> ## Documentation Index
> Fetch the complete documentation index at: https://docs.t3gemstone.org/llms.txt
> Use this file to discover all available pages before exploring further.

# Görev Tanımı

> Proje kapsamı, eğitim ve model seçimi, değerlendirme ortamı ve referans ortam kurulumu

Takımlardan, T3 Gemstone O1 üzerinde çalışan, bir çevre birimden ya da kart üzerindeki sensörden aldığı veriyi
yapay zekâ algoritmasıyla işleyen ve sonucu üreten uçtan uca bir çözüm geliştirmeleri beklenir. Temanın odağı
algoritmadır; donanım entegrasyonu ikinci plandadır, çevre birimi yalnızca algoritmaya veri sağlamak için kullanılır.

Fikir vermesi amacıyla örnek proje alanları:

* İHA görüntüsünde araç ya da insan tespiti
* Tarımda bitki hastalığı sınıflandırma
* Şerit ve yol segmentasyonu
* Poz tahmini
* Su altı görüntü iyileştirme
* IMU verisinden anomali tespiti

## Proje kapsamı

* Proje, T3 Gemstone O1'e bağlı en az bir çevre birimden (kamera, mikrofon, sensör vb.) veya kart üzerindeki
  sensörden veri alır. MIPI CSI ya da USB kamera ve her türlü sensör ve veri kaynağı serbesttir.
* Alınan veri, seçilen yapay zekâ algoritması ile T3-GEM-O1 üzerinde işlenir ve anlamlı bir çıktıya dönüştürülür
  (sınıflandırma, tespit, metin üretimi, tahmin vb.).
* Takım; makine öğrenmesi, derin öğrenme, dil modelleri veya bilgisayarlı görü gibi alanlardan kendi yetkinliğine
  uygun olanı seçer.
* Seçilen algoritma, T3-GEM-O1'in kaynak sınırları (işlemci, bellek, güç) içinde çıkarım yapabilecek şekilde
  hazırlanır. Bu amaçla model eğitilebilir, ince ayar (fine-tuning) yapılabilir veya optimize edilebilir.
* Geliştirilen projeye ait çıkarım kodu, gerçek zamanlı olarak gerçek çevre koşullarında çalıştırılabilmelidir.

## Eğitim ve model seçimi

* Takımlar, diledikleri veri setini ve yapay zekâ modelini (temel (foundational), önceden eğitilmiş (pre-trained)
  ya da damıtılmış (distilled) modeller dahil) eğitim ve geliştirme sürecinde kullanabilir.
* Model eğitimi ve ince ayar işlemleri için istenen donanım (kişisel bilgisayar, GPU, bulut vb.) kullanılabilir.
  Önceden eğitilmiş modeller lisanslarına uygun olarak kullanılmalıdır; kaynakların belirtilmesi gerekir.
* Eğitim yapılan veri setinin açık kaynak olarak paylaşılması zorunlu değildir. Ancak veri setinin niteliği
  (kaynağı, boyutu, içeriği, etiketleme biçimi vb.) belirtilmelidir.
* Modelin kart üzerindeki hızlandırıcıda çalışan kısmı ve CPU'da kalan katmanlar belirtilmelidir. Hızlandırıcının
  kullanılma durumu ve yöntemi Jüri Heyeti tarafından değerlendirilecektir.

> [!TIP]
>
> Katılım için model eğitimi şart değildir; ancak model eğitmek Jüri Heyeti değerlendirmesinde puan kazandırır.

> [!NOTE]
>
> Eğitilen model repo dışında bir kaynakta barındırılacaksa bu kaynak **HuggingFace** veya **Kaggle**
> platformlarından biri olmalıdır.

## Değerlendirme ortamı

* Çıkarım (inference) işlemlerinin tamamı yalnızca T3-GEM-O1 üzerinde yapılır.
* Harici yapay zekâ hızlandırıcısı, uzak sunucu, bulut servisi veya başka bir bilgisayardan işlem desteği alınamaz.
  Model eğitimi başka bir kaynakta gerçekleşse bile eğitilmiş model kart üzerinde barındırılabilmeli ve çıkarım kodu
  çalıştırılabilmelidir.
* Yazılımın kurulumu kartta tamamlandıktan sonra internet bağlantısı olmadan çalışabilmelidir. Çalışma sırasında
  internet veya T3-GEM-O1 dışındaki herhangi bir kaynağa ihtiyaç duyulmamalıdır.

## Referans GitHub reposu

Proje geliştirilirken temel alınacak repo:

> [card] [t3gemstone/challenge-01](https://github.com/t3gemstone/challenge-01)
>
> github.com/t3gemstone/challenge-01

> [!WARNING]
>
> Takımlar bu repoyu fork ederek çalışır. Bu repo fork edilerek geliştirilmeyen hiçbir proje değerlendirilmez.

## Referans ortam

Jüri Heyeti ölçümü referans ortamda yapılacaktır: O1'in eMMC belleğine yazılmış
**T3 Gemstone OS Minimal v2026.1 (Ubuntu 22.04)** imajı ve **t3-gem-o1-edgeai 11.0** paketi. Bu sürümler
20 Aralık'a kadar değiştirilmeyecektir. Geliştirme Desktop imajında da yapılabilecektir; ancak takımların kodlarını
teslimden önce referans ortamda denemeleri beklenmektedir.

Referans ortam aşağıdaki adımlarla kurulur. Jüri Heyeti değerlendirmede aynı adımlarla kurulmuş bir kart
kullanır; takımların projelerini teslimden önce bu adımlarla kurdukları bir kartta denemeleri beklenmektedir.

**1. İmajı yazın**

T3 Gemstone OS Minimal v2026.1 (Ubuntu 22.04) imajını Gem-Imager ile O1'in eMMC belleğine yazın
([eMMC Kullanımı](https://docs.t3gemstone.org/tr/imager/emmc.md)). Kartı açın, seri port ya da SSH ile bağlanın
([Hızlı Başlangıç](https://docs.t3gemstone.org/tr/quickstart.md)) ve internete bağlayın.

**2. Edge AI paketini ve git'i kurun**

`git`, yarışma reposunu karta almak için kurulur.

```bash theme={"system"}
sudo apt update
sudo apt install t3-gem-o1-edgeai git
```

**3. Edge AI overlay'ini etkinleştirin**

`/boot/uEnv.txt` dosyasındaki `overlays=` satırının sonuna, bir boşluk bırakarak
`k3-am67a-t3-gem-o1-edgeai-apps.dtbo` ekleyin ve kartı yeniden başlatın.

```bash theme={"system"}
sudo nano /boot/uEnv.txt
sudo reboot
```

**4. Kurulumu doğrulayın**

Yapay zekâ hızlandırıcısı root yetkisi ister; Edge AI ortam değişkenleri `/opt/t3-edgeai-env` dosyasıyla
yüklenir.

```bash theme={"system"}
sudo su
source /opt/t3-edgeai-env
python3 -c "import onnxruntime as ort; print(ort.get_available_providers())"
```

`source` komutu `SDK: 11_00_00` bilgisini, son komut ise `TIDLExecutionProvider` içeren bir liste
yazdırmalıdır.

**5. Repoyu karta alın**

Takımınızın fork'unu klonlayın. Takımlar projelerini repodaki `takimlar/<takim-adi>/` klasöründe, `sablon/`
klasörünün yapısıyla geliştirir.

```bash theme={"system"}
git clone https://github.com/<kullanici-adi>/<fork-adi>.git
cd <fork-adi>
```

**6. Takım klasörünü denetleyin**

`olcum/kontrol.py`, klasörün şablona ve bu şartnameye uygunluğunu modeli çalıştırmadan denetler. Aynı denetim
her commit'te GitHub Actions'ta da çalışır.

```bash theme={"system"}
python3 olcum/kontrol.py --takim <takim-adi>
```

**7. Değerlendirme betiğini çalıştırın**

Jüri Heyeti her takımı `olcum/calistir.py` betiğiyle değerlendirir; takımlar aynı betiği kendi kartlarında
çalıştırarak projelerinin Jüri Heyeti'nin kartında nasıl çalışacağını görebilir. Betik root olarak
çalıştırılır ve Edge AI ortam değişkenlerini kendisi yükler.

```bash theme={"system"}
sudo python3 olcum/calistir.py --takim <takim-adi>
```

Betik her takım için sırasıyla şunları yapar:

1. Takım klasörünün bir kopyasını alır; repodaki dosyalar değişmez.
2. Kurulum aşamasında (internet açık) `requirements.txt`'deki paketleri takıma özel bir Python sanal ortamına
   kurar, `apt.txt`'deki paketlerin kurulu olduğunu denetler, `model/indir.txt`'deki dosyaları HuggingFace ya
   da Kaggle'dan indirip SHA256 özetlerini doğrular ve varsa `kurulum.sh` betiğini çalıştırır.
3. Takımın `degerlendir.sh` betiğini internet bağlantısı olmadan ve süre sınırıyla çalıştırır. Bu betik modeli
   `test-seti/` klasöründeki veriyle çalıştırır ve sonuçları `sonuc.json` dosyasına yazar: başarım metriğinin
   adı ve değeri zorunlu; FPS ve gecikme isteğe bağlıdır.
4. `sonuc.json` dosyasını doğrular.

**8. Sonuçları inceleyin**

Sonuçlar `sonuclar/<tarih-saat>/` klasörüne yazılır: `ozet.csv` sonuçların özetini,
`<takim-adi>/kurulum.log` ve `<takim-adi>/calistirma.log` ayrıntıları içerir.

> [!WARNING]
>
> Betik `basarili` dışında bir durum bildirirse (`kurulum_hatasi`, `calistirma_hatasi`, `zaman_asimi`,
> `sonuc_gecersiz` vb.) proje Jüri Heyeti'nin kartında da çalışmayacaktır.

> [!TIP]
>
> Kartınız yoksa geliştirme ve test için [uzaktan erişim](https://docs.t3gemstone.org/tr/competitions/t3-gemstone-challenge/edge-ai/remote-access.md)
> talep edebilirsiniz.


This documentation is built and hosted on [Mintlify](https://mintlify.com), a developer documentation platform.