---
title: "sentence-transformers/all-MiniLM-L6-v2: Hugging Face'te Öne Çıkan Cümle Gömme Modeli"
url: https://blog.edumints.com/sentence-transformersall-minilm-l6-v2-hugging-facete-one-cik-m39bu1vr
category: "LLM"
date: 2026-09-06T07:12:06.586Z
publisher: Edumints Blog
lang: tr-TR
source_name: "hfmodels"
source_url: https://huggingface.co/sentence-transformers/all-MiniLM-L6-v2
---

# sentence-transformers/all-MiniLM-L6-v2: Hugging Face'te Öne Çıkan Cümle Gömme Modeli

## Model Bilgileri ve İstatistikler
- **Model**: sentence-transformers/all-MiniLM-L6-v2
- **İndirme Sayısı**: 255.006.933
- **Beğeni Sayısı**: 5.560
- **Etiketler**: sentence-transformers, pytorch, tf, rust, onnx, safetensors, openvino, bert

## Genel Bakış
`all-MiniLM-L6-v2`, metin ve paragrafları **384 boyutlu yoğun bir vektör uzayına** (dense vector space) eşleyen popüler bir `sentence-transformers` modelidir. Kümeleme (clustering) ve anlamsal arama (semantic search) gibi görevler için optimize edilmiştir. 384 gibi kompakt bir vektör boyutu sunması; bellek kullanımını optimize etmek, arama gecikmesini düşürmek ve vektör veritabanı maliyetlerini azaltmak isteyen yazılım mühendisleri için önemli bir pratik avantaj sağlar.

## Kullanım Yöntemleri

### 1. Sentence-Transformers ile Kullanım
Kütüphane ortamda yüklü olduğunda entegrasyon son derece basittir. `pip install -U sentence-transformers` komutu ile kurulum yapıldıktan sonra model doğrudan çağrılabilir:

```python
from sentence_transformers import SentenceTransformer

sentences = ["This is an example sentence", "Each sentence is converted"]
model = SentenceTransformer('sentence-transformers/all-MiniLM-L6-v2')
embeddings = model.encode(sentences)
print(embeddings)
```
- **Pratik Çıkarım**: RAG (Retrieval-Augmented Generation) prototipleri ve standart anlamsal arama iş akışları için en hızlı ve temiz uygulama yöntemidir.

### 2. Hugging Face Transformers ile Kullanım
Ek kütüphane kullanmadan, saf PyTorch ve Hugging Face `transformers` ile çalıştırmak istediğinizde girdi modele iletilir ve ardından bağlamsal kelime gömmeleri üzerine ortalama havuzlama (mean pooling) uygulanır:

```python
from transformers import AutoTokenizer, AutoModel
import torch
import torch.nn.functional as F

# Mean Pooling - Dikkat maskesini (attention mask) dikkate alarak doğru ortalamayı hesaplar
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0]
    input_mask_expanded = attention_mask.unsqueeze(-1).expand(token_embeddings.size()).float()
    return torch.sum(token_embeddings * input_mask_expanded, 1) / torch.clamp(input_mask_expanded.sum(1), min=1e-9)

sentences = ['This is an example sentence', 'Each sentence is converted']

tokenizer = AutoTokenizer.from_pretrained('sentence-transformers/all-MiniLM-L6-v2')
model = AutoModel.from_pretrained('sentence-transformers/all-MiniLM-L6-v2')

encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

with torch.no_grad():
    model_output = model(**encoded_input)

sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])
sentence_embeddings = F.normalize(sentence_embeddings, p=2, dim=1)

print("Sentence embeddings:")
print(sentence_embeddings)
```
- **Pratik Çıkarım**: Özel çıkarım (inference) sunucuları, ONNX ve Rust tabanlı servis entegrasyonlarında düşük seviyeli pipeline kontrolü sunar.

## Arka Plan
Model, devasa ölçekli veri kümeleri üzerinde **öz-denetimli karşıtsal öğrenme** (contrastive learning) hedefiyle eğitilmiştir:
- **Temel Mimari**: Önceden eğitilmiş `nreimers/MiniLM-L6-H384-uncased` modeli kullanılmış ve 1 milyar cümle çiftinden oluşan veri kümesiyle ince ayar (fine-tuning) yapılmıştır.
- **Karşıtsal Hedef**: Model, verilen bir cümlenin rastgele örneklenen diğer cümleler arasından hangisiyle gerçekte eşleştiğini tahmin etmeyi öğrenir.
- **Topluluk ve Donanım**: Hugging Face tarafından düzenlenen JAX/Flax Topluluk Haftası'nda, *Train the Best Sentence Embedding Model Ever with 1B Training Pairs* projesi kapsamında geliştirilmiştir. Google Flax, JAX ve Cloud ekiplerinin desteğiyle 7 adet TPU v3-8 üzerinde eğitilmiştir.

## Kullanım Alanları
Model, cümle ve kısa paragrafların anlamsal içeriğini yakalayan verimli bir kodlayıcıdır (encoder). Vektörel arama sistemleri, öneri algoritmaları ve metin kümeleme senaryolarında yüksek performans ve doğruluk dengesi sağlar.

[Orijinal kaynağa buradan ulaşabilirsiniz.](https://huggingface.co/sentence-transformers/all-MiniLM-L6-v2)

---

Bu konuyu derinlemesine öğrenmek isterseniz: [Embedding Model Serving Temelleri](https://edumints.com/kesfet/embedding-ve-reranking-modelleri-productionda-depl-blu6) modülüne göz atın.

---

**Kaynak:** [hfmodels](https://huggingface.co/sentence-transformers/all-MiniLM-L6-v2)
**Yayıncı:** [Edumints Blog](https://blog.edumints.com) · Alıntılarken bu URL'ye bağlantı verin: https://blog.edumints.com/sentence-transformersall-minilm-l6-v2-hugging-facete-one-cik-m39bu1vr