

Ultralytics YOLO modelleriyle perakendeyi yeniden tasarla. Görüntü yapay zekâsı; envanter takibini, raf izlemeyi, kuyruk yönetimini ve daha kapsamlı müşteri analizlerini mümkün kılar.
Daha fazla bilgi edin
Sağlık hizmetlerinde bilgisayarlı görü

Sağlık hizmetlerinde bilgisayarlı görü

Ultralytics YOLO modelleriyle sağlık çözümleri geliştir. Sağlık hizmetlerinde görüntü yapay zekâsı; daha hızlı tıbbi görüntüleme, daha akıllı tanı ve hasta takibini mümkün kılar.
Daha fazla bilgi edin
Üretimde bilgisayarlı görü

Üretimde bilgisayarlı görü

Ultralytics YOLO modelleriyle üretimi optimize et. Görsel yapay zekâ; kalite kontrolünü, kusur tespitini, kişisel koruyucu donanım uyumunu ve montaj hattı otomasyonunu destekler.
Daha fazla bilgi edin
Otomotivde bilgisayarlı görü

Otomotivde bilgisayarlı görü

Ultralytics YOLO modelleriyle otomotivde bilgisayarlı görüden yararlan. Görsel yapay zekâ; daha akıllı yollar için yol güvenliğini, sürüş desteğini ve araç otomasyonunu ileri taşır.
Daha fazla bilgi edin
Tarımda bilgisayarlı görü

Tarımda bilgisayarlı görü

Ultralytics YOLO modelleriyle akıllı tarıma görüntü yapay zekâsı kazandır. Daha yüksek ve akıllı verim için mahsul izleme, hayvan takibi ve hassas tarımı destekle.
Daha fazla bilgi edin

Geleceğin yapay zekasını birlikte inşa edelim!

Makine öğreniminin geleceğine yolculuğuna başla