# Model(ler) Yayın Kontrol Listesi

[Hugging Face Hub](https://huggingface.co/models), makine öğrenimi modellerini paylaşmak için başvurulan platformdur. İyi planlanmış bir sürüm, modelinizin görünürlüğünü ve etkisini artırabilir. Bu bölüm, kısa, bilgilendirici ve kullanıcı dostu bir model sürümü için **temel** adımları ele alır.

> [!TIP]
> Kodlama ajanıyla mı yayınlıyorsunuz? Ajanınızın yükleme, model kartı ve meta verileri sizin yerinize halletmesi için [`hf` CLI Skill](./agents-cli) kurun.

## ⏳ Modelinizi Yayına Hazırlama

### Model Ağırlıklarını Yükle

Hub'a modeller yüklerken şu en iyi uygulamaları izleyin:

- **Farklı model ağırlıkları için ayrı depolar kullanın**: Aynı mimarinin her varyantı için ayrı depolar oluşturun. Bu, onları gezinmesi dizin listelerinden daha kolay olan bir [koleksiyon](https://huggingface.co/docs/hub/en/collections) içinde gruplamanızı sağlar. Ayrıca her modelin kendi URL'sine (`hf.co/org/model-name`) sahip olması görünürlüğü artırır, aramayı kolaylaştırır ve modellerinizin her biri için indirme sayıları sağlar. Bunun harika bir örneği, VL mimarisinin çeşitli varyantlarını içeren son [Qwen3-VL koleksiyonu](https://huggingface.co/collections/Qwen/qwen3-vl)'dur.

- **Ağırlık seri hale getirme için [`safetensors`](https://huggingface.co/docs/safetensors/en/index)'i `pickle` yerine tercih edin.**: `safetensors`, Python'un `pickle` veya `pth` formatlarından daha güvenli ve hızlıdır. Bir `.bin` pickle dosyanız varsa, dönüştürmek için [ağırlık dönüştürme aracını](https://huggingface.co/docs/safetensors/en/convert-weights) kullanın.

### Kapsamlı Bir Model Kartı Yazın

İyi hazırlanmış bir model kartı (deponuzdaki `README.md`) keşfedilebilirlik, yeniden üretilebilirlik ve etkili paylaşım için hayati öneme sahiptir. Şu konuları kapsadığınızdan emin olun:

1. **Meta Veri Yapılandırması**: Model kartınızın üstündeki [metadata bölümü](https://huggingface.co/docs/hub/model-cards#model-card-metadata) (YAML), arama ve sınıflandırma için kritiktir. Şunları dahil edin:
   ```yaml
   ---
   pipeline_tag: text-generation    # Specify the task
   library_name: transformers       # Specify the library
   language:
     - en                           # List languages your model supports
   license: apache-2.0              # Specify a license
   datasets:
     - username/dataset             # List datasets used for training
   base_model: username/base-model  # If applicable (your model is a fine-tune, quantized, merged version of another model)
   tags:                            # Add extra tags which would make the repo searchable using the tag
     - tag1 
     - tag2
   ---
   ```

   Web arayüzünde `README.md` dosyasını oluşturursanız, önerdiğimiz en önemli meta veri alanlarını içeren bir form görürsünüz 🤗.

   | ![metadata template on the hub ui](https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/hub/release-checklist/metadata-template.png) |
   | :--: |
   | Hub Arayüzündeki Meta Veri Formu |

2. **Ayrıntılı Model Açıklaması**: Modelinizin ne yaptığını, mimarisini ve hedef kullanım senaryolarını açıkça anlatın. Kullanıcıların modelin ihtiyaçlarına uygun olup olmadığını hızla değerlendirmesine yardımcı olun.

3. **Kullanım Örnekleri**: Çıkarım, ince ayar veya diğer yaygın görevler için kopyala-yapıştır çalıştırılabilir, net kod parçacıkları sağlayın. Kullanıcıların yapması gereken düzenlemeleri en aza indirin.

   *Bonus*: Kullanıcıların doğrudan [Google Colab ve Kaggle Notebooks](https://huggingface.co/docs/hub/en/notebooks) içinde açabilmesi için, çıkarım veya ince ayar gösteren iyi yapılandırılmış bir `notebook.ipynb` dosyasını depoya ekleyin.

   | ![colab and kaggle button](https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/hub/release-checklist/colab-kaggle.png) |
   | :--: |
   | Google ve Kaggle Kullanım Düğmeleri |

4. **Teknik Özellikler**: Modeli etkili bir şekilde çalıştırmaya yardımcı olan eğitim parametreleri, donanım gereksinimleri ve diğer ayrıntıları içerir.

5. **Performans Metrikleri**: Benchmark ve değerlendirme sonuçlarını paylaşın. Güçlü yönleri ve sınırlamaları göstermek için nicel metrikler ve nitel örnekler ekleyin.

6. **Kısıtlamalar ve Yanlılıklar**: Kullanıcıların bilinçli seçimler yapabilmesi için bilinen kısıtlamaları, yanlılıkları ve etik hususları belgeleyin.

Süreci daha akıcı hale getirmek için `README.md` dosyalarını yer tutucularla önceden doldurmak üzere **Model kartı şablonunu içe aktar** seçeneğine tıklayın.

| ![model card template button on the hub ui](https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/hub/release-checklist/model-card-template-button.png) | ![model card template on the hub](https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/hub/release-checklist/model-card-template.png) |
|:--: | :--: |
| Model kartı şablonunu içe aktarmak için düğme | İçe aktarılan şablonun bir bölümü |

### Model Keşfedilebilirliğini ve Kullanılabilirliğini Geliştirin

Erişimi ve kullanılabilirliği en üst düzeye çıkarmak için:

1. **Kütüphane Entegrasyonu**: [Hugging Face Hub ile entegre edilen](https://huggingface.co/docs/hub/models-libraries) birçok kütüphaneden (`transformers`, `diffusers`, `sentence-transformers`, `timm` gibi) birine destek ekleyin. Bu entegrasyon, modelinizin erişilebilirliğini önemli ölçüde artırır ve kullanıcılara modelinizle çalışmak için kod parçacıkları sağlar.
   
   Örneğin, modelinizin `transformers` kütüphanesiyle çalıştığını belirtmek için:
   ```yaml
   ---
   library_name: transformers
   ---
   ```

   | ![code snippet tab](https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/hub/release-checklist/code-snippet.png) |
   | :--: |
   | Kod parçası sekmesi |

   Ayrıca [kendi model kitaplığınızı kaydedebilir](https://huggingface.co/docs/hub/en/models-adding-libraries) veya kitaplığınıza ve kod tabanınıza Hub desteği ekleyerek kullanıcıların Hub'dan model ağırlıklarını nasıl indireceklerini bilmelerini sağlayabilirsiniz.

   Yükleme en iyi uygulamaları hakkında kapsamlı bir rehber [burada](https://huggingface.co/docs/hub/models-uploading) yazdık.

   > [!NOTE]
   > Kayıtlı bir kitaplık kullanmak, modelinizin indirme sayısını zaman içinde izlemenize de olanak tanır.

2. **Doğru Meta Veri**:
   - **Pipeline Etiketi:** Modelinizin doğru aramalarda ve widget'lerde görünmesi için doğru [pipeline etiketini](https://huggingface.co/docs/hub/model-cards#specifying-a-task--pipelinetag-) seçin.

   Yaygın pipeline etiketlerinin örnekleri:
   - `text-generation` - Metin üreten dil modelleri için
   - `text-to-image` - Metinden görüntüye üretim modelleri için
   - `image-text-to-text` - Metin üreten görme-dil modelleri (VLM) için
   - `text-to-speech` - Metinden ses üreten modeller için
  
   - **Lisans:** Lisans bilgisi, modelin nasıl kullanılacağını anlamaları açısından kullanıcılar için hayati önem taşır.

3. **Araştırma Makaleleri**: Modelinizle ilişkili makaleler varsa, bunları model kartında alıntılamanız gerekir. Bunlar [otomatik olarak çapraz bağlantılı](https://huggingface.co/docs/hub/model-cards#linking-a-paper) hale getirilir.

   ```markdown
   ## References
   
   * [Model Paper](https://arxiv.org/abs/xxxx.xxxxx)
   ```

4. **Koleksiyonlar**: Birden fazla ilgili model veya varyant yayınlıyorsanız, bunları bir [koleksiyona](https://huggingface.co/docs/hub/collections) düzenleyin. Koleksiyonlar, kullanıcıların ilgili modelleri keşfetmesine ve sürümler arası ilişkileri anlamasına yardımcı olur.

5. **Demolar**: Etkileşimli bir demo içeren bir [Hugging Face Space](https://huggingface.co/docs/hub/spaces) oluşturun. Bu, kullanıcıların kod yazmadan modelinizi denemesini sağlar. Ayrıca, modelin model sayfası arayüzünde görünmesini sağlamak için Space'ten [modele bağlantı verebilirsiniz](https://huggingface.co/docs/hub/spaces-config-reference).

   ```markdown
   ## Demo
   
   Try this model directly in your browser: [Space Demo](https://huggingface.co/spaces/username/model-demo)
   ```
   
   Bir demo oluşturduğunuzda, modeli Hub deposundan (Google Drive gibi harici kaynaklardan değil) indirin. Bu, artefaktları çapraz bağlar ve görünürlüğü artırır

6. **Kantize Edilmiş Sürümler**: Sınırlı hesaplama gücüne sahip kullanıcılar için erişilebilirliği artırmak amacıyla, kantize edilmiş sürümleri (örneğin, GGUF) ayrı bir depoda yüklemeyi düşünün. Bu sürümleri, kantize model kartlarındaki [`base_model` meta veri alanını](https://huggingface.co/docs/hub/model-cards#specifying-a-base-model) kullanarak bağlayın ve performans farklarını belgeleyin.

   ```yaml
   ---
   base_model: username/original-model
   base_model_relation: quantized
   ---
   ```

   | ![model tree showcasing relations](https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/hub/release-checklist/model-tree.png) |
   | :--: |
   | Kantize edilmiş sürümleri gösteren model ağacı |

7. **Model Sayfasında Veri Setlerini Bağlama**: Veri setlerini doğrudan model sayfanızda görünmeleri için metadata'nızda bağlayın.

   ```yaml
   ---
   datasets:
   - username/dataset
   - username/dataset-2
   ---
   ```

8. **Yeni Model Sürümü**: Modeliniz mevcut bir modelin güncellemesi ise bunu eski modelin kartında belirtin. Bu, güncellemeye bağlantı veren bir [banner](https://huggingface.co/docs/hub/en/model-cards#specifying-a-new-version)ı eski sayfada görüntüler.

   ```yaml
   ---
   new_version: username/updated-model
   ---
   ```

9. **Görsel Örnekler**: Görsel veya video üretim modelleri için, [`<Gallery>` kart bileşenini](https://huggingface.co/docs/hub/en/model-cards-components#the-gallery-component) kullanarak örnekleri doğrudan model sayfanıza ekleyin.

   ```markdown
   <Gallery>
   ![Example 1](./images/example1.png)
   ![Example 2](./images/example2.png)
   </Gallery>
   ```

10. **Karbon Emisyonları**: Mümkünse, eğitimden kaynaklanan [karbon emisyonlarını](https://huggingface.co/docs/hub/model-cards-co2) belirtin.
   
   ```yaml
   ---
   co2_eq_emissions:
     emissions: 123.45
     source: "CodeCarbon"
     training_type: "pre-training"
     geographical_location: "US-East"
     hardware_used: "8xA100 GPUs"
   ---
   ```

### Erişim Denetimi ve Görünürlük

1. **Görünürlük Ayarları**: Modelinizi paylaşmaya hazır olduğunuzda, [model ayarlarınızda](https://huggingface.co/docs/hub/repositories-settings) herkese açık olarak değiştirin. Bunu yapmadan önce, tüm belgeleri ve kod örneklerini doğru ve eksiksiz olduklarından emin olmak için iki kez kontrol edin.

2. **Kontrollü Erişim**: Modeliniz kontrollü erişim gerektiriyorsa, [kontrollü erişim özelliğini](https://huggingface.co/docs/hub/models-gated) kullanın ve kullanıcıların karşılaması gereken koşulları açıkça belirtin. Bu, çift kullanımlı endişeleri veya ticari kısıtlamaları olan modeller için önemlidir.

## 🏁 Modelinizi Yayınladıktan Sonra

Başarılı bir model yayını, ilk yayınlamanın ötesine geçer. Kaliteyi korumak ve etkiyi en üst düzeye çıkarmak için:

### Bakım ve Topluluk Etkileşimi

1. **İşlevselliği Doğrulayın**: Sürüm sonrası, kod parçacıklarının beklenen şekilde çalıştığını doğrulamak için hepsini temiz bir ortamda test edin. Bu, kullanıcıların modelinizi hata veya kafa karışıklığı olmadan çalıştırabileceğinden emin olmanızı sağlar.

   Örneğin, modeliniz `transformers` ile uyumlu bir LLM ise:
   ```python
   from transformers import pipeline

   # This should run without errors
   pipe = pipeline("text-generation", model="your-username/your-model")
   result = pipe("Your test prompt")
   print(result)
   ```

2. **Paylaş Paylaş Paylaş**: Kullanıcıların çoğu modelleri sosyal medya, sohbet kanalları (Slack veya Discord gibi) veya bültenler aracılığıyla keşfeder. Model bağlantılarınızı bu alanlarda paylaşın ve bunları web sitenize veya GitHub depolarınıza da ekleyin.
   
   Modeliniz ne kadar çok ziyaret ve beğeni alırsa, [Hugging Face Trending bölümünde](https://huggingface.co/models?sort=trending) o kadar yukarıda yer alır ve bu da modelinize daha fazla görünürlük sağlar.

3. **Toplum Etkileşimi**: Soruları yanıtlamak, geri bildirimleri ele almak ve sorunları hızla çözmek için Topluluk sekmesini kullanın. Kafa karışıklıklarını giderin, faydalı önerileri kabul edin ve odaklı tartışmalar sürdürmek için konuyla alakasız konuları kapatın.

### Değerlendirme Sonuçlarını Ekle

Hub'daki [desteklenen referans veri setlerinden](https://huggingface.co/datasets?benchmark=benchmark:official&sort=trending) herhangi birinde değerlendirme yaparsanız, değerlendirme sonuçlarını model deponuza ekleyebilirsiniz. Bu, referans puanlarının model sayfasında ve veri seti deposundaki referans sıralama tablosunda doğrudan görünür olmasını sağlar. Tam kullanım kılavuzu için [Değerlendirme Sonuçları belgelendirmesine](https://huggingface.co/docs/hub/eval-results) bakın.

Değerlendirme sonuçlarını eklemek için model depolamanızdaki `.eval_results/` klasöründe YAML dosyaları oluşturun. Her dosya bir Hub Benchmark veri setine atıfta bulunur:

```yaml
# .eval_results/gpqa.yaml
- dataset:
    id: Idavidrein/gpqa
    task_id: diamond
  value: 76.1
  date: "2026-03-19"
  source:
    url: https://huggingface.co/your-org/your-model
    name: Model Card
    user: your-username
```

`task_id`, benchmark veri setinin `eval.yaml` dosyasında tanımlanan bir görevle eşleşmelidir. [HLE](https://huggingface.co/datasets/cais/hle/blob/main/eval.yaml) gibi benchmark veri seti depolarındaki `eval.yaml` dosyasını inceleyerek kullanılabilir benchmarkları ve görev kimliklerini bulabilirsiniz.

Toplulukta herkes, bir Pull Request açarak herhangi bir modele değerlendirme sonuçları gönderebilir. Topluluk tarafından gönderilen puanlar, model sayfasında bir "community" rozeti olarak görüntülenir. Bu süreci kolaylaştırmak için, model kartlarından puanları çıkarıp PR'ları otomatik olarak oluşturan betikler ve bir agent skill sunan [community-evals](https://github.com/huggingface/community-evals) deposunu kullanabilirsiniz.

### Kullanım ve Etki Takibi

1. **Kullanım Metrikleri**: Modelinizin erişimini ve benimsenmesini anlamak için [indirme](https://huggingface.co/docs/hub/en/models-download-stats) ve beğenileri izleyin. Toplam indirme metriklerini model ayarlarınızda görüntüleyebilirsiniz.

2. **Topluluk Katkılarını İnceleyin**: Modelinizin deposunu diğer kullanıcıların katkıları için düzenli olarak kontrol edin. Topluluk çekme istekleri ve tartışmaları, faydalı geri bildirimler, fikirler ve iş birliği fırsatları sunabilir.

## 🏢 Kurumsal Özellikler

[Hugging Face Team & Enterprise](https://huggingface.co/enterprise) aboneliği, ekipler ve kuruluşlar için ek yetenekler sunar:

1. **Erişim Kontrolü**: Belirli ekipler veya kullanıcılar için erişimi yönetmek üzere [kaynak grupları](https://huggingface.co/docs/hub/security-resource-groups) ayarlayın. Bu, organizasyonunuz genelinde doğru izinlerin ve güvenli iş birliğinin sağlanmasını garanti eder.

2. **Depolama Bölgesi**: Model dosyalarınız için bölgesel veri düzenlemeleri ve uyumluluk gereksinimlerini karşılamak üzere veri depolama bölgesini (ABD veya AB) seçin.

3. **Gelişmiş Analitik**: [Publisher Analytics](https://huggingface.co/docs/hub/publisher-analytics) aracını kullanarak organizasyonunuz genelindeki model kullanım kalıpları, indirmeler ve benimseme eğilimleri hakkında daha derinlemesine içgörüler elde edin.

4. **Genişletilmiş Depolama**: Model portföyünüz genişledikçe daha fazla model ve daha büyük artefakt barındırmak için ek özel depolama kapasitesine erişin.

5. **Organizasyon Blog Gönderileri**: Kurumsal organizasyonlar artık [blog makalelerini doğrudan Hugging Face üzerinde yayınlayabilir](https://huggingface.co/blog/huggingface/blog-articles-for-orgs). Bu özellik, model sürümlerini, araştırma güncellemelerini ve duyuruları organizasyonunuzun profili üzerinden daha geniş toplulukla paylaşmanızı sağlar.

Bu yönergeleri ve örnekleri takip ederek Hugging Face'teki modelinizi net, faydalı ve etkili bir şekilde yayımlarsınız. Bu, çalışmalarınızın daha fazla insana ulaşmasını, yapay zeka topluluğunun güçlenmesini ve modelinizin görünürlüğünün artmasını sağlar.

Bir sonraki paylaşımınızı görmek için sabırsızlanıyoruz! 🤗