Ekran Kartlı Sunucu Kiralarken Bakılacak 7 Özellik

Ekran kartlı sunucu seçerken iş yükünüzün ihtiyaç duyduğu grafik işlem gücünü, video belleği kapasitesini ve sunucu bileşenleri arasındaki veri yolu mimarisini doğru belirlemeniz gerekir. Yanlış donanım seçimi bütçenizi zorlarken yetersiz sistem başarımına yol açar. Projenizin ihtiyaç duyduğu hesaplama gücünü sağlamak adına doğru ekran kartlı sunucu kiralama kararını vermek için donanım özelliklerini dikkatle incelemelisiniz.

Kısa cevap:

• Yapay zeka çıkarımı, 3D işleme veya video dönüştürme için bağımsız bellekli ayrık ekran kartlarını seçin.
• Düşük bütçeli görsel otomasyonlar, bot yönetimi ve uzak masaüstü için tümleşik (APU) sistemleri tercih edin.
• Bellek yetersizliğini engellemek için çalıştıracağınız model ve veri kümesine uygun VRAM miktarını belirleyin.
• Darboğazı önlemek adına işlemci saat hızını, RAM kapasitesini ve NVMe disk hızlarını dengeli tutun.

Ekran kartlı sunucu kimler için gerekli?

Standart sunucu donanımları merkezi işlem birimi (CPU) mimarisi üzerine kurulur. İşlemciler karmaşık komut dizilerini sıralı biçimde yürütmek üzere az sayıda güçlü çekirdekle tasarlanmıştır. İşlemciler çok çekirdek ve SIMD komutlarıyla paralel hesaplama yapabilse de, grafik işlemci gereksinimi iş yükünün yapısına ve hedeflenen başarım düzeyine bağlıdır. Ekran kartları (GPU) ise SIMD veya SIMT grupları halinde çalışan paralel yürütme birimleriyle ortak komutları çok sayıda veri üzerinde eşzamanlı işleterek hesaplamaları tamamlar. Bu yapısal avantaj, grafik hızlandırma ve matris matematiği gerektiren projelerde özel donanımları temel gereksinim haline getirir.

Yapay zeka çıkarımı (AI inference) ve model çalıştırma süreçlerini yürüten yazılımcılar bu altyapıyı yoğun biçimde kullanır. Büyük dil modelleri, görüntü üretim sistemleri ve ses algoritmaları doğrudan matris çarpımlarına dayanır. Klasik bir sunucu işlemcisinde uzun süren çıkarım adımları, paralel işlem çekirdeklerine sahip grafik kartlarında iş yüküne ve kullanılan yazılım altyapısına bağlı olarak çok daha kısa sürede tamamlanabilir. Mobil platform testleri, Android tabanlı uygulama otomasyonları ve çoklu hesap yönetimi yürüten ekipler de grafik donanımına ihtiyaç duyar. Sanallaştırma katmanlarında grafik donanımı bulunmadığında emülatörler arayüz çizimlerini işlemciye yaptırır ve bu durum kaynak tüketimini artırır. Dengeli bir çalışma ortamı kurmak adına GPU VDS'te Android emülatörü çalıştırma rehberimizde anlatılan doğrudan donanım yapılandırma adımlarını uygulayabilirsiniz. Projenizin büyüklüğüne göre bağımsız bir fiziksel sunucu ile sanallaştırılmış ortamlar arasında karar vermeden önce ekran kartlı VDS nedir kimler için mantıklı başlıklı incelememize göz atabilirsiniz.

Entegre (APU) ve ayrık ekran kartı farkı

Sunucu çözümlerinde grafik hızlandırma temelde iki ayrı mimariyle sunulur: Tümleşik grafik birimi içeren hızlandırılmış işlem üniteleri (APU) ve anakarta PCI Express veri yoluyla harici bağlanan bağımsız (ayrık) ekran kartları. Bu iki seçeneğin donanım mimarisi ve işlem profilleri birbirinden ayrılır. Sunucu seçerken iş yükünüzün harici bir grafik kartı mı yoksa işlemciye gömülü bir grafik yongası mı gerektirdiğini belirlemek kaynak yönetiminde kritik bir basamaktır.

Hızlandırılmış işlem üniteleri (APU), merkezi işlemci (CPU) ile grafik işlemcisini (GPU) aynı yongada birleştiren işlemcilerdir. AMD Ryzen tabanlı sunucularda yaygın olan bu yöntemde ekran kartına özel harici bir bellek bulunmaz. Grafik çekirdekleri ihtiyaç duyduğu belleği ana sistem belleğinden (RAM) ortaklaşa karşılar. Sistem belleğinin bant genişliği harici grafik belleklerine göre daha kısıtlıdır; bu sebeple yoğun tensör hesaplamalarında sınırlarla karşılaşılır. Ancak arayüz hızlandırma, uzak masaüstü akıcılığı ve hafif video dönüştürme işlerinde APU sistemler maliyet avantajı sağlayan pratik bir çözüm oluşturur. Paylaşımlı mimari harici donanıma gerek kalmadan temel görsel gereksinimleri karşılar.

Ayrık ekran kartları ise bağımsız bir baskılı devre kartı, özel soğutma tertibatı ve doğrudan grafik yongasına bağlı yüksek hızlı video belleği (VRAM) modüllerine sahiptir. Örneğin AMD Radeon RX 6700 XT gibi ayrık bir donanım, ana sistem bellek veri yolunu meşgul etmeden yüksek veri aktarım hızına ulaşır. Paralel hesaplama, derin öğrenme algoritmaları ve yüksek poligonlu modellemeler doğrudan bu ayrık mimarinin sunduğu geniş veri bant genişliğini talep eder. Ayrık kartlar harici güç beslemesi ve geniş soğutma blokları sayesinde uzun süreli tam yük altında sıcaklık ve güç sınırları dahilinde dengeli çalışmayı sürdürmeyi hedefler.

Özellik	Tümleşik Grafik Birimi (APU)	Ayrık Ekran Kartı (Örn: RX 6700 XT)
Bellek Mimarisi	Sistem RAM'inden paylaşımlı	Özel yüksek hızlı GDDR6 VRAM
Bellek Bant Genişliği	Kısıtlı (DDR4/DDR5 veri yolu)	Yüksek (Geniş veri yolu)
İşlem Çekirdeği	Sınırlı sayıda tümleşik çekirdek	Binlerce bağımsız akış işlemcisi
Kullanım Amacı	Otomasyon, uzak masaüstü, hafif test	Yapay zeka, 3D işleme, video kodlama
Maliyet Yapısı	Düşük bütçeli başlangıç seviyesi	Orta ve kurumsal iş yükü seviyesi

VRAM: 12 GB hangi işlere yeter?

Grafik kartı kiralamalarında yapılan temel hatalardan biri, yalnızca grafik işlemcisinin model numarasına odaklanıp video belleği (VRAM) boyutunu göz ardı etmektir. Bir yapay zeka modelinin veya render sahnesinin GPU üzerinde hızlıca işlenebilmesi için model ağırlıkları ve çalışma belleğinin VRAM içerisine alınması gerekir; veri kümelerinin tamamının sığması gerekmez, veriler parçalar veya mini yığınlar halinde işlenebilir. Bellek kapasitesi aşıldığında uygun bir bellek yönetimi veya offload desteği yoksa işlem bellek yetersizliği hatasıyla durabilir; veri sistem belleğine taşınabilse bile bu durum işlem gecikmelerini belirgin şekilde artırır. Bellek taşması oluştuğunda paralel hesaplama çekirdekleri veri beklemek zorunda kalarak boşta kalır.

Fiziksel sunucularda öne çıkan 12 GB GDDR6 VRAM kapasitesi, orta ve ileri seviye pek çok hesaplama yükü için geniş bir çalışma alanı sunar. Görsel üretim alanında çalışanlar için 12 GB bellek, modern difüzyon modellerini rahatça çalıştırmaya olanak tanır. Sunucunuzda GPU sunucuda Stable Diffusion ComfyUI kurulumu yaparak SD 1.5 modellerini yüksek çözünürlükte, SDXL mimarilerini ise bellek optimizasyonlarıyla verimli biçimde işleyebilirsiniz. Kontrol ağları (ControlNet) ve LoRA ağırlıkları aynı anda yüklendiğinde; çözünürlük, toplu işlem boyutu ve yazılım ek yükü uygun şekilde dengelendiğinde 12 GB sınırları içerisinde görsel üretim süreçleri yürütülebilir.

Büyük dil modelleri (LLM) tarafında ise 12 GB VRAM, kuantize edilmiş yani sıkıştırılmış modeller için son derece elverişlidir. 7 milyar (7B) ve 8 milyar (8B) parametreli modeller 4-bit (GGUF, AWQ) veya 8-bit biçimlerinde temel ağırlıklarıyla 12 GB bellek havuzuna sığabilse de bağlam uzunluğu, KV önbelleği, eşzamanlı istekler ve çalışma altyapısının ek bellek yükü nedeniyle bu sınır aşılabilir. Llama 3 veya Mistral tabanlı modelleri sistem RAM'ine aktarmadan doğrudan grafik kartı üzerinde tutarak yüksek belirteç üretim hızlarına erişebilirsiniz. Bu kapasite kurumsal metin özetleme, kod tamamlama ve akıllı destek sistemleri için elverişli bir çalışma alanı sağlar. Modelin tamamının video belleğinde tutulması yanıt gecikmelerini düşük seviyede tutar.

İşlemci, RAM ve NVMe disk dengesi

Sunucu başarımında ekran kartı tek başına yeterli bir donanım bileşeni değildir. Güçlü bir grafik işlemci, zayıf bir ana işlemci veya yavaş bir depolama ünitesiyle eşleştirildiğinde veri darboğazı (bottleneck) ortaya çıkar. Ekran kartının tam kapasiteyle çalışabilmesi için verinin diskten okunması, sistem belleğine alınması, işlemci tarafından hazırlanması ve grafik kartına aktarılması döngüsünün kesintisiz ilerlemesi gerekir. Parçalardan birinin yavaş kalması diğer bileşenlerin başarım potansiyelini kısıtlar.

İşlemci seçiminde tek çekirdek saat hızları ve önbellek boyutları belirleyici rol üstlenir. Yapay zeka çıkarımı öncesindeki veri hazırlığı, metin parçalama, görsel ön işleme ve dosya dönüştürme adımları doğrudan merkezi işlemci üzerinde tamamlanır. AMD Ryzen mimarisine sahip yüksek frekanslı işlemciler, ekran kartına veri yetiştirme konusunda başarılı sonuçlar üretir. Çoklu sanal ortam veya emülatör bölüştürmeyi planlıyorsanız genel sistem yapılandırma ilkelerini anlamak için Türkiye'de VDS satın alma rehberi içeriğimizdeki kaynak dağılımı başlıklarını inceleyebilirsiniz.

Sistem belleği tarafında evrensel bir RAM ve VRAM oranı bulunmaz. Sistem belleği gereksinimi çalıştırılacak uygulamaya, model yükleme yöntemine, CPU'ya aktarılan verilere ve eşzamanlı iş yüklerine göre belirlenmelidir. Model ağırlıkları diskten okunduğunda öncelikle sistem RAM'ine yüklenir, buradan grafik kartının belleğine kopyalanır. Yetersiz sistem belleği işletim sisteminin takas alanını kullanmasına ve hızın belirgin biçimde düşmesine yol açar. Yüksek kapasiteli bellek modellerin RAM üzerinde kalmasını sağlayarak sürekli diskten okunmasını engeller.

Depolama tarafında ise standart sürücüler yerine NVMe SSD mimarisi tercih edilmelidir. Onlarca gigabayt büyüklüğündeki veri setlerini ve model dosyalarını kısa sürede belleğe aktarmak için NVMe disklerin sunduğu yüksek okuma hızları gerekir.

AMD ekran kartında yazılım uyumluluğu

Fiziksel sunucu kiralamalarında AMD mimarili donanımlar (örneğin RX 6700 XT veya APU birimleri) tercih edildiğinde, yazılım katmanının bu donanımla haberleşme protokollerini doğru kurmak gerekir. AMD donanımlarında yapay zeka ve paralel hesaplama iş yükleri için temel çatı ROCm (Radeon Open Compute) platformudur. PyTorch, TensorFlow ve ONNX Runtime gibi yaygın kütüphaneler ROCm platformunu destekler. Linux dağıtımlarında ROCm sürücüleri tercih edilirken donanım modeli, işletim sistemi ve kütüphane sürümlerinin resmî uyumluluk listeleri doğrulanmalıdır. Kurulumun ardından sistem çekirdeği ekran kartını tanır. Sunucunun ekran kartını hesaplama amacıyla tanıdığını doğrulamak için şu uçbirim komutu çalıştırılabilir:

rocminfo | grep "Marketing Name"

Windows işletim sistemi kurulu sunucularda ise Microsoft DirectML ve AMD AMF (Advanced Media Framework) kütüphaneleri devreye girer. DirectML, donanımdan bağımsız bir makine öğrenimi arayüzü sunarak AMD kartlar üzerinde Stable Diffusion veya dil modeli çıkarımlarını DirectX 12 altyapısıyla yürütür. Video tarafında ise FFmpeg gibi yazılımlar AMF motorunu çağırarak video kodlama işlemlerini donanıma devreder:

ffmpeg -hwaccel amf -i girdi.mp4 -c:v h264_amf cikti.mp4

Kullanacağınız yazılım kütüphaneleri özel olarak CUDA bağımlılığı gerektirmiyorsa, ROCm ve DirectML destekli modern çatılar AMD kartlar üzerinde dengeli bir geliştirme ortamı sunar.

Veri merkezi konumu ve bağlantı

Ekran kartlı sunucular çoğunlukla uzaktan masaüstü oturumları, canlı etkileşimler ve yüksek hacimli dosya aktarımları için kullanılır. Bu doğrultuda sunucunun fiziksel olarak barındığı veri merkezinin coğrafi konumu ve ağ altyapısının niteliği kullanıcı deneyimini doğrudan etkiler. Grafik arayüz içeren oturumlarda ağ gecikmesi doğrudan çalışma akışına yansır. Ağ üzerindeki paket kayıpları görsel akışın bozulmasına veya komut tepkilerinin gecikmesine neden olabilir.

Gecikme süresi kullanıcının bağlantı kalitesine, operatör yönlendirmelerine ve ağ yoğunluğuna bağlı olsa da sunucunun Türkiye sınırları içinde barındırılması yerel kullanıcılar için erişim süresini (ping) azaltabilir. Yurt dışı lokasyonlu sunucularda uzak masaüstü bağlantısı (RDP) kullanırken fare hareketlerinde ve pencere geçişlerinde oluşan gecikmeler yerel veri merkezlerinde alt seviyelere iner.

Sipariş öncesi kontrol listesi

İhtiyacınıza uygun sunucu paketini seçerken donanım ve yazılım katmanlarını aşağıdaki adımlarla kontrol edin:

1. İş Yükü Sınıflandırması: Temel web otomasyonları ve botlar için APU; yapay zeka, render ve video işleme için ayrık ekran kartlı donanımı seçin.
2. VRAM Boyutunun Doğrulanması: Çalıştırılacak modellerin parametre büyüklüğünü ve kuantize değerlerini kartın bellek sınırıyla karşılaştırın.
3. RAM ve İşlemci Desteği: Uygulama gereksinimlerine, veri aktarım yöntemine ve eşzamanlı işlere uygun sistem RAM'i ile yüksek tek çekirdek saat hızlı işlemci tercih edin.
4. Hızlı Depolama Seçimi: Ağırlıkların ve veri setlerinin hızlı okunabilmesi için sistemde NVMe SSD bulunduğundan emin olun.
5. Kütüphane Desteği: Kullanılacak yazılımların ROCm, DirectML veya AMF uyumluluğunu geliştirici belgelerinden inceleyin.
6. Uzaktan Donanım Yönetimi: Sunucuda işletim sisteminden bağımsız BIOS erişimi ve yeniden başlatma imkanı sunan IPMI desteğini teyit edin.

Projenizin teknik gereksinimlerini belirledikten sonra donanım yapılandırmanızı seçmek üzere Büyükweb fiziksel GPU sunucu çözümleri sayfasındaki güncel seçenekleri inceleyebilirsiniz. İş yükünüze uygun bellek ve işlemci dengesini belirledikten sonra teslimat ve yapılandırma süreçlerine bağlı olarak sunucunuzu devreye alabilirsiniz.

Sık Sorulan Sorular

Ekran kartlı sunucu ile normal sunucu arasındaki fark nedir?

Normal sunucular merkezi işlemci mimarisine odaklanırken, ekran kartlı sunucular paralel hesaplama yürüten grafik işlemciler barındırır. Bu donanımlar yapay zeka çıkarımı, üç boyutlu modelleme ve video dönüştürme gibi binlerce matematiksel işlemi aynı anda yürüten süreçlerde standart işlemcilere kıyasla yüksek hesaplama verimliliği sağlar.

12 GB VRAM yapay zeka modelleri için yeterli midir?

12 GB VRAM kapasitesi, 7B ve 8B parametreli modellerin 4-bit ve 8-bit kuantize ağırlıklarını barındırabilse de fiili yeterlilik bağlam uzunluğu, KV önbelleği, eşzamanlı istekler ve altyapının ek bellek tüketimine göre değişir. Ayrıca Stable Diffusion 1.5 modellerini yüksek çözünürlükte, SDXL mimarisini ise optimizasyon ayarlarıyla çalıştırabilir. Devasa modellerin sıfırdan eğitimi için ise daha yüksek kapasiteler gerekir.

APU sunucular hangi iş yükleri için uygundur?

APU sunucular, harici ekran kartı maliyetine girmeden grafik arayüz desteği arayan projeler için uygundur. Bot otomasyonları, hafif tarayıcı testleri, uzak masaüstü yönetimi ve düşük çözünürlüklü video dönüştürme işleri paylaşımlı sistem belleği kullanan bu tümleşik işlemciler üzerinden bütçe dostu biçimde yürütülebilir.

AMD ekran kartlı sunucularda CUDA yazılımları çalışır mı?

NVIDIA tarafından geliştirilen CUDA mimarisi AMD kartlarda doğrudan yerel olarak çalışmaz. Ancak AMD ROCm platformu sayesinde PyTorch ve TensorFlow gibi kütüphaneler AMD kartlara uyarlanabilir. Ayrıca Windows üzerinde DirectML desteği sunan yazılımlar donanım üreticisi farkı gözetmeksizin AMD kartlarda kararlı biçimde çalışır.