Yaygın YOLO Sorunlarını Giderme

YOLO Sık Karşılaşılan Sorunlar Görüntüsü

Giriş

Bu kılavuz, Ultralytics projelerinizde YOLO11 ile çalışırken karşılaşılan yaygın sorunları gidermek için kapsamlı bir yardımcı görevi görmektedir. Doğru rehberlikle bu sorunlar arasında gezinmek çok kolay olabilir ve projelerinizin gereksiz gecikmeler olmadan yolunda kalmasını sağlar.

İzle: Ultralytics YOLO11 Genel Sorunları | Kurulum Hataları, Model Eğitimi Sorunları

Sık Karşılaşılan Sorunlar

Kurulum Hataları

Kurulum hataları, uyumsuz sürümler, eksik bağımlılıklar veya hatalı ortam kurulumları gibi çeşitli nedenlerle ortaya çıkabilir. Öncelikle, aşağıdakileri yaptığınızdan emin olun:

Önerildiği gibi Python 3.8 veya sonraki bir sürümünü kullanıyorsunuz.
PyTorch'un (1.8 veya üzeri) doğru sürümünün kurulu olduğundan emin olun.
Çakışmaları önlemek için sanal ortamlar kullanmayı düşünün.
Resmi kurulum kılavuzunu adım adım takip edin.

Ek olarak, kullanıcıların karşılaştığı bazı yaygın kurulum sorunları ve bunlara ilişkin çözümler şunlardır:

İçe Aktarma Hataları veya Bağımlılık Sorunları - YOLO11'i içe aktarırken hatalar alıyorsanız veya bağımlılıklarla ilgili sorunlar yaşıyorsanız, aşağıdaki sorun giderme adımlarını göz önünde bulundurun:
- Yeni Kurulum: Bazen, yeni bir kurulumla başlamak beklenmedik sorunları çözebilir. Özellikle güncellemelerin dosya ağacı yapısında veya işlevlerinde değişiklikler getirebileceği Ultralytics gibi kütüphanelerde.
- Düzenli Olarak Güncelleyin: Kitaplığın en son sürümünü kullandığınızdan emin olun. Eski sürümler, son güncellemelerle uyumlu olmayabilir ve bu da olası çakışmalara veya sorunlara yol açabilir.
- Bağımlılıkları Kontrol Edin: Gerekli tüm bağımlılıkların doğru şekilde kurulduğunu ve uyumlu sürümlerde olduğunu doğrulayın.
- Değişiklikleri İnceleme: Başlangıçta eski bir sürümü klonladıysanız veya yüklediyseniz, önemli güncellemelerin kitaplığın yapısını veya işlevlerini etkileyebileceğini unutmayın. Herhangi bir büyük değişikliği anlamak için her zaman resmi belgelere veya değişiklik günlüklerine bakın.
- Unutmayın, kütüphanelerinizi ve bağımlılıklarınızı güncel tutmak, sorunsuz ve hatasız bir deneyim için çok önemlidir.
GPU üzerinde YOLO11 çalıştırma - YOLO11'i GPU üzerinde çalıştırmakta sorun yaşıyorsanız, aşağıdaki sorun giderme adımlarını göz önünde bulundurun:
- CUDA Uyumluluğunu ve Kurulumunu Doğrulayın: GPU'nuzun CUDA uyumlu olduğundan ve CUDA'nın doğru şekilde kurulduğundan emin olun. Şunu kullanın: nvidia-smi komutu, NVIDIA GPU'nuzun ve CUDA sürümünüzün durumunu kontrol eder.
- PyTorch ve CUDA Entegrasyonunu Kontrol Edin: PyTorch'un CUDA'yı kullanabildiğinden emin olmak için şunu çalıştırın: import torch; print(torch.cuda.is_available()) bir Python terminalinde. 'True' değerini döndürürse, PyTorch CUDA'yı kullanacak şekilde ayarlanmıştır.
- Ortam Etkinleştirme: Gerekli tüm paketlerin yüklü olduğu doğru ortamda olduğunuzdan emin olun.
- Paketlerinizi Güncelleyin: Güncel olmayan paketler, GPU'nuzla uyumlu olmayabilir. Bunları güncel tutun.
- Program Yapılandırması: Programın veya kodun GPU kullanımını belirtip belirtmediğini kontrol edin. YOLO11'de bu, ayarlarda veya yapılandırmada olabilir.

Model Eğitim Sorunları

Bu bölüm, eğitim sırasında karşılaşılan yaygın sorunları ve bunların ilgili açıklamalarını ve çözümlerini ele alacaktır.

Yapılandırma Ayarlarının Doğrulanması

Sorun: Şuradaki yapılandırma ayarlarından emin değilsiniz: .yaml dosyasının model eğitimi sırasında doğru şekilde uygulanıp uygulanmadığı.

Çözüm: İçindeki yapılandırma ayarları .yaml dosyası kullanılırken uygulanmalıdır. model.train() fonksiyonu. Bu ayarların doğru şekilde uygulandığından emin olmak için şu adımları izleyin:

Şuna giden yolun doğru olduğunu doğrulayın: .yaml yapılandırma dosyasının doğru olduğundan emin olun.
Şunun yolunu geçtiğinizden emin olun: .yaml dosyası olarak data çağırırken argüman model.train(), aşağıda gösterildiği gibi:
```
model.train(data="/path/to/your/data.yaml", batch=4)
```

Çoklu GPU ile Eğitimi Hızlandırma

Sorun: Eğitim tek bir GPU'da yavaş ilerliyor ve birden fazla GPU kullanarak bu süreci hızlandırmak istiyorsunuz.

Çözüm: Yığın boyutunu artırmak eğitimi hızlandırabilir, ancak GPU bellek kapasitesini göz önünde bulundurmak önemlidir. Birden fazla GPU ile eğitimi hızlandırmak için şu adımları izleyin:

Birden fazla GPU'nun mevcut olduğundan emin olun.
Kullanılacak GPU sayısını belirtmek için .yaml yapılandırma dosyanızı değiştirin, örneğin: gpus: 4.
Bellek sınırlarını aşmadan birden çok GPU'yu tam olarak kullanmak için toplu iş boyutunu uygun şekilde artırın.

Birden çok GPU'yu kullanmak için eğitim komutunuzu değiştirin:

# Adjust the batch size and other settings as needed to optimize training speed
model.train(data="/path/to/your/data.yaml", batch=32, multi_scale=True)

Sürekli İzleme Parametreleri

Sorun: Kayıp (loss) dışında, eğitim sırasında sürekli olarak hangi parametrelerin izlenmesi gerektiğini öğrenmek istiyorsunuz.

Çözüm: Kayıp, izlenmesi gereken önemli bir metrik olsa da, model performans optimizasyonu için diğer metrikleri de izlemek önemlidir. Eğitim sırasında izlenecek bazı temel metrikler şunlardır:

Kesinlik
Duyarlılık (Recall)
Ortalama Ortalama Kesinlik (mAP)

Bu metriklere eğitim günlüklerinden veya görselleştirme için TensorBoard veya wandb gibi araçları kullanarak erişebilirsiniz. Bu metriklere dayalı erken durdurma uygulamak, daha iyi sonuçlar elde etmenize yardımcı olabilir.

Eğitim İlerlemesini İzleme Araçları

Sorun: Eğitim sürecini izlemek için araçlar hakkında öneriler arıyorsunuz.

Çözüm: Eğitim ilerlemesini izlemek ve görselleştirmek için aşağıdaki araçları kullanmayı düşünebilirsiniz:

TensorBoard: TensorBoard, kayıp, doğruluk ve daha fazlası dahil olmak üzere eğitim metriklerini görselleştirmek için popüler bir seçimdir. Bunu YOLO11 eğitim sürecinize entegre edebilirsiniz.
Comet: Comet, deney takibi ve karşılaştırması için kapsamlı bir araç seti sağlar. Metrikleri, hiperparametreleri ve hatta model ağırlıklarını izlemenize olanak tanır. YOLO modelleriyle entegrasyonu da basittir ve size deney döngünüzün eksiksiz bir genel görünümünü sunar.
Ultralytics HUB: Ultralytics HUB, YOLO modellerini izlemek için özel bir ortam sunarak, metrikleri, veri kümelerini yönetmek ve hatta ekibinizle işbirliği yapmak için tek duraklı bir platform sağlar. YOLO'ya özel odak noktası göz önüne alındığında, daha özelleştirilmiş izleme seçenekleri sunar.

Bu araçların her biri kendi avantajlarını sunar, bu nedenle bir seçim yaparken projenizin özel ihtiyaçlarını göz önünde bulundurmak isteyebilirsiniz.

Eğitimin GPU'da Gerçekleşip Gerçekleşmediği Nasıl Kontrol Edilir?

Sorun: Eğitim günlüklerindeki 'device' değeri 'null' olarak görünüyor ve eğitimin GPU'da gerçekleşip gerçekleşmediğinden emin değilsiniz.

Çözüm: 'device' değerinin 'null' olması genellikle eğitim sürecinin mevcut bir GPU'yu otomatik olarak kullanmaya ayarlandığı anlamına gelir; bu varsayılan davranıştır. Eğitimin belirli bir GPU'da gerçekleştiğinden emin olmak için, .yaml yapılandırma dosyanızda 'device' değerini GPU dizinine (örneğin, ilk GPU için '0') manuel olarak ayarlayabilirsiniz:

device: 0

Bu, eğitim sürecini belirtilen GPU'ya açıkça atayacaktır. CPU üzerinde eğitim yapmak isterseniz, 'device' değerini 'cpu' olarak ayarlayın.

Eğitim ilerlemesini etkin bir şekilde izlemek için 'runs' klasöründeki günlükleri ve metrikleri takip edin.

Etkili Model Eğitimi için Temel Hususlar

Model eğitimiyle ilgili sorunlar yaşıyorsanız, aklınızda bulundurmanız gereken bazı şeyler şunlardır.

Veri Kümesi Formatı ve Etiketleri

Önemli: Herhangi bir makine öğrenimi modelinin temeli, üzerinde eğitildiği verinin kalitesi ve biçiminde yatar.
Öneri: Özel veri kümenizin ve ilgili etiketlerinin beklenen biçime uygun olduğundan emin olun. Açıklamaların doğru ve yüksek kalitede olduğunu doğrulamak çok önemlidir. Yanlış veya yetersiz açıklamalar, modelin öğrenme sürecini raydan çıkarabilir ve öngörülemeyen sonuçlara yol açabilir.

Model Yakınsaması

Önemli: Modelin yakınsamaya ulaşması, modelin eğitim verilerinden yeterince öğrendiğini garanti eder.
Öneri: Bir modeli 'sıfırdan' eğitirken, modelin tatmin edici bir yakınsama düzeyine ulaştığından emin olmak önemlidir. Bu, mevcut bir modele ince ayar yapmaya kıyasla, daha uzun bir eğitim süresi ve daha fazla epok gerektirebilir.

Öğrenme Oranı ve Yığın Boyutu

Önemli: Bu hiperparametreler, modelin eğitim sırasında ağırlıklarını nasıl güncelleyeceğini belirlemede önemli bir rol oynar.
Öneri: Seçilen öğrenme oranının ve yığın boyutunun belirli veri kümeniz için en uygun olup olmadığını düzenli olarak değerlendirin. Veri kümesinin özellikleriyle uyumlu olmayan parametreler, modelin performansını engelleyebilir.

Sınıf Dağılımı

Önemli: Veri kümenizdeki sınıfların dağılımı, modelin tahmin eğilimlerini etkileyebilir.
Öneri: Veri kümenizdeki sınıfların dağılımını düzenli olarak değerlendirin. Bir sınıf dengesizliği varsa, modelin daha yaygın sınıfa yönelik bir önyargı geliştirmesi riski vardır. Bu önyargı, modelin ağırlıklı olarak çoğunluk sınıfını tahmin edebileceği karmaşıklık matrisinde belirgin olabilir.

Önceden Eğitilmiş Ağırlıklarla Çapraz Kontrol

Önemli: Önceden eğitilmiş ağırlıklardan yararlanmak, özellikle veri sınırlı olduğunda model eğitimi için sağlam bir başlangıç noktası sağlayabilir.
Öneri: Tanılama adımı olarak, modelinizi aynı verileri kullanarak eğitmeyi ancak önceden eğitilmiş ağırlıklarla başlatmayı düşünün. Bu yaklaşım iyi biçimlendirilmiş bir karmaşıklık matrisi verirse, 'sıfırdan' modelin daha fazla eğitime veya ayarlamaya ihtiyacı olabileceğini gösterebilir.

Bu bölüm, model tahmini sırasında karşılaşılan yaygın sorunları ele alacaktır.

YOLO11 Özel Modelinizle Sınırlayıcı Kutu Tahminleri Alma

Sorun: Özel bir YOLO11 modeliyle tahminler yürütülürken, sınırlayıcı kutu koordinatlarının formatı ve görselleştirilmesiyle ilgili zorluklar yaşanıyor.

Çözüm:

Koordinat Formatı: YOLO11, sınırlayıcı kutu koordinatlarını mutlak piksel değerlerinde sağlar. Bunları göreli koordinatlara (0 ile 1 arasında değişen) dönüştürmek için, görüntü boyutlarına bölmeniz gerekir. Örneğin, görüntü boyutunuzun 640x640 olduğunu varsayalım. O zaman şunu yaparsınız:
```
# Convert absolute coordinates to relative coordinates
x1 = x1 / 640  # Divide x-coordinates by image width
x2 = x2 / 640
y1 = y1 / 640  # Divide y-coordinates by image height
y2 = y2 / 640
```
Dosya Adı: Üzerinde tahmin yaptığınız görüntünün dosya adını almak için, görüntü dosya yoluna doğrudan tahmin döngünüz içindeki sonuç nesnesinden erişin.

YOLO11 Tahminlerinde Nesneleri Filtreleme

Sorun: Ultralytics kitaplığını kullanarak YOLO11'i çalıştırırken, tahmin sonuçlarında yalnızca belirli nesneleri nasıl filtreleyip görüntüleyeceğinizle ilgili sorunlarla karşılaşma.

Çözüm: Belirli sınıfları tespit etmek için, çıktıda dahil etmek istediğiniz sınıfları belirtmek üzere classes argümanını kullanın. Örneğin, yalnızca arabaları tespit etmek için ('arabaların' 2 sınıf indeksine sahip olduğunu varsayarak):

yolo task=detect mode=segment model=yolo11n-seg.pt source='path/to/car.mp4' show=True classes=2

YOLO11'de Kesinlik Metriklerini Anlama

Sorun: YOLO11'de kutu hassasiyeti, maske hassasiyeti ve karışıklık matrisi hassasiyeti arasındaki farkla ilgili kafa karışıklığı.

Çözüm: Kutu hassasiyeti, tahmin edilen sınırlayıcı kutuların doğruluğunu, metrik olarak IoU (Kesişim Bölü Birleşim) kullanılarak gerçek zemin doğruluk kutularıyla karşılaştırarak ölçer. Maske hassasiyeti, piksel bazlı nesne sınıflandırmasında tahmin edilen segmentasyon maskeleri ile gerçek zemin doğruluk maskeleri arasındaki uyumu değerlendirir. Öte yandan, karışıklık matrisi hassasiyeti, tüm sınıflardaki genel sınıflandırma doğruluğuna odaklanır ve tahminlerin geometrik doğruluğunu dikkate almaz. Bir sınırlayıcı kutunun, sınıf tahmini yanlış olsa bile geometrik olarak doğru (gerçek pozitif) olabileceğini ve bunun da kutu hassasiyeti ile karışıklık matrisi hassasiyeti arasında farklılıklara yol açabileceğini unutmamak önemlidir. Bu metrikler, bir modelin performansının farklı yönlerini değerlendirir ve çeşitli görevlerde farklı değerlendirme metriklerine duyulan ihtiyacı yansıtır.

YOLO11'de Nesne Boyutlarını Çıkarma

Sorun: YOLO11'de algılanan nesnelerin uzunluğunu ve yüksekliğini, özellikle bir görüntüde birden fazla nesne algılandığında, almakta zorluk.

Çözüm: Sınırlayıcı kutu boyutlarını almak için, önce bir görüntüdeki nesneleri tahmin etmek için Ultralytics YOLO11 modelini kullanın. Ardından, sınırlayıcı kutuların genişlik ve yükseklik bilgilerini tahmin sonuçlarından çıkarın.

from ultralytics import YOLO

# Load a pre-trained YOLO11 model
model = YOLO("yolo11n.pt")

# Specify the source image
source = "https://ultralytics.com/images/bus.jpg"

# Make predictions
results = model.predict(source, save=True, imgsz=320, conf=0.5)

# Extract bounding box dimensions
boxes = results[0].boxes.xywh.cpu()
for box in boxes:
    x, y, w, h = box
    print(f"Width of Box: {w}, Height of Box: {h}")

Dağıtım Zorlukları

GPU Dağıtım Sorunları

Sorun: Modelleri çoklu GPU ortamında dağıtmak bazen beklenmedik bellek kullanımı, GPU'lar arasında tutarsız sonuçlar vb. gibi beklenmedik davranışlara yol açabilir.

Çözüm: Varsayılan GPU başlatmasını kontrol edin. PyTorch gibi bazı framework'ler, belirlenen GPU'lara geçmeden önce varsayılan bir GPU'da CUDA işlemlerini başlatabilir. Beklenmedik varsayılan başlatmaları atlamak için, dağıtım ve tahmin sırasında GPU'yu doğrudan belirtin. Ardından, GPU kullanımını ve bellek kullanımını gerçek zamanlı olarak izlemek ve herhangi bir anormalliği belirlemek için araçları kullanın. Ayrıca, framework veya kütüphanenin en son sürümünü kullandığınızdan emin olun.

Model Dönüştürme/Dışa Aktarma Sorunları

Sorun: Makine öğrenimi modellerini farklı formatlara veya platformlara dönüştürme veya dışa aktarma sürecinde, kullanıcılar hatalarla veya beklenmedik davranışlarla karşılaşabilir.

Çözüm:

Uyumluluk Kontrolü: Kütüphanelerin ve çerçevelerin birbiriyle uyumlu sürümlerini kullandığınızdan emin olun. Uyumsuz sürümler, dönüştürme sırasında beklenmedik hatalara yol açabilir.
Ortam Sıfırlama: Jupyter veya Colab gibi etkileşimli bir ortam kullanıyorsanız, önemli değişiklikler veya kurulumlar yaptıktan sonra ortamınızı yeniden başlatmayı düşünün. Yeni bir başlangıç bazen altta yatan sorunları çözebilir.
Resmi Belgelendirme: Dönüşüm için kullandığınız araç veya kütüphanenin resmi belgesine her zaman başvurun. Genellikle model dışa aktarımı için özel yönergeler ve en iyi uygulamalar içerir.
Topluluk Desteği: Diğer kullanıcılar tarafından bildirilen benzer sorunlar için kütüphanenin veya çerçevenin resmi deposunu kontrol edin. Bakımcılar veya topluluk, tartışma başlıklarında çözümler veya geçici çözümler sunmuş olabilir.
Düzenli Olarak Güncelleyin: Aracın veya kütüphanenin en son sürümünü kullandığınızdan emin olun. Geliştiriciler, bilinen hataları düzelten veya işlevselliği geliştiren güncellemeleri sık sık yayınlar.
Aşamalı Olarak Test Etme: Tam bir dönüşüm gerçekleştirmeden önce, olası sorunları erken tespit etmek için işlemi daha küçük bir model veya veri kümesiyle test edin.

Topluluk ve Destek

Benzer düşünen bireylerden oluşan bir toplulukla etkileşim kurmak, YOLO11 ile çalışma deneyiminizi ve başarınızı önemli ölçüde artırabilir. Aşağıda, faydalı bulabileceğiniz bazı kanallar ve kaynaklar bulunmaktadır.

Yardım Almak İçin Forumlar ve Kanallar

GitHub Sorunları: GitHub'daki YOLO11 deposunda, soru sorabileceğiniz, hataları bildirebileceğiniz ve yeni özellikler önerebileceğiniz bir Sorunlar sekmesi bulunur. Topluluk ve yöneticiler burada aktiftir ve belirli sorunlarla ilgili yardım almak için harika bir yerdir.

Ultralytics Discord Sunucusu: Ultralytics'in, diğer kullanıcılar ve geliştiricilerle etkileşim kurabileceğiniz bir Discord sunucusu vardır.

Resmi Belgelendirme ve Kaynaklar

Ultralytics YOLO11 Belgeleri: Resmi belgeler, YOLO11'e kapsamlı bir genel bakışın yanı sıra kurulum, kullanım ve sorun giderme kılavuzları sunar.

Bu kaynaklar, YOLO11 projelerinizde sorun giderme ve iyileştirme için sağlam bir temel sağlamanın yanı sıra YOLO11 topluluğundaki diğer kişilerle bağlantı kurmanıza yardımcı olmalıdır.

Sonuç

Sorun giderme, herhangi bir geliştirme sürecinin ayrılmaz bir parçasıdır ve doğru bilgiyle donatılmış olmak, sorunları çözmek için harcanan zamanı ve çabayı önemli ölçüde azaltabilir. Bu kılavuz, Ultralytics ekosistemi içindeki YOLO11 modelini kullanan kullanıcıların karşılaştığı en yaygın zorlukları ele almayı amaçlamaktadır. Bu yaygın sorunları anlayıp ele alarak, daha sorunsuz bir proje ilerlemesi sağlayabilir ve bilgisayar görüşü görevlerinizde daha iyi sonuçlar elde edebilirsiniz.

Unutmayın, Ultralytics topluluğu değerli bir kaynaktır. Diğer geliştiriciler ve uzmanlarla etkileşim kurmak, standart belgelerde yer almayan ek bilgiler ve çözümler sağlayabilir. Topluluğun kolektif bilgisine katkıda bulunmak için her zaman öğrenmeye, denemeye ve deneyimlerinizi paylaşmaya devam edin.

İyi sorun gidermeler!

SSS

YOLO11 ile ilgili kurulum hatalarını nasıl çözerim?

Kurulum hataları genellikle uyumluluk sorunlarından veya eksik bağımlılıklardan kaynaklanabilir. Python 3.8 veya daha üstü bir sürümü kullandığınızdan ve PyTorch 1.8 veya daha üstü bir sürümün kurulu olduğundan emin olun. Çakışmaları önlemek için sanal ortamlar kullanmak faydalıdır. Adım adım kurulum kılavuzu için resmi kurulum kılavuzumuzu takip edin. İçe aktarma hatalarıyla karşılaşırsanız, yeni bir kurulum deneyin veya kitaplığı en son sürüme güncelleyin.

YOLO11 modelim tek bir GPU'da neden yavaş eğitiliyor?

Tek bir GPU üzerinde eğitim, büyük batch boyutları veya yetersiz bellek nedeniyle yavaş olabilir. Eğitimi hızlandırmak için birden fazla GPU kullanın. Sisteminizde birden fazla GPU bulunduğundan emin olun ve .yaml GPU sayısını belirtmek için yapılandırma dosyası, örneğin: gpus: 4. Bellek sınırlarını aşmadan GPU'ları tam olarak kullanmak için toplu iş boyutunu uygun şekilde artırın. Örnek komut:

model.train(data="/path/to/your/data.yaml", batch=32, multi_scale=True)

YOLO11 modelimin GPU'da eğitildiğinden nasıl emin olabilirim?

Eğitim günlüklerinde 'device' değeri 'null' gösteriyorsa, bu genellikle eğitim sürecinin mevcut bir GPU'yu otomatik olarak kullanacak şekilde ayarlandığı anlamına gelir. Belirli bir GPU'yu açıkça atamak için, 'device' değerini şunun içindeki .yaml yapılandırma dosyası. Örneğin:

device: 0

Bu, eğitim sürecini ilk GPU'ya ayarlar. Danışın: nvidia-smi komutu, CUDA kurulumunuzu doğrular.

YOLO11 model eğitim ilerlememi nasıl izleyebilir ve takip edebilirim?

Eğitim sürecini izlemek ve görselleştirmek, TensorBoard, Comet ve Ultralytics HUB gibi araçlar aracılığıyla verimli bir şekilde yönetilebilir. Bu araçlar, kayıp, kesinlik, hatırlama ve mAP gibi metrikleri kaydetmenize ve görselleştirmenize olanak tanır. Bu metriklere dayalı erken durdurma uygulamak, daha iyi eğitim sonuçları elde etmenize de yardımcı olabilir.

YOLO11 veri kümesi formatımı tanımıyorsa ne yapmalıyım?

Veri kümenizin ve etiketlerinizin beklenen biçime uygun olduğundan emin olun. Ek açıklamaların doğru ve yüksek kalitede olduğunu doğrulayın. Herhangi bir sorunla karşılaşırsanız, en iyi uygulamalar için Veri Toplama ve Açıklama kılavuzuna bakın. Daha fazla veri kümesine özel rehberlik için, belgelerdeki Veri Kümeleri bölümüne bakın.

📅 1 yıl önce oluşturuldu ✏️ 24 gün önce güncellendi