--- title: "Tespit modellerini sahada ayakta tutmak: drift, yeniden eğitim ve veri seti disiplini" author: "Abdulaziz Akyol" author_url: https://www.abdulazizakyol.com/hakkimda/ url: https://www.abdulazizakyol.com/blog/yolo-tabanli-modelleri-sahada-ayakta-tutmak/ language: tr published: 2026-02-11 categories: ["Yapay zekâ", "Görüntü işleme"] tags: ["YOLO", "model drift", "yeniden eğitim", "etiketleme", "TensorRT", "MLOps"] translation: https://www.abdulazizakyol.com/en/blog/keeping-detection-models-alive-in-the-field-drift-retraining-and-dataset-discipline/ description: "Model eğitmek işin kısa kısmı; zor olan, 40 lokasyondaki modeli mevsim, ışık ve yerleşim değişirken doğru tutmak. Drift izleme, veri seti ve sürüm disiplini." --- # Tespit modellerini sahada ayakta tutmak: drift, yeniden eğitim ve veri seti disiplini Yazar: [Abdulaziz Akyol](https://www.abdulazizakyol.com/hakkimda/) · 2026-02-11 ## Öne çıkanlar - Model drift, sahadaki bir tespit modelinin doğruluğunun mevsim ve kıyafet, ışık, yerleşim, kamera değişikliği ya da modelin hiç görmediği yeni nesneler nedeniyle zamanla düşmesidir. - Sapma, müşteri aramadan önce üç sinyalle yakalanır: kamera başına günlük ortalama tespit güveni, geçen haftanın aynı gününe göre %20'yi aşan sayım sapması ve gece hariç boş kare oranı. - Veri seti disiplini; etiketlemeden önce otomatik yüz bulanıklaştırma, zor örnek önceliği, sabit etiket şeması, kaynak etiketi ve eğitime hiç girmeyen dokunulmaz bir test setinden oluşur. - Genel model çeyrekte bir yeniden eğitilir; müşteriye özel ince ayar (fine-tuning) birkaç yüz örnekle birkaç saatte biter ve sonuç hem o müşterinin hem genel test setinde kontrol edilir. - Yeni model TensorRT ile derlenip aday slotta bir gün gölge modda çalıştırılır ve aktif modelle karşılaştırılır; geri alma, slotları değiştiren tek bir komuttur. İlk yılımızda modeli bir kez eğitip sahaya atıyorduk. Üç ay sonra müşteri arıyordu: "sayım bozuldu". Bakıyorduk, model aynı, kamera aynı; değişen şey mağazanın kışlık koleksiyona geçmesiydi. Kalın mont, şapka, atkı. Eğitim setinde yazlık kıyafet vardı. O günden beri model bir ürün değil, bakımı olan bir sistem. ## Drift nereden geliyor Sahada gördüğümüz sapmaların kaynağı, sıklık sırasıyla: - **Mevsim ve kıyafet.** Kış-yaz farkı kişi tespitinde değil, sınıflandırmada (personel yeleği, KKD) sorun çıkarıyor. Sarı yelek montun altında kalınca "yeleksiz" oluyor. - **Işık.** Vitrin aydınlatması yenilendi, fabrikaya yeni LED takıldı, gün uzadı. Pozlama değişince modelin gördüğü dağılım değişiyor. - **Yerleşim.** Raf taşındı, kapı önüne stand kondu, üretim hattı yeniden düzenlendi. Model bozulmuyor ama [kural poligonları](https://www.abdulazizakyol.com/blog/mevcut-kameralarla-goruntu-analitigi-rtsp-den-olaya/) anlamsızlaşıyor. - **Kamera.** Değiştirildi, çarpıldı, lens buğulandı, otomatik odak bozuldu. En sinsi olanı, kamera firmware güncellemesiyle görüntü işleme ayarlarının (keskinlik, gürültü azaltma) değişmesi. - **Yeni nesne.** Depoya yeni tip forklift geldi, modelin hiç görmediği biçim. Tespit oranı o araç için sıfıra yakın. ## Sapmayı fark etmek Müşteri aramadan önce fark etmek gerekiyor. Üç sinyal izliyoruz: Güven skoru dağılımı: her kamerada günlük ortalama tespit güveni. 0,85'ten 0,70'e inen bir kamera bir şeyler değişmiş demek. [Sayım tutarlılığı](https://www.abdulazizakyol.com/blog/kisi-sayma-dogrulugunu-yuzde-96-ya-cikarmak-saha-kalibrasyonu/): bugünün sayımı geçen haftanın aynı gününe göre %20'den fazla sapmışsa uyarı; bazen gerçek (kampanya), çoğu zaman teknik. Boş kare oranı: kameranın hiç tespit üretmediği saat dilimleri, gece hariç. Bunlar tek bir izleme panelinde, kamera başına. Sapma görünen kameradan örnek kare istenip bakılıyor. ## Veri seti disiplini Her müşteri, izin verdiyse, veri setine katkı veriyor. Kurallar: - **Yüz bulanıklaştırma** etiketlemeden önce, otomatik. [Etiketçi hiçbir zaman yüz görmüyor](https://www.abdulazizakyol.com/blog/kvkk-ve-goruntu-isleme-yuz-tanimadan-analitik/). - **Zor örnek önceliği.** Rastgele kare değil, modelin düşük güvenle tespit ettiği ya da takibin kimlik kaybettiği kareler seçiliyor. Bin kolay örnek yerine yüz zor örnek. - **Etiket şeması sabit.** "person", "vest", "helmet", "forklift", "pallet-jack"... Yeni sınıf eklemek bir karar; her müşteri isteğinde sınıf açılmıyor. - **Kaynak etiketi.** Her örnek hangi tesisten, hangi kamera tipinden, hangi mevsimden. Yeni müşteriye en yakın alt küme ile ince ayar yapılabiliyor. - **Test seti dokunulmaz.** Her müşteriden ayrılan test seti eğitime hiç girmiyor. Model sürümleri bu setle karşılaştırılıyor, "yeni model daha iyi" cümlesi bu tablo olmadan söylenmiyor. ## Yeniden eğitim döngüsü Genel model çeyrekte bir yeniden eğitiliyor. Müşteriye özel ince ayar (fine-tuning) ihtiyaç olduğunda: yeni forklift tipi, özel forma, sıra dışı kamera açısı. İnce ayar genel modelin üzerine, o müşterinin birkaç yüz örneğiyle, birkaç saatte bitiyor. Sonuç yalnızca o müşterinin test setinde değil, genel test setinde de kontrol ediliyor; ince ayar başka bir şeyi bozmuş olabilir. Eğitim merkezde, GPU'lu bir makinede. Saha sunucularında eğitim yapılmıyor; oradaki GPU çıkarım için ayrılmış. ## Sürüm ve dağıtım Model TensorRT ile derlenip sahaya güncelleme olarak iniyor. Her saha sunucusunda iki model slotu var: aktif ve aday. Aday model bir gün boyunca aynı akışta gölge modda çalışıyor, çıktıları aktifle karşılaştırılıyor, fark raporu bakılıyor, sonra geçiş. Geri alma tek komut: slotları değiştir. Bunu kurmadan önce bir güncelleme 12 mağazada sayımı aynı anda bozmuştu; gölge mod o hafta doğdu. Her olay kaydında model sürümü var. "Bu ayın ilk yarısı v14, ikinci yarısı v15 ile sayıldı" bilgisi olmadan aylık karşılaştırma yapılamıyor. ## Model dışı çözümler Sapmaların yarısı modelle değil, ayarla çözülüyor. Kamera pozlama ayarını sabitlemek, otomatik odağı kapatmak, kural poligonunu güncellemek, kare hızını artırmak. Yeniden eğitime gitmeden önce bu liste kontrol ediliyor. Modeli her sorunda yeniden eğitmek pahalı ve genellikle yanlış teşhis. ## Kısa özet niyetine değil, ders olarak Model eğitmek iki gün. Onu 40 lokasyonda bir yıl doğru tutmak, ekibin asıl işi. Teklif hazırlarken bakım kalemini bu yüzden ayrı yazıyoruz ve müşteri "model bitti, neden bakım?" dediğinde bu yazıyı gönderiyoruz. ## Sık sorulan sorular ### Model drift nedir? Model drift, sahada çalışan bir modelin gördüğü veri dağılımı değiştikçe doğruluğunun zamanla düşmesidir. Sahada en sık nedenler sırasıyla mevsim ve kıyafet, ışık, yerleşim değişikliği, kamera değişikliği ya da firmware güncellemesi ve modelin hiç görmediği yeni nesne tipleridir. ### Tespit modelinde drift nasıl fark edilir? Kamera başına üç sinyal izlenir: günlük ortalama tespit güveni (örneğin 0,85'ten 0,70'e inmesi), bugünün sayımının geçen haftanın aynı gününe göre %20'den fazla sapması ve gece hariç hiç tespit üretilmeyen saat dilimleri. Sapma görünen kameradan örnek kare istenip incelenir. ### Tespit modeli ne sıklıkla yeniden eğitilmeli? Genel model çeyrekte bir yeniden eğitilir; yeni forklift tipi, özel forma ya da sıra dışı kamera açısı gibi durumlarda müşteriye özel ince ayar yapılır. Yeniden eğitime gitmeden önce pozlamayı sabitlemek, otomatik odağı kapatmak, kural poligonunu güncellemek ve kare hızını artırmak kontrol edilmelidir, çünkü sapmaların yarısı ayarla çözülür. ### Yeni model sürümü sahaya nasıl güvenle dağıtılır? Her saha sunucusunda aktif ve aday olmak üzere iki model slotu bulunur. Aday model bir gün boyunca aynı akışta gölge modda çalışır, çıktısı aktif modelle karşılaştırılır ve fark raporu incelendikten sonra geçiş yapılır; her olay kaydında model sürümü tutulur. ## Kaynaklar 1. [NVIDIA TensorRT Documentation](https://docs.nvidia.com/deeplearning/tensorrt/latest/index.html) --- Abdulaziz Akyol, CX Teknoloji'nin (yapay zekâ, görüntü işleme ve IoT) kurucusudur. Asıl sürüm: https://www.abdulazizakyol.com/blog/yolo-tabanli-modelleri-sahada-ayakta-tutmak/