VPS üzerinde Ollama mı llama.cpp mi kullanılmalı?

Ollama ve llama.cpp: hangi katmanı çalıştırmak istiyorsunuz?

Ollama ve llama.cpp, sorunun ima ettiği anlamda birbirinin rakibi değildir. llama.cpp bir çıkarım (inference) motorudur: bir model dosyasını yükler ve istemi (prompt) belirteçlere (token) dönüştürür. Ollama ise bu motorun üzerinde çalışan bir model yöneticisi, arka plan servisi (daemon) ve HTTP API'sidir. Ollama'nın README dosyası, 2 Ağustos 2026 itibarıyla llama.cpp'yi hala çıkarım altyapısı olarak listelemektedir. Dolayısıyla asıl soru hangisinin daha hızlı olduğu değil, VPS üzerinde hangi katmanla işlem yapmak istediğinizdir.

Modelleri ismine göre getiren ve müdahale gerektirmeden çalışmaya devam eden bir servis istediğinizde Ollama'yı çalıştırın. Sunucunuz küçükse ve tam model dosyasını, tam bağlam (context) boyutunu ve tam iş parçacığı (thread) sayısını seçmeniz gerekiyorsa llama.cpp'yi doğrudan çalıştırın; çünkü küçük bir VPS üzerinde bu ayarların her biri, sahip olmadığınız bellekten harcar.

Her projenin gerçekte ne olduğu

llama.cpp, ggml kütüphanesi üzerine inşa edilmiş bir transformer çıkarım (inference) C ve C++ uygulamasıdır. GGUF dosyalarını okur. GGUF (GGML universal file format), modelin çalışması için gereken ağırlıkları, belirteçleyiciyi (tokeniser) ve meta verileri tutan tek dosyalık bir kapsayıcıdır. Proje, farklı işler için ayrı ikili dosyalar sunar. llama-server bir HTTP sunucusudur, llama-cli etkileşimli bir komut satırı arayüzüdür ve llama-bench iş hacmini (throughput) ölçer. Sürümler, anlamsal sürümleme yerine derleme numarası ile etiketlenir. Mevcut etiket, 2 Ağustos 2026 tarihinde yayınlanan b10224 sürümüdür ve çoğu iş gününde yeni bir etiket yayınlanır.

Ollama bir Go programıdır. ollama serve ile başlatılan bir arka plan servisi (daemon), modelleri yükler ve HTTP isteklerini yanıtlar; bir komut satırı istemcisi ise bu servis ile iletişim kurar. Her ikisinin arkasında, önceden paketlenmiş modelleri barındıran ollama.com adresindeki bir kayıt defteri bulunur. Ollama anlamsal sürümleme kullanır ve v0.32.5 sürümü 27 Temmuz 2026 tarihinde yayınlanmıştır. ollama pull, bir GGUF dosyasını bir istem şablonu ve varsayılan parametre setiyle birlikte getirir, ardından Linux üzerinde /usr/share/ollama/.ollama/models dizininde saklar.

Bu paketleme yöntemi, aradaki temel farktır. Ollama; nicemleme (quantisation), şablon ve bağlam uzunluğu (context length) kararlarını sizin yerinize verir ve hatırlamanız gereken tek bir isim sunar. llama.cpp ise hiçbir şeye karar vermez ve size kullanmanız için bayraklar (flags) sunar.

Eksen 1: model ve nicemleme kontrolü

Nicemleme (quantisation), her ağırlığı 16 veya 32 bitten 4, 5 veya 8 bite düşürür. 8 milyar parametreli bir modelin sıradan bir VPS'in RAM'ine sığmasını sağlayan budur. GGUF isimlendirme düzeni anlaşıldığında okunabilir hale gelir: Q4_K_M, 4-bit K-nicemleme ve orta boyutu ifade eder. Daha yüksek bir sayı daha fazla hassasiyet korur ancak daha fazla bellek tüketir.

[
  {
    "label": "Q2_K",
    "file_size_gib": 2.96
  },
  {
    "label": "Q3_K_M",
    "file_size_gib": 3.74
  },
  {
    "label": "Q4_K_M",
    "file_size_gib": 4.58
  },
  {
    "label": "Q5_K_M",
    "file_size_gib": 5.34
  },
  {
    "label": "Q6_K",
    "file_size_gib": 6.14
  },
  {
    "label": "Q8_0",
    "file_size_gib": 7.95
  }
]

Bunlar, 2 Ağustos 2026 tarihinde Hugging Face üzerindeki bartowski/Meta-Llama-3.1-8B-Instruct-GGUF deposunda yayınlanan ve bayttan GiB'a dönüştürülen dosya boyutlarıdır. Tek bir modelin 6 adet derlemesi mevcuttur; en küçüğü 2.96 GiB iken en büyüğü 7.95 GiB'dır. Yaygın varsayılan olan Q4_K_M ise 4.58 GiB'dır. 4 GiB'lık bir VPS üzerinde bu tek seçim, modelin yüklenip yüklenemeyeceğini belirler.

llama.cpp ile dosyayı siz isimlendirirsiniz, dolayısıyla ilgili satırı kendiniz seçersiniz.

llama-server -m ~/models/Meta-Llama-3.1-8B-Instruct-Q4_K_M.gguf \
  -c 4096 -t 4 --host 127.0.0.1 --port 8080

-c token cinsinden bağlam boyutudur, -t iş parçacığı sayısıdır ve -ngl kaç katmanın GPU'ya aktarılacağını belirler (sadece CPU olan bir sunucuda 0 olmalıdır). Sizin yerinize hiçbir şey tahmin edilmez.

Ollama ile nicemleme, çektiğiniz etiketle birlikte gelir ve ollama ls diskte fiilen neye sahip olduğunuzu gösterir. Kayıt defterinde istediğiniz derleme bulunmuyorsa, bir GGUF dosyasını kendiniz içe aktarın. Bir Modelfile oluşturun:

FROM ./Meta-Llama-3.1-8B-Instruct-Q4_K_M.gguf
PARAMETER num_ctx 4096

Ardından bunu derleyin ve sonucu kontrol edin:

ollama create llama31-q4 -f ./Modelfile
ollama ls

Bağlam uzunluğu, kullanıcıların sıklıkla hata yaptığı ayardır. Ollama varsayılan değerini mevcut VRAM'e göre seçer ve GPU'su olmayan bir sunucu en küçük kategoriye düşer: 4096 token. Sisteme 20.000 tokenlik bir belge gönderdiğinizde, fazladan tokenler model tarafından görülmeden önce atılır; bu nedenle model, sadece yarısını okuduğu bir dosya hakkında kendinden emin bir şekilde yanlış cevap verir. Bu değeri daemon üzerinde OLLAMA_CONTEXT_LENGTH ile veya bir Modelfile içerisinde PARAMETER num_ctx ile artırın. llama.cpp'nin de güvenilir bir varsayılan değeri yoktur. -c değerini açıkça ayarlayın ve neyi yapılandırdığınızdan emin olun.

Kimsenin göstermediği bellek aritmetiği

Model dosyası maliyetin tamamı değildir. KV cache (anahtar/değer önbelleği), bağlamın her bir token'ı için katman başına bir girdi tutar ve konuşma uzadıkça bu miktar artar.

Bunu Llama 3.1 8B için hesaplayalım. Model 32 katmana, 8 anahtar/değer başlığına ve 128'lik başlık boyutuna sahiptir. Her token, f16 formatında 2'şer bayttan hem anahtar hem de değer saklar; yani katman başına 2 x 8 x 128 x 2 = 4096 bayt. 32 katman boyunca bu, token başına 128 KiB eder. Dolayısıyla 4096 token'lık bir bağlam 512 MiB, 32.768 token'lık bir bağlam ise 4 GiB maliyet oluşturur.

Bu durumda, 4k bağlamlı bir Q4_K_M 8B model, ağırlıklar için yaklaşık 4.58 GiB, artı yaklaşık 0.5 GiB önbellek ve çalışma zamanının kendisini gerektirir. Bu model 4 GiB RAM'e sığmaz. 8 GiB RAM'e ise çalışma payı ile birlikte sığar. Aynı 8 GiB'lık sistemde bağlamı 32k'ya çıkarırsanız, sadece önbellek tüm boş alanı tüketir. Model yüklendiği sırada free -h ile canlı olarak izleyin ve ölçmediğiniz hiçbir tahmine güvenmeyin. 8B'den çok daha büyük modeller için boyutlandırma yapıyorsanız, sadece CPU kullanılan bir VPS üzerinde 27B model için yapılan aynı aritmetik, 8 GB'tan 64 GB'a kadar her kademenin gerçekte neyi barındırdığını gösterir.

Ollama bu durumu katlar. OLLAMA_NUM_PARALLEL varsayılan olarak 1 değerindedir ve bir modelin ihtiyaç duyduğu bellek, bu sayı ile bağlam uzunluğunun çarpımı oranında ölçeklenir. İkisini aynı anda artırırsanız, daemon sessizce beklediğinizden birkaç kat daha fazla RAM talep eder. Aynı aritmetik, eşzamanlı kullanıcılar için üst sınırınızı belirler; çünkü her eşzamanlı istek kendi KV cache dilimini ister, bu da tek kişi için sorunsuz çalışan bir sunucunun neden beş kişide tıkandığının sebebidir.

Eksen 2: yönetmeniz gereken daemon

Ollama kurulum betiği bir systemd birimi yazar, bir ollama sistem kullanıcısı oluşturur ve servisi etkinleştirir. Bunların hiçbirini yazmanıza gerek kalmadan yaşam döngüsü yönetimine sahip olursunuz. Yapılandırma systemd üzerinden gerçekleştirilir:

sudo systemctl edit ollama

[Service]
Environment="OLLAMA_CONTEXT_LENGTH=8192"
Environment="OLLAMA_KEEP_ALIVE=30m"

sudo systemctl daemon-reload
sudo systemctl restart ollama
journalctl -e -u ollama

OLLAMA_KEEP_ALIVE, bir CPU VPS üzerinde her yerden daha fazla önem taşır. Modeller varsayılan olarak 5 dakika boyunca bellekte tutulur ve ardından bellekten boşaltılır. Bir sonraki istek, yanıt verebilmek için tüm dosyayı diskten tekrar okumak zorundadır; bu nedenle 4.58 GiB boyutunda bir yeniden yükleme, yavaş depolama birimlerinde iki saniyelik bir yanıtı otuz saniyeye çıkarır. Uzun bir keep-alive süresi gecikmeyi düzeltir ve RAM'i kalıcı olarak kullanır. Her ikisi de gerçek maliyetlerdir. Hangisinin daha az zarar verdiğini seçin.

llama.cpp size bir daemon sunmaz, bu nedenle birimi /etc/systemd/system/llama-server.service olarak kendiniz yazarsınız:

[Unit]
Description=llama.cpp server
After=network-online.target

[Service]
ExecStart=/usr/local/bin/llama-server -m /srv/models/model-Q4_K_M.gguf -c 4096 -t 4 --host 127.0.0.1 --port 8080
Restart=always
RestartSec=3
User=llama

[Install]
WantedBy=multi-user.target

sudo systemctl enable --now llama-server ile etkinleştirin. Süreç, modeli tüm yaşam döngüsü boyunca bellekte tutar. Boşta kaldığında hiçbir şey bellekten boşaltılmaz; bu da yeniden yükleme sürprizi yaşanmayacağı ve servisi durdurmak dışında belleği geri kazanmanın bir yolu olmadığı anlamına gelir. Birim yazmak sizin için yeni bir konuysa, bu durum kendi servislerinizi bir VPS üzerinde systemd ile çalıştırma ile aynı kalıptır.

Eksen 3: Uygulamanızın iletişim kuracağı API

Bu eksen oldukça daraldı. Her iki proje de artık OpenAI sohbet formatını desteklediğinden, çoğu istemci kütüphanesi yalnızca temel URL değişikliği ile her iki projeyle de çalışabilmektedir.

Ollama, 127.0.0.1:11434 adresinde dinleme yapar. OpenAI uyumlu rotası http://localhost:11434/v1/chat/completions olup, bunun yanında /api/chat adresinde yerel API'sini korumaya devam eder. Anthropic uyumlu bir rota da belgelenmiştir.

curl -X POST http://localhost:11434/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{"model": "llama31-q4", "messages": [{"role": "user", "content": "Say this is a test"}]}'

llama-server, 127.0.0.1:8080 adresinde dinleme yapar ve /v1/chat/completions, /v1/completions ve /v1/embeddings servislerinin yanı sıra kendi /completion uç noktasını ve yerleşik bir web arayüzünü sunar. Ayrıca Ollama'nın sunmadığı operasyonel rotaları da dışa açar: hazır olma durumu kontrolü için /health, yüklü modelin ayarları için /props, her bir istek yuvasının ne yaptığına dair /slots ve Prometheus formatında /metrics. Eğer bu servisi izlemeyi planlıyorsanız, kararınızı muhtemelen bu fark belirleyecektir.

Her iki sunucu da sizin yerinize kimlik doğrulamasını etkinleştirmez. Her ikisi de güvenlik gerekçesiyle varsayılan olarak loopback adresini kullanır. Bu servislere bir SSH tüneli üzerinden veya bir reverse proxy arkasından erişin; 11434 veya 8080 portlarını asla internete açmayın.

Sadece CPU içeren bir VPS'in gerçek kapasitesi

Sadece CPU içeren bir VPS, küçük modelleri yavaş çalıştırır. Dürüst özet budur; faydalı olan kısım ise sınırın nerede olduğunu bilmektir. Herhangi bir tasarım yapmadan önce ölçüm yapın:

llama-bench -m ~/models/Meta-Llama-3.1-8B-Instruct-Q4_K_M.gguf -p 512 -n 128

pp sütunu istem işleme hızını, tg sütunu ise saniyedeki token cinsinden token üretim hızını gösterir. Paylaşımlı bir vCPU planında, Q4_K_M formatındaki 8B bir model, tg için genellikle düşük tek haneli değerler verir. İstem işleme kısmı en sorunlu olanıdır: tüm istem, ilk çıktı token'ı görünmeden önce işlenir; bu nedenle uzun bir sistem istemi, her istekte bekleme süresini artırır.

CPU üzerinde kullanılabilir olanlar: sınıflandırma, veri çıkarma, kısa özetleme veya yönlendirme yapan 1B ile 4B arası modeller. Yanıtlar saniyeler içinde gelir ve bellek miktarı standart bir plana sığar. CPU üzerinde kullanılamayacak olanlar: okuma hızında etkileşimli sohbet, kodlama asistanları, uzun doküman çalışmaları veya arka arkaya birçok çağrı yapan bir ajan döngüsü içeren işlemler. Her biri dört saniye süren on iki çağrılık bir döngü, herhangi bir çıktı üretmeden önce bir dakika sürer. Eğer planınız bir kodlama asistanı ise, bir ajanı kendi barındırdığınız bir modele yönlendirmek, küçük bir yerel modelin hangi işlerde gerçekten başarılı olduğunu ve hangilerinin barındırılan bir API üzerinde kalması gerektiğini belirler.

Rakamlar beklentiyi karşılamadığında iki çıkış yolu vardır. Sorun eşzamanlılık ise, yani birçok kullanıcı aynı anda tek bir modele erişiyorsa, motor tercihi değişir ve Ollama ile vLLM'in eşzamanlı sunum karşılaştırması bu konuyu ele alır. Sorun ham hız ise, çözüm GPU içeren bir VPS kullanmaktır; burada -ngl bir anlam ifade etmeye başlar. Her ikisinden önce donanım için bir temel performans ölçümü yapın; çünkü disk ve bellek bant genişliği, yükleme süresini CPU kadar etkiler. Tekrarlanabilir bir VPS benchmark testi için ayıracağınız bir saate değer.

llama.cpp kurulumu ve belirli bir sürüme sabitleme

Her iki proje de haftalık olarak güncellendiği için dağıtımını yaptığınız sürümü not edin. Yukarı akış (upstream) tek satırlık komutu mevcut sürümü kurar:

curl -LsSf https://llama.app/install.sh | sh
llama serve -hf ggml-org/Qwen3.5-0.8B-GGUF

Belirli bir sürümü sabitlemek için bunun yerine releases sayfasından önceden derlenmiş tarball dosyasını alın. 2 Ağustos 2026 itibarıyla b10224 sürümü güncel etikettir:

curl -LO https://github.com/ggml-org/llama.cpp/releases/download/b10224/llama-b10224-bin-ubuntu-x64.tar.gz
tar xf llama-b10224-bin-ubuntu-x64.tar.gz
find . -type f -name 'llama-server'

Veya aynı etiketi kaynak koddan derleyin:

sudo apt update && sudo apt install -y build-essential cmake git libssl-dev
git clone https://github.com/ggml-org/llama.cpp
cd llama.cpp
git checkout b10224
cmake -B build
cmake --build build --config Release -j $(nproc)

libssl-dev, HTTPS özellikleri için belgelenmiş bağımlılıktır. Derleme işlemi birkaç dakika sürer ve en küçük planların sunduğundan daha fazla RAM gerektirir; bu nedenle küçük sunucunuzda bellek yetersiz kalırsa daha büyük bir makinede derleme yapıp ikili dosyaları (binaries) kopyalayın.

Ollama kurulumu ve belirli bir sürüme sabitleme

curl -fsSL https://ollama.com/install.sh | OLLAMA_VERSION=0.32.5 sh
ollama -v

Betik OLLAMA_VERSION dosyasını okur; bu sayede güncel sürümü otomatik almak yerine, bilinen ve kararlı bir sürümü sabitleyebilirsiniz. v0.32.5 sürümü 27 Temmuz 2026 tarihinde yayınlanmıştır. Bir betiği doğrudan shell ortamına yönlendirmek istemiyorsanız manuel kurulum yolu da mevcuttur:

sudo rm -rf /usr/lib/ollama
curl -fsSL https://ollama.com/download/ollama-linux-amd64.tar.zst | sudo tar x -C /usr
ollama -v

Manuel kurulum yöntemi systemd birimini veya servis kullanıcısını oluşturmaz; bu işlemleri kendiniz yapmanız gerekir. VPS üzerinde tam Ollama kurulumu rehberi, bu servis kurulumu adımını detaylıca açıklamaktadır.

Hata modları ve karşılaşacağınız dizeler

Ollama modeli yüklemeyi reddediyor. ollama run şu biçimde bir satır döndürür:

Error: model requires more system memory (5.6 GiB) than is available (3.2 GiB)

Ollama, yükleme öncesinde boyutu kontrol eder, bu nedenle işlem hızlıca başarısız olur ve nedenini belirtir. Bir alt nicemleme (quantisation) satırına geçin, bağlam uzunluğunu (context length) düşürün veya daha küçük bir model seçin.

llama.cpp başarısız olmuyor ancak çok yavaş çalışıyor. llama.cpp, GGUF dosyasını varsayılan olarak bellek eşlemeli (memory-map) kullanır, bu nedenle RAM'den daha büyük bir dosya bile çalışmaya başlar. Çekirdek (kernel), her token için ağırlıkları diskten belleğe alıp çıkarır; bu durumda üretim hızı token başına saniyelere düşer ve disk kullanımı yüzde 100'e sabitlenir. Gerçek bir ayırma (allocation) zorlamak ve performans düşüşü yerine işlemin hemen başarısız olmasını sağlamak için --no-mmap parametresini kullanın. Çekirdek müdahale ettiğinde, dmesg nedenini gösterir:

Out of memory: Killed process 1234 (llama-server)

Model dosyası hiçbir şekilde yüklenmiyor. Motorunuzdan daha yeni bir model ailesi için oluşturulmuş bir GGUF dosyası, tanımadığı mimariyi belirten bir hata verir:

error loading model architecture: unknown model architecture: 'qwen3next'

Çözüm, farklı bir dosya değil, motor yükseltmesidir. Bu, sürüm sabitlemenin (pinning) bedelidir ve yapı numarasını not etmenizin nedeni budur. Hangi sürümden yükseltme yaptığınızı bilmeniz gerekir.

API yerel olarak yanıt veriyor ancak uygulamanızdan yanıt alamıyorsunuz. Ollama, 127.0.0.1:11434 adresine bağlanır, bu nedenle başka bir ana makine "connection refused" hatası alır. OLLAMA_HOST=0.0.0.0:11434 değişkenini systemctl edit ollama üzerinden yalnızca port bir güvenlik duvarı veya özel ağın arkasındaysa ayarlayın, çünkü API'nin önünde herhangi bir kimlik doğrulama mekanizması bulunmaz.

Bir duraklamadan sonraki ilk yanıt çok yavaş. 5 dakikalık boşta kalma süresi sonunda model bellekten atılmıştır ve tekrar diskten okunuyordur. İstekten hemen önce çalıştırılan ollama ps komutu hiçbir şeyin yüklü olmadığını gösterir ve bu durumu doğrular. OLLAMA_KEEP_ALIVE değerini yükseltin.

Peki hangisini çalıştırmalısınız?

Modellerin sizin yerinize yönetilmesini ve herhangi bir ek çaba harcamadan OpenAI uyumlu bir uç nokta (endpoint) kullanmak istiyorsanız Ollama çalıştırın. İlk kurulumlar ve model tercihinin sürekli değişeceği durumlar için en uygun varsayılan seçenek budur.

Bellek kısıtlıysa ve kuantizasyon (quantisation) satırını kendiniz seçmeniz gerekiyorsa, izleme için /health, /slots ve /metrics özelliklerine ihtiyaç duyuyorsanız veya Ollama tarafından sunulmayan bir bayrağı (flag) kullanmanız gerekiyorsa llama.cpp'yi doğrudan çalıştırın. Modelin zar zor sığdığı bir VPS üzerinde en dürüst tercih budur; çünkü modelin sığmasını sağlayan ayarlar, Ollama'nın sizin adınıza seçtiği ayarlarla birebir aynıdır.

Her ikisini de çalıştırmak normal bir durumdur. Denemeler için Ollama, üretime aldığınız ve yerinden kıpırdamasını istemediğiniz tek bir model için ise llama.cpp kullanın.

FAQ

Ollama sadece llama.cpp etrafında bir sarmalayıcı (wrapper) mıdır?

Yakın, ancak sarmalayıcı gerçek işlevler sunar. Ollama'nın README dosyası, llama.cpp'yi çıkarım (inference) altyapısı olarak listeler (2 Ağustos 2026 itibarıyla kontrol edilmiştir). Ollama bunun üzerine bir model kayıt defteri, sohbet mesajlarını bir isteme (prompt) dönüştüren şablonlar, varsayılan örnekleme parametreleri, boşta kaldığında bellekten boşaltma yapan bir daemon ve bir HTTP API ekler. Aynı ayarlarda saniye başına üretilen token sayısını karşılaştırdığınızda, aslında aynı motoru kendisiyle kıyaslıyorsunuz demektir. Seçiminiz aslında yönetim katmanı üzerinedir.

Sadece CPU içeren bir VPS üzerinde hangisi daha hızlıdır?

Aynı motoru kullandıkları için; aynı model dosyası, kuantizasyon, bağlam (context) boyutu ve iş parçacığı (thread) sayısında birbirlerine yakın sonuçlar verirler. Kullanıcıların bildirdiği farklar genellikle motorun kendisinden değil, çoğunlukla bağlam uzunluğu ve iş parçacığı sayısı gibi farklı varsayılan ayarlardan kaynaklanır. Herhangi bir yayınlanmış veriye inanmadan önce, kendi sunucunuzda llama-bench -m <file> -p 512 -n 128 ile ölçüm yapın ve tg sütununu karşılaştırın.

Kendi GGUF dosyamı Ollama ile kullanabilir miyim?

Evet. Dosyayı sunucuya yükleyin, ilk satırı FROM ./your-model.gguf olan bir Modelfile dosyası oluşturun, num_ctx gibi ihtiyacınız olan tüm PARAMETER satırlarını ekleyin ve ardından ollama create your-name -f ./Modelfile komutunu çalıştırın. ollama ls, bu modeli kayıt defterinden çektiklerinizin yanında listeleyecektir. Kayıt defterinde bulunmayan bir kuantizasyon yöntemini bu şekilde kullanabilirsiniz.

8B bir model için ne kadar RAM gerekir?

Dosya boyutunu, KV önbelleğini (cache) ve çalışma zamanı gereksinimlerini hesaba katın. Llama 3.1 8B modelinin Q4_K_M sürümü diskte yaklaşık 4.58 GiB yer kaplar ve 4096 token'lık bir bağlam yaklaşık 512 MiB önbellek ekler; bu nedenle 8 GiB RAM rahat bir kullanım sağlar, 4 GiB ise yeterli değildir. Önbellek, bağlam boyutuyla birlikte ölçeklenir: aynı model 32,768 token'lık bir bağlamda tek başına yaklaşık 4 GiB önbelleğe ihtiyaç duyar. Ollama kullanırken, gereksinimin OLLAMA_NUM_PARALLEL ile de ölçeklendiğini unutmayın.