{"id":64,"date":"2026-01-01T02:46:38","date_gmt":"2025-12-31T23:46:38","guid":{"rendered":"https:\/\/aibundle.tech\/tr\/?p=64"},"modified":"2026-01-01T03:12:45","modified_gmt":"2026-01-01T00:12:45","slug":"hugging-face-nedir","status":"publish","type":"post","link":"https:\/\/aibundle.tech\/tr\/rehberler\/hugging-face-nedir\/","title":{"rendered":"Hugging Face Nedir? Kapsaml\u0131 Kullan\u0131m Rehberi 2026"},"content":{"rendered":"

Yapay zeka d\u00fcnyas\u0131n\u0131n GitHub’\u0131 olarak an\u0131lan Hugging Face, makine \u00f6\u011frenimi ekosisteminin merkezinde yer al\u0131yor. Platform 1 milyondan fazla model, veri seti ve uygulamaya ev sahipli\u011fi yap\u0131yor.<\/p>\n

Geli\u015ftiriciler, ara\u015ft\u0131rmac\u0131lar ve \u015firketler AI projelerinde Hugging Face kaynaklar\u0131ndan yararlan\u0131yor. Apple, Google, Microsoft ve Meta gibi teknoloji devleri platformu aktif olarak kullan\u0131yor.<\/p>\n

Peki Hugging Face tam olarak ne sunuyor? Nas\u0131l kullan\u0131l\u0131yor? Hangi projeler i\u00e7in uygun?<\/p>\n

Bu rehberde platformun t\u00fcm \u00f6zelliklerini, kullan\u0131m alanlar\u0131n\u0131 ve ba\u015flang\u0131\u00e7 ad\u0131mlar\u0131n\u0131 detayl\u0131ca inceliyoruz.<\/p>\n

Hugging Face Nedir?<\/h2>\n

Hugging Face<\/a>, makine \u00f6\u011frenimi modelleri i\u00e7in a\u00e7\u0131k kaynakl\u0131 bir platform ve topluluktur. 2016 y\u0131l\u0131nda New York’ta Frans\u0131z giri\u015fimciler taraf\u0131ndan kuruldu.<\/p>\n

Kurucular Cl\u00e9ment Delangue, Julien Chaumond ve Thomas Wolf ba\u015flang\u0131\u00e7ta bir chatbot uygulamas\u0131 geli\u015ftirdi. Gen\u00e7lere y\u00f6nelik etkile\u015fimli bir sohbet botu hedeflemi\u015flerdi.<\/p>\n

Chatbot modelini a\u00e7\u0131k kaynak yapt\u0131ktan sonra beklenmedik bir \u015fey oldu. Geli\u015ftirici toplulu\u011fu modele b\u00fcy\u00fck ilgi g\u00f6sterdi. \u015eirket stratejisini de\u011fi\u015ftirerek makine \u00f6\u011frenimi platformuna d\u00f6n\u00fc\u015ft\u00fc.<\/p>\n

\"hugging<\/p>\n

Platform ad\u0131n\u0131 \ud83e\udd17 sar\u0131lan y\u00fcz emojisinden al\u0131yor. Kurucular borsaya emoji sembol\u00fcyle a\u00e7\u0131lan ilk \u015firket olmay\u0131 hedeflemi\u015fti. Topluluk bu ismi benimsedi ve marka kimli\u011finin par\u00e7as\u0131 haline geldi.<\/p>\n

Hugging Face’in temel misyonu yapay zekay\u0131 demokratikle\u015ftirmek ve herkes i\u00e7in eri\u015filebilir k\u0131lmakt\u0131r. Milyonlarca dolarl\u0131k hesaplama maliyeti gerektiren modeller platforma \u00fccretsiz sunuluyor.<\/p>\n

B\u00fcy\u00fck dil modellerini s\u0131f\u0131rdan e\u011fitmek yerine \u00f6nceden e\u011fitilmi\u015f modelleri kullanmak devasa zaman tasarrufu sa\u011fl\u0131yor. Fine-tuning yakla\u015f\u0131m\u0131 maliyetleri dramatik \u015fekilde d\u00fc\u015f\u00fcr\u00fcyor.<\/p>\n

Rakamlarla Platform Verileri<\/h2>\n

Hugging Face 2023 y\u0131l\u0131nda 235 milyon dolarl\u0131k Series D yat\u0131r\u0131m turu tamamlad\u0131. \u015eirket de\u011ferlemesi 4.5 milyar dolara ula\u015ft\u0131.<\/p>\n

Toplam yat\u0131r\u0131m miktar\u0131 396 milyon dolar\u0131 a\u015ft\u0131. Nvidia, Google, Salesforce ve Amazon yat\u0131r\u0131mc\u0131lar aras\u0131nda yer al\u0131yor.<\/p>\n

G\u00fcnl\u00fck kurulum say\u0131s\u0131 3 milyonu ge\u00e7iyor. Toplam kurulum say\u0131s\u0131 1.2 milyar\u0131 a\u015ft\u0131. Transformers k\u00fct\u00fcphanesi GitHub’da 150.000’den fazla y\u0131ld\u0131z toplad\u0131.<\/p>\n

Platform ayl\u0131k 28 milyon ziyaret al\u0131yor. Kullan\u0131c\u0131lar\u0131n %75’i erkek, %25’i kad\u0131nlardan olu\u015fuyor. 25-34 ya\u015f grubu kullan\u0131c\u0131 taban\u0131n\u0131n %37’sini olu\u015fturuyor.<\/p>\n

10.000’den fazla \u015firket Hugging Face altyap\u0131s\u0131n\u0131 kullan\u0131yor. Intel, Pfizer, Bloomberg ve eBay bunlardan baz\u0131lar\u0131. 1.000’den fazla aktif \u00f6deme yapan kurumsal m\u00fc\u015fteri bulunuyor.<\/p>\n

2023 y\u0131l\u0131nda y\u0131ll\u0131k tekrarlayan gelir 70 milyon dolara ula\u015ft\u0131. Bir \u00f6nceki y\u0131la g\u00f6re %367 art\u0131\u015f kaydedildi. Nvidia, Amazon ve Microsoft ile dan\u0131\u015fmanl\u0131k s\u00f6zle\u015fmeleri gelirin \u00f6nemli k\u0131sm\u0131n\u0131 olu\u015fturuyor.<\/p>\n

<\/circle><\/line><\/line><\/svg>\u00d6nemli \u0130statistikler<\/span><\/div>
Platform 1 milyondan fazla model, 250.000+ veri seti ve 250.000+ uygulama bar\u0131nd\u0131r\u0131yor. Her hafta ortalama 3 yeni model mimarisi ekleniyor.<\/div><\/div>\n

Temel Bile\u015fenler<\/h2>\n

Hugging Face ekosistemi birbiriyle entegre \u00e7al\u0131\u015fan d\u00f6rt ana bile\u015fenden olu\u015fuyor. Her bile\u015fen farkl\u0131 bir ihtiyaca cevap veriyor.<\/p>\n

Hugging Face Hub<\/h3>\n

Hub, modellerin ve veri setlerinin payla\u015f\u0131ld\u0131\u011f\u0131 merkezi depodur. Kullan\u0131c\u0131lar modelleri ke\u015ffedebilir, test edebilir ve projelerine entegre edebilir.<\/p>\n

GitHub kod payla\u015f\u0131m\u0131 i\u00e7in ne ise Hugging Face Hub AI modelleri i\u00e7in odur. Ara\u015ft\u0131rmac\u0131lar \u00e7al\u0131\u015fmalar\u0131n\u0131 burada yay\u0131nl\u0131yor. Geli\u015ftiriciler haz\u0131r modellere eri\u015fiyor.<\/p>\n

Platform 1 milyondan fazla model bar\u0131nd\u0131r\u0131yor. Veri seti say\u0131s\u0131 250.000’i, uygulama say\u0131s\u0131 250.000’i a\u015f\u0131yor. Rakamlar her g\u00fcn art\u0131yor.<\/p>\n

Her model bir “model kart\u0131” ile birlikte geliyor. Kart modelin nas\u0131l \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131 ve hangi g\u00f6revler i\u00e7in uygun oldu\u011funu a\u00e7\u0131kl\u0131yor. E\u011fitim verisi, performans metrikleri ve kullan\u0131m \u00f6rnekleri yer al\u0131yor.<\/p>\n

Modeller kategorilere ayr\u0131lm\u0131\u015f durumda. Metin, g\u00f6r\u00fcnt\u00fc, ses ve multimodal filtreler mevcut. Pop\u00fclerlik, indirme say\u0131s\u0131 ve g\u00fcncellik s\u0131ralamas\u0131 yap\u0131labiliyor.<\/p>\n

Transformers K\u00fct\u00fcphanesi<\/h3>\n

Transformers, Hugging Face’in en pop\u00fcler a\u00e7\u0131k kaynak k\u00fct\u00fcphanesidir. Do\u011fal dil i\u015fleme alan\u0131nda standart haline geldi.<\/p>\n

K\u00fct\u00fcphane 300’den fazla model mimarisini destekliyor. BERT, GPT, LLaMA, Qwen, Mistral gibi pop\u00fcler modeller dahil. Her hafta ortalama 3 yeni mimari ekleniyor.<\/p>\n

Aral\u0131k 2025’te yay\u0131nlanan Transformers v5 \u00f6nemli de\u011fi\u015fiklikler getirdi. PyTorch birincil framework olarak belirlendi. TensorFlow ve Flax deste\u011fi sonland\u0131r\u0131l\u0131yor.<\/p>\n

K\u00fct\u00fcphane metin, g\u00f6r\u00fcnt\u00fc, ses ve multimodal g\u00f6revleri destekliyor. Tek bir API ile farkl\u0131 modeller kullan\u0131labiliyor. Kod tutarl\u0131l\u0131\u011f\u0131 korunuyor.<\/p>\n

Transformers e\u011fitim framework’leriyle uyumlu \u00e7al\u0131\u015f\u0131yor. Axolotl, Unsloth, DeepSpeed ve PyTorch-Lightning destekleniyor. Inference motorlar\u0131 vLLM, SGLang ve TGI ile entegre.<\/p>\n

<\/path><\/svg>Geli\u015ftirici \u0130pucu<\/span><\/div>
Transformers v5 ile quantization birinci s\u0131n\u0131f \u00f6zellik haline geldi. 8-bit ve 4-bit modeller tam destek al\u0131yor. D\u00fc\u015f\u00fck bellek kullan\u0131m\u0131 i\u00e7in ideal.<\/div><\/div>\n

Datasets K\u00fct\u00fcphanesi<\/h3>\n

Datasets k\u00fct\u00fcphanesi veri setlerini tek sat\u0131r kodla y\u00fcklemeyi sa\u011fl\u0131yor. Apache Arrow format\u0131 sayesinde bellek k\u0131s\u0131tlamas\u0131 olmadan b\u00fcy\u00fck verilerle \u00e7al\u0131\u015f\u0131labiliyor.<\/p>\n

Platform 467 dilde metin veri setleri sunuyor. G\u00f6r\u00fcnt\u00fc, ses ve video veri setleri de mevcut. D\u00fc\u015f\u00fck kaynakl\u0131 diller i\u00e7in \u00f6zel koleksiyonlar bulunuyor.\u00a0\"hugging<\/p>\n

CSV, JSON, Parquet, HDF5 ve daha fazla format destekleniyor. Veriler PyTorch, TensorFlow, JAX ve NumPy ile uyumlu \u00e7al\u0131\u015f\u0131yor.<\/p>\n

Streaming \u00f6zelli\u011fi b\u00fcy\u00fck veri setlerini indirmeden kullanmay\u0131 sa\u011fl\u0131yor. Disk alan\u0131 tasarrufu yap\u0131l\u0131yor. \u0130\u015flem h\u0131z\u0131 art\u0131yor.<\/p>\n

Veri \u00f6n i\u015fleme fonksiyonlar\u0131 dahili olarak sunuluyor. Map, filter ve shuffle i\u015flemleri kolay uygulan\u0131yor. Batch encoding ve padding otomatik yap\u0131l\u0131yor.<\/p>\n

Spaces<\/h3>\n

Spaces, AI uygulamalar\u0131n\u0131n demo ortam\u0131d\u0131r. Kullan\u0131c\u0131lar taray\u0131c\u0131da do\u011frudan modelleri test edebiliyor. Kurulum gerektirmiyor.<\/p>\n

Gradio ve Streamlit entegrasyonu mevcut. Python bilgisi olan herkes demo olu\u015fturabiliyor. Aray\u00fcz tasar\u0131m\u0131 kolayla\u015ft\u0131r\u0131lm\u0131\u015f.<\/p>\n

\"hugging
hugging face space<\/figcaption><\/figure>\n

Geli\u015ftiriciler kendi demo sayfalar\u0131n\u0131 olu\u015fturabiliyor. Topluluk ile payla\u015f\u0131m kolayla\u015f\u0131yor. Geri bildirim alma s\u00fcreci h\u0131zlan\u0131yor.<\/p>\n

GPU destekli Spaces \u00fccretli olarak sunuluyor. Yo\u011fun hesaplama gerektiren demolar i\u00e7in gerekli. Fiyatlar kullan\u0131ma g\u00f6re de\u011fi\u015fiyor.<\/p>\n

Desteklenen G\u00f6revler<\/h2>\n

Hugging Face geni\u015f bir g\u00f6rev yelpazesini kaps\u0131yor. Her alan i\u00e7in \u00f6zelle\u015fmi\u015f modeller mevcut.<\/p>\n

Do\u011fal Dil \u0130\u015fleme (NLP)<\/h3>\n

NLP, Hugging Face’in en g\u00fc\u00e7l\u00fc oldu\u011fu aland\u0131r. Platform bu alanda do\u011fdu ve b\u00fcy\u00fcd\u00fc.<\/p>\n

Metin s\u0131n\u0131fland\u0131rma modelleri spam tespiti, duygu analizi ve konu belirleme yapabiliyor. BERT tabanl\u0131 modeller bu g\u00f6revlerde y\u00fcksek ba\u015far\u0131 sa\u011fl\u0131yor.<\/p>\n

Soru cevaplama sistemleri dok\u00fcmanlardaki bilgileri \u00e7\u0131karabiliyor. Extractive ve generative yakla\u015f\u0131mlar destekleniyor. M\u00fc\u015fteri hizmetleri chatbotlar\u0131 bu modelleri kullan\u0131yor.<\/p>\n

Metin \u00f6zetleme modelleri uzun i\u00e7erikleri k\u0131saltabiliyor. Haber makaleleri, ara\u015ft\u0131rma raporlar\u0131 ve toplant\u0131 notlar\u0131 \u00f6zetlenebiliyor.<\/p>\n

\u00c7eviri modelleri 100’den fazla dil \u00e7iftini destekliyor. Meta’n\u0131n NLLB modeli 200 dilde \u00e7eviri yapabiliyor. D\u00fc\u015f\u00fck kaynakl\u0131 diller i\u00e7in \u00f6zel \u00e7al\u0131\u015fmalar mevcut.<\/p>\n

Metin \u00fcretimi i\u00e7in GPT tabanl\u0131 modeller kullan\u0131labiliyor. ChatGPT ve Claude<\/a> gibi kapal\u0131 kaynak alternatiflere a\u00e7\u0131k kaynak se\u00e7enekler sunuluyor. LLaMA, Mistral ve Qwen pop\u00fcler tercihler aras\u0131nda.<\/p>\n

Adland\u0131r\u0131lm\u0131\u015f varl\u0131k tan\u0131ma (NER) metindeki ki\u015fi, yer ve kurum isimlerini tespit ediyor. Bilgi \u00e7\u0131karma sistemlerinin temelini olu\u015fturuyor.<\/p>\n

Bilgisayarl\u0131 G\u00f6r\u00fc<\/h3>\n

G\u00f6r\u00fcnt\u00fc i\u015fleme alan\u0131nda Hugging Face h\u0131zla b\u00fcy\u00fcyor. Timm k\u00fct\u00fcphanesinin sat\u0131n al\u0131nmas\u0131 bu alan\u0131 g\u00fc\u00e7lendirdi.<\/p>\n

G\u00f6r\u00fcnt\u00fc s\u0131n\u0131fland\u0131rma modelleri foto\u011fraflardaki nesneleri tan\u0131yabiliyor. ResNet, ViT ve ConvNeXT mimarileri destekleniyor. ImageNet \u00fczerinde e\u011fitilmi\u015f modeller haz\u0131r.<\/p>\n

Nesne tespiti modelleri g\u00f6r\u00fcnt\u00fclerdeki nesnelerin konumunu belirliyor. YOLO, DETR ve Faster R-CNN kullan\u0131labiliyor. Otonom ara\u00e7lar ve g\u00fcvenlik sistemleri bu modelleri kullan\u0131yor.<\/p>\n

G\u00f6r\u00fcnt\u00fc segmentasyonu piksel d\u00fczeyinde s\u0131n\u0131fland\u0131rma yap\u0131yor. Medikal g\u00f6r\u00fcnt\u00fcleme ve uydu foto\u011fraf\u0131 analizi i\u00e7in kritik. SAM (Segment Anything Model) bu alanda devrim yaratt\u0131.<\/p>\n

G\u00f6r\u00fcnt\u00fc \u00fcretimi i\u00e7in Stable Diffusion modelleri platforma bar\u0131nd\u0131r\u0131l\u0131yor. En iyi AI g\u00f6r\u00fcnt\u00fc \u00fcreticileri<\/a> aras\u0131nda yer alan a\u00e7\u0131k kaynak se\u00e7enekler \u00fccretsiz kullan\u0131labiliyor.<\/p>\n

Ses \u0130\u015fleme<\/h3>\n

Ses alan\u0131nda \u00f6nemli modeller Hugging Face’te yer al\u0131yor. Konu\u015fma teknolojileri h\u0131zla geli\u015fiyor.<\/p>\n

Otomatik konu\u015fma tan\u0131ma (ASR) sesi metne d\u00f6n\u00fc\u015ft\u00fcr\u00fcyor. OpenAI’\u0131n Whisper modeli 99 dilde transkripsiyon yapabiliyor. Podcast ve video altyaz\u0131lama i\u00e7in kullan\u0131l\u0131yor.<\/p>\n

Metinden sese (TTS) d\u00f6n\u00fc\u015f\u00fcm do\u011fal sesli \u00e7\u0131kt\u0131 \u00fcretiyor. Bark ve XTTS modelleri insan benzeri ses sentezliyor. Sesli asistanlar ve eri\u015filebilirlik uygulamalar\u0131 i\u00e7in \u00f6nemli.<\/p>\n

Ses s\u0131n\u0131fland\u0131rma \u00e7evresel sesleri tan\u0131yabiliyor. M\u00fczik t\u00fcr\u00fc belirleme, duygu analizi ve hoparl\u00f6r tan\u0131ma yap\u0131l\u0131yor.<\/p>\n

Multimodal Uygulamalar<\/h3>\n

Birden fazla modaliteyi birle\u015ftiren modeller y\u00fckseli\u015fte. G\u00f6r\u00fcnt\u00fc ve metin birlikte i\u015flenebiliyor.<\/p>\n

G\u00f6r\u00fcnt\u00fc a\u00e7\u0131klama modelleri foto\u011fraflar\u0131 tan\u0131mlayan metin \u00fcretiyor. G\u00f6rme engelli kullan\u0131c\u0131lar i\u00e7in eri\u015filebilirlik sa\u011fl\u0131yor. Sosyal medya ve e-ticaret platformlar\u0131 kullan\u0131yor.<\/p>\n

G\u00f6rsel soru cevaplama g\u00f6r\u00fcnt\u00fcler hakk\u0131ndaki sorulara yan\u0131t veriyor. “Bu foto\u011frafta ka\u00e7 ki\u015fi var?” gibi sorular cevaplanabiliyor.<\/p>\n

Video analizi modelleri de platforma ekleniyor. Video \u00f6zetleme ve i\u00e7erik moderasyonu yap\u0131labiliyor.<\/p>\n

G\u00f6rev Kategorisi<\/th>Model Say\u0131s\u0131<\/th>Pop\u00fcler Modeller<\/th><\/tr><\/thead>
Do\u011fal Dil \u0130\u015fleme<\/td>500.000+<\/td>BERT GPT LLaMA<\/td><\/tr>
Bilgisayarl\u0131 G\u00f6r\u00fc<\/td>200.000+<\/td>ViT ResNet YOLO<\/td><\/tr>
Ses \u0130\u015fleme<\/td>50.000+<\/td>Whisper Bark Wav2Vec<\/td><\/tr>
Multimodal<\/td>100.000+<\/td>CLIP LLaVA BLIP<\/td><\/tr><\/tbody><\/table><\/div>\n

Hugging Face Nas\u0131l Kullan\u0131l\u0131r?<\/h2>\n

Hugging Face kullan\u0131m\u0131 birka\u00e7 basit ad\u0131mdan olu\u015fuyor. Hem web aray\u00fcz\u00fc hem programatik eri\u015fim m\u00fcmk\u00fcn.<\/p>\n

Hesap Olu\u015fturma<\/h3>\n

huggingface.co adresine giderek \u00fccretsiz hesap a\u00e7\u0131labilir. Email veya GitHub hesab\u0131yla kay\u0131t m\u00fcmk\u00fcn.<\/p>\n

Kay\u0131t sonras\u0131 profil ayarlar\u0131 yap\u0131l\u0131r. Kullan\u0131c\u0131 ad\u0131 ve bio eklenir. Profil foto\u011fraf\u0131 y\u00fcklenebilir.<\/p>\n

Organizasyonlar olu\u015fturulabilir ve ekip \u00fcyeleri davet edilebilir. Kurumsal projeler i\u00e7in organizasyon yap\u0131s\u0131 \u00f6neriliyor.<\/p>\n

API token’\u0131 profil ayarlar\u0131ndan olu\u015fturulur. Programatik eri\u015fim i\u00e7in token gerekli. Read ve write yetkileri ayr\u0131 verilebiliyor.<\/p>\n

Web Aray\u00fcz\u00fc ile Kullan\u0131m<\/h3>\n

En kolay ba\u015flang\u0131\u00e7 yolu web aray\u00fcz\u00fcd\u00fcr. Kod yazmadan modeller test edilebiliyor.<\/p>\n

Hub’dan istenilen model aran\u0131r. Filtreleme se\u00e7enekleri daraltmay\u0131 kolayla\u015ft\u0131r\u0131yor. Model kart\u0131 incelenerek uygunluk kontrol edilir.<\/p>\n

“Inference API” b\u00f6l\u00fcm\u00fcnden model do\u011frudan test edilebiliyor. Metin giri\u015fi yap\u0131l\u0131yor ve \u00e7\u0131kt\u0131 g\u00f6r\u00fcnt\u00fcleniyor. H\u0131zl\u0131 deneme i\u00e7in ideal.<\/p>\n

Spaces \u00fczerinden interaktif demolar kullan\u0131labiliyor. Karma\u015f\u0131k modeller g\u00f6rsel aray\u00fczle deneyimleniyor.<\/p>\n

Python ile Kullan\u0131m<\/h3>\n

Profesyonel kullan\u0131m i\u00e7in Python tercih ediliyor. Transformers k\u00fct\u00fcphanesi kurularak ba\u015flan\u0131r.<\/p>\n

pip install transformers<\/code><\/pre>\n
Pipeline API ile model birka\u00e7 sat\u0131r kodla kullan\u0131labilir:<\/p>\n
from transformers import pipeline\r\ngenerator = pipeline(\"text-generation\", model=\"Qwen\/Qwen2.5-1.5B\")\r\nresult = generator(\"Yapay zeka gelecekte\")<\/code><\/pre>\n
Model otomatik olarak indirilir ve \u00f6nbelle\u011fe al\u0131n\u0131r. Tekrar kullan\u0131mda yeniden indirme gerekmez. Disk alan\u0131 verimli kullan\u0131l\u0131yor.<\/p>\n
Farkl\u0131 g\u00f6revler i\u00e7in pipeline t\u00fcrleri de\u011fi\u015fiyor. Sentiment analysis, summarization, translation gibi g\u00f6revler destekleniyor.<\/p>\n
# Duygu analizi\r\nclassifier = pipeline(\"sentiment-analysis\")\r\nresult = classifier(\"Bu \u00fcr\u00fcn harika!\")\r\n\r\n# \u00d6zetleme\r\nsummarizer = pipeline(\"summarization\")\r\nsummary = summarizer(long_text, max_length=100)<\/code><\/pre>\n
<\/path><\/svg>Performans \u0130pucu<\/span><\/div>
GPU kullan\u0131m\u0131 i\u00e7in device parametresi eklenir. device=0 ilk GPU’yu se\u00e7er. CPU’da \u00e7al\u0131\u015fmak i\u00e7in device=-1 kullan\u0131l\u0131r.<\/div><\/div>\n
Fine-tuning<\/h3>\n
\u00d6nceden e\u011fitilmi\u015f modeller kendi veri setinizle ince ayar yap\u0131labilir. Trainer API bu i\u015flemi kolayla\u015ft\u0131r\u0131yor.<\/p>\n
S\u0131f\u0131rdan model e\u011fitmek yerine fine-tuning tercih edilmeli. Zaman ve maliyet tasarrufu sa\u011flan\u0131yor. Daha az veriyle iyi sonu\u00e7lar al\u0131n\u0131yor.<\/p>\n
from transformers import Trainer, TrainingArguments\r\n\r\ntraining_args = TrainingArguments(\r\n    output_dir=\".\/results\",\r\n    num_train_epochs=3,\r\n    per_device_train_batch_size=8\r\n)\r\n\r\ntrainer = Trainer(\r\n    model=model,\r\n    args=training_args,\r\n    train_dataset=train_dataset\r\n)\r\n\r\ntrainer.train()<\/code><\/pre>\n
PEFT (Parameter-Efficient Fine-Tuning) k\u00fct\u00fcphanesi d\u00fc\u015f\u00fck kaynak kullan\u0131m\u0131 sa\u011fl\u0131yor. LoRA ve QLoRA teknikleri b\u00fcy\u00fck modelleri k\u00fc\u00e7\u00fck GPU’larda e\u011fitmeyi m\u00fcmk\u00fcn k\u0131l\u0131yor.<\/p>\n
Pop\u00fcler Modeller<\/h2>\n
Hugging Face’te baz\u0131 modeller \u00f6ne \u00e7\u0131k\u0131yor. \u0130ndirme say\u0131lar\u0131 ve topluluk ilgisi bunlar\u0131 belirliyor.<\/p>\n
B\u00fcy\u00fck Dil Modelleri<\/h3>\n
LLaMA serisi Meta taraf\u0131ndan geli\u015ftiriliyor. A\u00e7\u0131k kaynak LLM’ler aras\u0131nda en pop\u00fcler se\u00e7enek. LLaMA 3.1 405B en b\u00fcy\u00fck versiyonu.<\/p>\n
Qwen serisi Alibaba’dan geliyor. \u00c7ok dilli yetenekleriyle \u00f6ne \u00e7\u0131k\u0131yor. Qwen2.5 en \u00e7ok indirilen metin LLM’i haline geldi.<\/p>\n
Mistral Frans\u0131z yapay zeka \u015firketinin modelleri. K\u00fc\u00e7\u00fck boyutuna ra\u011fmen y\u00fcksek performans sunuyor. Mistral 7B verimlilik odakl\u0131 projeler i\u00e7in ideal.<\/p>\n
DeepSeek<\/a> \u00c7in men\u015feli g\u00fc\u00e7l\u00fc bir alternatif sunuyor. Kodlama ve matematik alanlar\u0131nda y\u00fcksek ba\u015far\u0131 g\u00f6steriyor.<\/p>\n
G\u00f6r\u00fcnt\u00fc Modelleri<\/h3>\n
Stable Diffusion metin a\u00e7\u0131klamalar\u0131ndan g\u00f6r\u00fcnt\u00fc \u00fcretiyor. SDXL ve SD3 en g\u00fcncel versiyonlar\u0131. Sanat ve tasar\u0131m projelerinde yayg\u0131n kullan\u0131l\u0131yor.<\/p>\n
CLIP g\u00f6r\u00fcnt\u00fc ve metni ortak uzayda temsil ediyor. G\u00f6rsel arama ve s\u0131n\u0131fland\u0131rma i\u00e7in temel olu\u015fturuyor.<\/p>\n
SAM (Segment Anything) herhangi bir nesneyi segmentleyebiliyor. Meta AI taraf\u0131ndan geli\u015ftirildi. G\u00f6r\u00fcnt\u00fc d\u00fczenleme uygulamalar\u0131nda devrim yaratt\u0131.<\/p>\n
Ses Modelleri<\/h3>\n
Whisper OpenAI’\u0131n konu\u015fma tan\u0131ma modeli. 99 dilde transkripsiyon yapabiliyor. A\u00e7\u0131k kaynak olarak yay\u0131nland\u0131.<\/p>\n
Bark metinden ger\u00e7ek\u00e7i ses \u00fcretiyor. Farkl\u0131 diller ve aksanlar destekleniyor. Duygu ve tonlama kontrol\u00fc m\u00fcmk\u00fcn.<\/p>\n
Model<\/th>Geli\u015ftirici<\/th>Parametre<\/th>Kullan\u0131m Alan\u0131<\/th><\/tr><\/thead>
LLaMA 3.1<\/td>Meta<\/td>405B<\/td>Genel ama\u00e7l\u0131 LLM<\/td><\/tr>
Qwen2.5<\/td>Alibaba<\/td>72B<\/td>\u00c7ok dilli uygulamalar<\/td><\/tr>
Mistral<\/td>Mistral AI<\/td>7B<\/td>Verimli inference<\/td><\/tr>
Stable Diffusion XL<\/td>Stability AI<\/td>3.5B<\/td>G\u00f6r\u00fcnt\u00fc \u00fcretimi<\/td><\/tr>
Whisper<\/td>OpenAI<\/td>1.5B<\/td>Konu\u015fma tan\u0131ma<\/td><\/tr><\/tbody><\/table><\/div>\n
Hugging Face Avantajlar\u0131 ve Dezavantajlar\u0131<\/h2>\n
Her platform gibi Hugging Face’in de g\u00fc\u00e7l\u00fc ve zay\u0131f y\u00f6nleri var.<\/p>\n
<\/polyline><\/svg>Pros<\/span><\/div>