Gizlilik, Bölgeler ve Uyumluluk

Veri Bölgesi ve Dağıtım Bölgesi#

İlk kurulum sırasında Platform, üç veri bölgesine olan gecikmeyi ölçer ve en yakın olanı önerir. Seçimin hesabın dataRegion değerini belirler:

Veri bölgesi, Platform'un veri kümelerini, modelleri ve yönetilen eğitim verilerini nerede saklayacağını ve paylaşımlı çıkarımın nerede çalışacağını belirler. Üç unsur bunun dışındadır:

• Özel uç noktalar, seçtiğin 42 dağıtım bölgesinden herhangi birinde çalışır; bu nedenle AB'deki bir çalışma alanı Tokyo'dan hizmet verebilir ve her isteğin görüntüsü oraya gider.
• Gizlilik politikasında açıklandığı üzere profil, faturalandırma ve etkinlik gibi hesap düzeyindeki veriler küresel olarak işlenir.
• İşlem konumu. Veri bölgesi, depolama güvencesi sağlar. Bir sözleşme işlemenin nerede gerçekleşeceğini kısıtlıyorsa eğitimden önce GPU ve uç nokta konumlarını Ultralytics ile doğrula veya On Premise kullan.

Veri bölgesini kendin değiştiremezsin; destek talebi oluşturman gerekir. Ekip çalışma alanları, onları oluşturan kişinin veri bölgesini devralır. Kararını gecikmeye göre değil, sözleşmeye göre ver:

Uluslararası kullanıcılar için gecikme ve veri yerleşimi gereksinimleri çeliştiğinde bilinçli bir seçim yap: veri bölgesinde tek bir uç nokta (uyumluluğu sağlamanın en kolay yolu, uzaktaki kullanıcılar için daha yavaş), birkaç bölgede uç noktalar (daha hızlı, ancak her bölge istek görüntülerini aldığından her birinin sözleşmeye uygunluğunu kontrol et) veya yargı alanı başına ayrı çalışma alanları (en güçlü ayrım, daha fazla işletim yükü).

Görünürlük ve Erişim#

Yeni veri kümeleri ve projeler Free ve Pro planlarında varsayılan olarak Herkese açık, Enterprise planında ise Gizli olur. Herkese açık kaynakları oturum açmamış ziyaretçiler de dâhil herkes görüntüleyebilir ve Explore üzerinden klonlayabilir; bir kaynağı sonradan gizli yapmak, başkalarının daha önce klonladığı kopyaları kaldırmaz. Ekip çalışma alanlarında (Pro ve Enterprise) dört rol kullanılır:

Her özel uç nokta tek bir API anahtarına bağlıdır ve anahtar değerlerini yalnızca çalışma alanının sahibi görüntüleyebilir. Bu anahtarı silmek uç noktayı kilitlemez; dağıtımı durdurmak veya silmek kilitler.

Çalışılmış Örnek: Yüklemeden Önce Anonimleştirme#

Platform yüzleri bulanıklaştırabilir: bir görüntüye sağ tıklayıp Yüzleri bulanıklaştır seçeneğini belirle (ücretsiz), Diğer işlemler üzerinden bu işlemi tüm veri kümesine uygula (1.000 görüntü başına 1,00 $) veya Yeni Veri Kümesi iletişim kutusunda bulanıklaştırmayı etkinleştir; böylece görüntüler yükleme sırasında ücretsiz olarak bulanıklaştırılır. Bu özellik plakaları, ekranları veya çevredeki kişilerin tamamını bulanıklaştırmaz ve bağlı veri kümelerinde kullanılamaz.

Diğer her şey için pikseller cihazından ayrılmadan önce anonimleştirme yap. Örneğin forklift projesinde insanlar tespit ettiğin bir sınıf değil, çevredeki kişilerdir; bu nedenle her birini tamamen bulanıklaştır:

from pathlib import Path

import cv2

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # swap in a plate or face detector for those objects
out = Path("anonymized")
out.mkdir(exist_ok=True)

for result in model.predict("https://ultralytics.com/images/bus.jpg", classes=[0], conf=0.25, verbose=False):
    img = result.orig_img
    for x1, y1, x2, y2 in result.boxes.xyxy.int().tolist():
        img[y1:y2, x1:x2] = cv2.GaussianBlur(img[y1:y2, x1:x2], (51, 51), 0)  # irreversible once saved
    cv2.imwrite(str(out / Path(result.path).name), img)
    print(f"{Path(result.path).name}: blurred {len(result.boxes)} people")

bus.jpg: blurred 4 people

• classes=[0] algılamayı insanlarla sınırlar; tüm bir toplu işlemi yürütmek için predict değerini kareler klasörüne yönlendir.
• conf=0.25 bilinçli olarak düşüktür: gizlilik açısından fazladan bulanık bir bölge, gözden kaçan bir kişiden daha az maliyetlidir. Yine de çıktıyı örneklemeyle kontrol et; çünkü algılayıcılar küçük ve kısmen örtülmüş kişileri kaçırabilir.
• Yalnızca anonymized/ klasörünü yükle ve orijinalleri saklama politikanın belirttiği yerde tut.

Karar kuralları: İnsanlar tespit ettiğin bir sınıfsa yalnızca yüzleri bulanıklaştır (Platform aracı); tüm vücudu bulanıklaştırmak modelin öğrendiği sinyali yok eder. İnsanlar bir sınıf değilse çevredeki kişilerin tamamını bulanıklaştır. Kuralların plakaları kişisel veri sayıyorsa plakaları maskele; AB ve Kaliforniya'da genellikle böyle kabul edilir. Yalnızca sayılar veya uyarılar tesis dışına çıkabiliyorsa çıkarımı uçta çalıştır ve kareler yerine meta veri gönder.

Saklama ve Silme#

Erişim talepleri için Ayarlar > Profil bölümündeki Tüm Verileri Dışa Aktar seçeneği, meta verilerinin (profil, veri kümeleri, projeler, modeller, etkinlik) bulunduğu bir JSON dosyası oluşturur; görüntüler veya ağırlıklar bu dosyaya dâhil değildir.

Lansman Öncesi Uyumluluk Kontrol Listesi#

1. Müşteri ortamından neler çıkıyor? Kareler, tahminler yoksa yalnızca toplu veriler mi?
2. Hangi veri bölgesi ve hangi dağıtım bölgeleri? Her biri sözleşme koşullarını karşılıyor mu?
3. Tüm hassas veri kümeleri ve projeler Gizli mi? Daha önce oluşturulmuş herkese açık klonları kontrol et.
4. Gereken yerlerde yüzler bulanıklaştırılıyor ve plakalar maskeleniyor mu? Bulanıklaştırma işleminin gözden kaçırdıklarını kim örneklemeyle kontrol ediyor?
5. Bu müşterinin verileriyle eğitim yapmana izin var mı? Yoksa verileri ayrı bir çalışma alanında tut.
6. Talep edildiğinde bir müşterinin görüntülerini nasıl silersin? Veri kümelerini ve Çöp Kutusu adımını belirt.
7. Kim hangi role sahip ve dağıtım API anahtarları kimde?

Ultralytics, ISO/IEC 27001:2022 ve SOC 2 Type I uyumluluğu dâhil olmak üzere güvenlik duruşunu güvenlik sayfasında yayımlar. Düzenlemeye tabi dağıtımları uyumluluk incelemesini yapan bir kişiye onaylat.

Yaygın Hatalar#