Ekran Kartlı VPS: GPU Sunucu Seçim Rehberi

Ekran kartlı VPS, işlemci tabanlı sanal sunucuya GPU kaynağı eklenmiş bir hizmettir; böylece aynı makinede hem genel amaçlı iş yükleri hem de paralel hesaplama görevleri yürütülebilir. GPU'nun sunduğu eşzamanlı çekirdek sayısı, matris çarpımı gibi işlemleri CPU'ya göre çok daha kısa sürede tamamlar. Bu yazıda GPU sunucu türlerini, CUDA ve VRAM gibi seçim ölçütlerini, sanal ile fiziksel arasındaki farkı ve hangi iş yükünde hangi seçeneğin uygun olduğunu örneklerle ele alıyoruz.

Ekran kartlı VPS nedir ve ne işe yarar?

Ekran kartlı VPS (sanal özel sunucu), bir hipervizör katmanı üzerinde çalışan sanal makineye GPU'nun belirli bir bölümünün tahsis edildiği barındırma modelidir. Sanal makine işletim sistemini, sürücüleri ve kütüphaneleri kendisi barındırır; GPU ise PCI geçişi (passthrough) veya sanal GPU (vGPU) teknolojisiyle bu makineye bağlanır. Kullanıcı tarafında fark, nvidia-smi çıktısında görünen kart modeli ve ayrılan VRAM miktarıdır.

Bu model özellikle değişken yüklerde anlamlıdır: model eğitimi sürekli yüksek GPU kullanımı gerektirirken, çıkarım (inference) ve toplu görüntü işleme dalgalı bir profil çizer. Sanal GPU, kullanılmayan dönemlerde maliyeti düşürür ve dakikalar içinde ölçeklenebilir. Sabit ve yoğun GPU ihtiyacı olan senaryolarda ise kartı tek başına kullandıran ekran kartlı fiziksel sunucu seçeneği daha tutarlı sonuç verir.

GPU'nun ne zaman gerekli olduğunu ayırt etmek önemlidir. Sıralı işlem yapan web uygulamaları, veritabanları ve dosya sunucuları için GPU gereksizdir; bu işler tipik olarak CPU çekirdek hızına ve disk gecikmesine bağlıdır. Paralel matris işlemleri, sinir ağı katmanları ve video kodlama (NVENC) ise GPU'dan belirgin kazanç sağlar. İş yükünüz bu ikinci grupta değilse, GPU yerine yüksek tek çekirdek performansına yatırım yapmak daha akılcıdır.

GPU sunucu türleri: sanal mı, fiziksel mi seçilmeli?

Karar, iş yükünün sürekliliğine ve karta ne kadar ihtiyaç duyduğuna bağlıdır. Sanal GPU paylaşımlıdır; komşu makinelerin yükü gecikmeyi etkileyebilir. Fiziksel GPU sunucuda kart yalnızca sizin kullanımınıza ayrılır, sürücü ve sürüm seçimi tamamen sizde olur. Aşağıdaki tablo iki modeli ölçüt bazında karşılaştırır.

Karar kuralları netleştirilebilir: model eğitimini günlerce kesintisiz sürdürecekseniz, çok kartlı ölçekleme veya NVLink benzeri kartlar arası bant genişliği gerekiyorsa fiziksel GPU sunucu seçin. Prototip geliştirme, API tabanlı çıkarım, toplu görüntü işleme veya kısa süreli denemeler yapacaksanız sanal GPU yeterlidir ve maliyeti düşürür. İki ihtiyacı birlikte taşıyorsanız geliştirmeyi sanal GPU'da yapıp üretimi fiziksel karta taşımak yaygın bir yaklaşımdır.

Sanal makinenin CPU tarafı da GPU'yu besler: veri ön işleme, veri yükleme (data loader) ve denetim mantığı CPU'da çalışır. Bu nedenle GPU paketinde Ryzen sanal sunucu gibi yüksek tek çekirdek performansı sunan bir taban, veri hazırlığı darboğazını azaltır. Salt GPU gücüne bakıp CPU ve disk hızını ihmal etmek, eğitim döngülerinde beklenmedik yavaşlamalara yol açar.

GPU seçimi nasıl yapılır? VRAM, CUDA ve bant genişliği ölçütleri

GPU seçiminde ilk belirleyici VRAM'dir; çünkü model ağırlıkları ve ara aktivasyonlar bu bellekte tutulur. Bellek yetmezse eğitim ya hiç başlamaz ya da parçalı (gradient checkpointing, offloading) yöntemlere düşerek yavaşlar. İkinci ölçüt, kartın desteklediği hesaplama yeteneği (compute capability) sürümüdür: kullandığınız kütüphane sürümü bu eşiğin altındaki kartları desteklemeyebilir.

CUDA, NVIDIA'nın GPU üzerinde genel amaçlı hesaplama yapmayı sağlayan paralel hesaplama platformudur. PyTorch ve TensorFlow gibi çatılar CUDA üzerinden çalışır; bu nedenle kurulumda sürücü sürümü, CUDA araç seti ve çatı sürümü uyumlu olmalıdır. Sürücü eskiyse torch.cuda.is_available() çağrısı False döner ve iş yükü sessizce CPU'ya düşer; bu, en sık yapılan hatalardan biridir.

Seçim yaparken şu sırayı izlemek pratik sonuç verir:

1. Modelinizin VRAM ihtiyacını ölçün; parametre sayısı ve parti boyutu (batch size) ile çarpıp üstüne ara aktivasyon payı ekleyin.
2. Kütüphanelerinizin gerektirdiği en düşük CUDA sürümünü ve hesaplama yeteneğini not edin.
3. Bellek bant genişliğini karşılaştırın; büyük modellerde bellek bant genişliği, ham çekirdek sayısından daha belirleyici olabilir.
4. Sağlayıcının sunduğu sürücü sürümünü ve yükseltme politikasını sorun.
5. Kısa bir yük testiyle gerçek gecikmeyi ölçün; kâğıt üstündeki rakamlar paylaşımlı ortamda farklı çıkabilir.

Kurulum sonrası doğrulama için şu komutlar yeterlidir:

nvidia-smi
python -c "import torch; print(torch.cuda.is_available(), torch.cuda.get_device_name(0))"

İlk komut kart modelini, sürücü sürümünü ve ayrılan VRAM'i gösterir. İkinci komut ise çatının GPU'yu gerçekten gördüğünü doğrular. Bu iki çıktıyı kaydetmek, ileride performans düşüşü yaşadığınızda karşılaştırma yapmanızı sağlar.

Ekran kartlı sanal sunucu kiralama adımları

Kiralama süreci, ihtiyaç analiziyle başlar ve doğrulama testiyle biter. Amaç, iş yükünüzü karşılayan en küçük yapılandırmayı seçip gerektiğinde büyütmektir. Aşağıdaki adımlar bu sırayı izler.

1. İş yükü profilini yazın: eğitim mi, çıkarım mı, render mı; sürekli mi, dönemsel mi.
2. Gereken VRAM ve CUDA sürümünü belirleyin; kütüphane sürümlerinizi listeleyin.
3. Sanal ve fiziksel GPU arasında seçim yapın; süreklilik ve kart denetimi gerekiyorsa fiziksele yönelin.
4. CPU, RAM ve NVMe disk boyutunu GPU ile dengeli seçin; veri kümeniz diske sığmalı.
5. Kurulum sonrası nvidia-smi ve çatı testiyle doğrulayın, ardından gerçek veriyle kısa bir ölçüm yapın.

Kurulum süresi ve yönetim kolaylığı, sanal tarafta belirgin avantajdır. BalHost'un sanal sunucularında kurulum yaklaşık 5 dakikada tamamlanır, tam root erişimi verilir ve 7/24 destek sağlanır; %99,98 uptime taahhüdü vardır. GPU gerektiren iş yükleri için GPU sunucu paketleri bu taban üzerinde ekran kartı erişimi sunar. Fiyatlar yapılandırmaya göre değiştiği için güncel fiyatlar için hizmet sayfasına bakmanız gerekir.

Burada sık yapılan bir hata, yalnızca GPU'ya bakıp disk hızını ihmal etmektir. Veri kümeniz NVMe yerine yavaş bir diskte duruyorsa, GPU her parti (batch) öncesi veri bekler ve kullanım oranı düşer. Benzer şekilde RAM yetersizliği, veri yükleyicinin sürekli diskten okuma yapmasına neden olur. GPU kullanım oranını nvidia-smi ile izleyip sürekli düşük görüyorsanız, darboğaz büyük olasılıkla GPU dışındadır.

Hangi iş yükü için hangi GPU sunucu uygundur?

Yapay zekâ eğitimi, en yoğun GPU profiline sahiptir; kart saatlerce yüksek kullanımda kalır ve kesinti maliyetlidir. Bu nedenle uzun eğitim işlerinde fiziksel GPU sunucu veya kartı tek başına kullandıran yapılandırmalar tercih edilir. Çıkarım (inference) ise genellikle daha az VRAM ve daha kısa süreli yüksek kullanım gerektirir; sanal GPU burada maliyet açısından avantajlıdır.

Render ve video işleme, GPU'nun kodlama birimlerinden (NVENC/NVDEC) yararlanır ve paralel kare işleme sayesinde CPU'ya göre belirgin hızlanma sağlar. Bilimsel hesaplama ve simülasyon, çift duyarlıklı (double precision) performans gerektirebilir; bu durumda kart seçimi doğrudan işin süresini belirler. Oyun sunucusu gibi işler ise tipik olarak GPU gerektirmez; bu senaryoda oyun sunucusu için sanal sunucu seçimi CPU ve ağ ölçütlerine göre yapılır.

Pratik bir örnek: Görüntü sınıflandırma modelini geliştiren bir ekip, prototipi sanal GPU üzerinde çalıştırıp veri hattını olgunlaştırdıktan sonra üretim eğitimini fiziksel GPU sunucuya taşır. Böylece geliştirme aşamasında düşük maliyetle hızlı deneme yapılır, üretimde ise kesintisiz ve öngörülebilir performans elde edilir. Aynı yaklaşım, mevsimsel yoğunluk yaşayan render işleri için de geçerlidir.

Sık Sorulan Sorular

Ekran kartlı VPS ile fiziksel GPU sunucu arasındaki fark nedir?

Sanal GPU, tek bir kartın birden fazla sanal makine arasında paylaşıldığı modeldir; kaynak komşu yüke göre dalgalanabilir ve sürücü sürümü sağlayıcıya bağlıdır. Fiziksel GPU sunucuda kart yalnızca size ayrılır, sürücü ve CUDA sürümü üzerinde tam denetim olur. Uzun süreli eğitim ve sürekli render işlerinde fiziksel, prototip ve dalgalı çıkarım yüklerinde sanal model daha uygun maliyetlidir.

GPU sunucu kiralamak mı, satın almak mı daha mantıklı?

Donanım hızla yenilendiği için kiralama, sermaye harcamasını düşürür ve kartı yükseltmeyi kolaylaştırır. Yoğun ama dönemsel GPU ihtiyacı olan ekipler için kiralama genellikle daha esnektir. Yedi gün 24 saat kesintisiz ve yıllara yayılan bir ihtiyaç varsa, toplam sahip olma maliyeti hesaplanarak satın alma değerlendirilebilir; bu kararda elektrik, soğutma ve bakım giderleri de hesaba katılmalıdır.

Ekran kartlı VDS sunucu hangi durumlarda tercih edilmelidir?

Sanal GPU yeterli olduğunda, yani model prototipi geliştirilirken, API tabanlı çıkarım çalıştırılırken veya toplu görüntü işleme gibi dalgalı yüklerde kullanılır. Kurulumun dakikalar içinde tamamlanması ve tam root erişimi, deneme yapmayı kolaylaştırır. GPU'yu sürekli ve tek başına kullanmanız gerekiyorsa sanal yerine fiziksel seçenek değerlendirilmelidir.

GPU sunucu fiyatlarını belirleyen temel etkenler nelerdir?

Kart modeli ve VRAM kapasitesi, ayrılan CPU çekirdeği, RAM miktarı ve NVMe disk boyutu fiyatı belirleyen başlıca etkenlerdir. Sanal ve fiziksel model arasındaki seçim de maliyeti doğrudan etkiler; paylaşımlı GPU genellikle daha düşük başlangıç maliyeti sunar. Fiyatlar yapılandırmaya ve dönemsel koşullara göre değiştiği için güncel fiyatlar için hizmet sayfasına bakılmalıdır.

GPU sunucuda CUDA sürüm uyumsuzluğu nasıl çözülür?

Önce nvidia-smi ile sürücünün desteklediği en yüksek CUDA sürümünü görün, ardından çatınızın (PyTorch, TensorFlow) gerektirdiği sürümle karşılaştırın. Uyumsuzluk varsa sürücüyü güncelleyin veya çatının uyumlu derlemesini kurun. Sanal GPU'da sürücü sağlayıcıya ait olabileceği için yükseltme talebini destek ekibine iletmek gerekebilir.

Sonuç

Ekran kartlı VPS, GPU kaynağını sanal bir makineye taşıyarak yapay zekâ çıkarımı, render ve paralel hesaplama işlerini CPU tabanlı sunuculara göre hızlandırır. Doğru karar; VRAM ihtiyacı, CUDA uyumu, iş yükünün sürekliliği ve CPU-disk dengesi ölçütlerinin birlikte değerlendirilmesiyle verilir. Sanal GPU dalgalı ve kısa süreli işlerde maliyeti düşürürken, fiziksel GPU sunucu uzun ve kesintisiz eğitim süreçlerinde tutarlı performans sağlar.

Bir sonraki adımda, gerçek ihtiyacınızı listeleyip küçük bir yapılandırmayla ölçüm yapmanız önerilir. BalHost'un İstanbul veri merkezinde sunduğu ekran kartlı sunucu paketlerini inceleyerek iş yükünüze uygun GPU yapılandırmasını seçebilir, kurulumu yaklaşık 5 dakikada tamamlayıp testlerinize başlayabilirsiniz.