---
title: "OlmoEarth v1.3: Tüm Gezegen İçin En Gelişmiş Gömme (Embedding) Modelleri"
url: https://blog.edumints.com/olmoearth-v1-3-tum-gezegen-icin-en-gelismis-gomme-embedding-modelleri
category: "LLM"
date: 2026-10-23T09:04:46.128Z
publisher: Edumints Blog
lang: tr-TR
source_name: "Hugging Face Blog"
source_url: https://huggingface.co/blog/allenai/olmoearth-v1-3
---

# OlmoEarth v1.3: Tüm Gezegen İçin En Gelişmiş Gömme (Embedding) Modelleri

AllenAI (Ai2), en gelişmiş uydu gömme (embedding) modeli olan **OlmoEarth v1.3** sürümünü duyurdu. Bu modelle birlikte, tüm gezegen için önceden hesaplanmış yıllık gömmeler (10 metre çözünürlükte, 64 ve 128 boyutlu) ve bu verilerle haritaları tarayıcı üzerinden keşfedip özelleştirmeyi sağlayan **OlmoEarth Embeddings Explorer** aracı kullanıma sunuldu. Böylece kullanıcılar, oturum açmaya veya ileri düzey teknik bilgiye ihtiyaç duymadan zaman içindeki değişimleri izleyebilir ve benzer coğrafi bölgeleri anında tespit edebilir.

Şimdiye kadar OlmoEarth'ü kullanmanın temel yolu, **OlmoEarth Studio** üzerinden her görev için ayrı bir model eğitmek (fine-tuning) ve uydu görüntüleri üzerinde çalıştırmaktı. Ancak bu süreç, yüksek GPU erişimi ve devasa uydu verilerini indirip depolama kapasitesi gerektiriyordu. Gömme modelleri ise uydu verilerini birçok görevde düşük maliyetle yeniden kullanılabilecek hazır özelliklere (features) sıkıştırarak yazılım geliştiriciler için büyük bir kolaylık sağlıyor.

## Bir Kez Hesapla, Her Yerde Kullan

Bir gömme vektörü, modelin milyonlarca görüntüden öğrendiği bilgileri temsil eder. **OlmoEarth v1.3**, bir yıllık radar (Sentinel-1) ve multispektral (Sentinel-2 ve Landsat) uydu zaman serilerini okuyarak Dünya üzerindeki her 10 metrelik piksel için 128 boyutlu bir vektör üretir. Üstelik bu vektörün ilk 64 boyutu, tek başına daha küçük ve hızlı bir gömme olarak da çalışabilir:

- **Mimari Yapı:** Bir *Vision Transformer* uydu verilerini okur, *Attention Pooler* bunları her arazi parçası için tek bir vektörde toplar ve doğrusal (linear) bir katman çıktıyı 128 sayıya indirger.
- **Açık Erişim:** Temel modelleri ve küresel gömmeleri üretmek maliyetli olduğundan, tüm gezegen için hesaplanan bu veriler **Source Cooperative** üzerinden toplulukla paylaşılmıştır.
- **Pratik Geliştirme:** Geliştiriciler için ürün haritası, arazi örtüsü analizi veya değişim tespiti yapmak artık hafif bir modelleme problemine dönüşmüştür; hazır gömmelerin üzerine küçük bir sınıflandırıcı (classifier) eğitip yerel ortamda çalıştırmak yeterlidir.

## En Gelişmiş (State-of-the-Art) Gömmeler

OlmoEarth v1.3 gömmeleri, altı kıtayı ve farklı görevleri kapsayan 27 değerlendirmede **AlphaEarth Foundations (AEF)** ve **Tessera v2** ile karşılaştırıldı:

- **Yüksek Performans:** 128 boyutlu gömmeler 27 değerlendirmenin 20'sinde en yüksek puanı alarak genel sıralamada birinci oldu. Yarı boyuttaki 64 boyutlu versiyon ise 27 testin 18'inde liderliğini korudu.
- **PLANTEUR Benchmark ve Genelleme:** Tropikal tarım için yeni bir ürün tipi ölçütü olan **PLANTEUR** tanıtıldı; model, sınıflandırıcının daha önce hiç görmediği bölgelere en iyi genelleme yapan yapı oldu.
- **Tamamen Açık Kaynak ve Gerçek Dünya Kullanımı:** Model ağırlıkları, ön eğitim verileri ve ön eğitim kodları tamamen açıktır. Pratikte bu, Kenya'daki küçük ölçekli ekinleri sınıflandırmak, Dakka batısındaki tuğla fırınlarını tespit etmek, Endonezya'daki yangın hasarını değerlendirmek ve Peru Amazonu'ndaki altın madenciliğini izlemek için küçük bir sınıflandırıcının yeterli olması demektir.
- **Verimli Eğitim:** Önceki nesillere kıyasla eğitilmesi en ucuz model olan v1.3, bir önceki sürümün (v1.2) bilgi işlem süresinin yalnızca %53'ünü ve ilk sürümün (v1) %18'ini kullandı.

## Yazılım Geliştirme ve Öğrenme Açısından Çıkarımlar

Büyük temel modelleri sıfırdan eğitmek veya her görevde ince ayar (fine-tuning) yapmak yerine, önceden hesaplanmış **embedding** katmanlarını kullanmak modern MLOps ve uygulama geliştirme süreçlerinde maliyet ile donanım bariyerini ortadan kaldırır. Geliştiriciler *Embedding Model Serving Temelleri* ve *Ölçeklendirme ve Optimizasyon* yaklaşımlarını benimseyerek, devasa ham verileri işlemek yerine doğrudan öznitelik vektörleri üzerinde hafif modeller kurup yerel cihazlarda bile üretim kalitesinde sonuçlar alabilir.

[](https://huggingface.co/blog/allenai/olmoearth-v1-3)

---

**Kaynak:** Hugging Face Blog (https://huggingface.co/blog/allenai/olmoearth-v1-3)
**Yayıncı:** [Edumints Blog](https://blog.edumints.com) · Alıntılarken bu URL'ye bağlantı verin: https://blog.edumints.com/olmoearth-v1-3-tum-gezegen-icin-en-gelismis-gomme-embedding-modelleri