SSD Nodes Learn Hosting plans →
Rehberler Matt ConnorYazan Matt Connor · Güncellendi 2026-11-10

Self-hosted yapay zeka görsel oluşturucu donanım rehberi

Stable Diffusion ve SDXL modellerini kendi sunucunuzda çalıştırmak için gereken gerçek donanım gereksinimleri. CPU VPS limitleri, VRAM ihtiyaçları ve ComfyUI kurulumu.

Self-hosted bir yapay zeka görsel oluşturucunun gerçek ihtiyaçları

Self-hosted bir yapay zeka görsel oluşturucu, bir web uygulaması ve bir model dosyasından oluşur. Uygulama ComfyUI'dır ve herhangi bir Linux sunucusunda çalışır. Donanım gereksinimlerini belirleyen ise modeldir. SDXL sınıfı bir checkpoint, 6.94 GB boyutunda tek bir dosyadır ve GPU belleğinde tutulması gerekir. Bu tek gerçek, tüm bütçeyi belirler; bu nedenle herhangi bir kiralama yapmadan önce aşağıdaki donanım kademesini inceleyin.

Dürüst bir özet: Sadece CPU içeren bir VPS, yazılımı kurup çalıştırabilir ve eski bir Stable Diffusion 1.5 modeliyle 512x512 boyutunda görseller üretebilir. Bu kılavuzun Ekim 2026 tahmini, görsel başına bir veya iki dakika, 1024x1024 boyutunda SDXL için ise on ila yirmi dakika arasındaydı. Bu süreler güncel donanımlarda yeniden doğrulanmamıştır. Bu, bozuk bir kurulum değildir. Bu sadece aritmetiktir ve bu kılavuz bunu açıklamaktadır.

Model boyutu makine seçimini neden belirler

Görsel oluşturma süreci bir gürültü giderme (denoising) döngüsü çalıştırır. 30 adımlık bir render işlemi, gürültü gidericiyi ve SDXL modeline ait UNet yapısını görsel üzerinde 30 kez çalıştırır; her geçişte tüm UNet ağırlıkları okunur. İki metin kodlayıcı döngüden önce bir kez, VAE ise döngüden sonra bir kez çalışır; dolayısıyla bunlar adım başına düşen maliyetin bir parçası değildir. SDXL UNet yapısı yarı hassasiyette (half precision) 5,14 GB ağırlığa sahiptir; bu basitleştirilmiş bakış açısıyla 30 adımlık bir render işlemi, siz görseli görmeden önce yaklaşık 154 GB ağırlığı bellekten geçirir ve ara tensörler bunun üzerine ek yük bindirir.

24 GB video belleğine (VRAM, grafik çipinin yanına lehimlenmiş bellek) sahip bir GPU, saniyede yüzlerce gigabayt hızla okuma yapar ve 6,9 GB'lık modelin tamamını aynı anda belleğinde tutabilir. Bir CPU VPS ise sistem RAM'ini saniyede onlarca gigabayt hızla okur. Hız farkı sadece bellek kapasitesine değil, CPU ve GPU'nun kendisine bağlıdır. Bu, metin modellerini de yöneten aynı bellek bant genişliği argümanıdır ve GPU'lu bir VPS'in maliyetine değdiği durumlar ile birlikte okunmalıdır.

Görsel oluşturma, metin oluşturmadan önemli bir noktada ayrılır. Bir sohbet modeli token'ları akış halinde sunduğu için yavaş bir makine bile kullanılabilir hissettirir; çünkü siz okurken kelimeler belirmeye devam eder. Bir görsel ise ancak son adım tamamlandığında ortaya çıkar. Yavaşlık, bir ilerleme çubuğuna bakıp beklemek anlamına gelir.

Donanım merdiveni ve gerçek sayılar

Aşağıdaki blok, bu kılavuzun 1024x1024 çözünürlükte, 30 adımda ve Euler örnekleyici ile bir adet SDXL görseli için Temmuz 2026 tahminlerini içermektedir. Bu tarihsel süreler güncel donanım üzerinde yeniden doğrulanmamıştır. Bunları büyüklük mertebesi olarak değerlendirin. Örnekleyiciniz, adım sayınız ve çözünürlüğünüz bu süreleri değiştirecektir.

GrafikOne SDXL image, 1024x1024, 30 steps (typical, July 2026)
Bu grafiğin arkasındaki veriler
[
  {
    "label": "8 vCPU VPS, no GPU",
    "seconds_per_image": 780
  },
  {
    "label": "8GB VRAM GPU",
    "seconds_per_image": 32
  },
  {
    "label": "12GB VRAM GPU",
    "seconds_per_image": 18
  },
  {
    "label": "24GB VRAM GPU",
    "seconds_per_image": 9
  }
]

CPU satırı 780 saniyedir, yani yaklaşık on üç dakika. 24 GB kart ise 9 saniyedir. Satın aldığınız fark budur.

Merdiveni şu şekilde okuyun. 8 GB VRAM'in altında SDXL hala çalışır, çünkü ComfyUI VRAM ve sistem RAM'ini birlikte yönetir ve model ağırlıklarını otomatik olarak boşaltır. Ekim 2026 itibarıyla, projenin README dosyası, asenkron ağırlık akışı kullanarak 4 GB VRAM ve 8 GB sistem RAM'i kadar düşük değerlerle modellerin çalıştırılabileceğini belirtmektedir. Daha fazla VRAM; ControlNet, refiner ve upscaling işlemleri için boşaltma yapmadan alan sağlar; iş akışı ne kadarının sığacağını belirler. Eğitim süreci bundan daha azına sığar: kohya-ss sd-scripts eğitmeni için hazırlanan SDXL eğitim kılavuzu, LoRA eğitiminin 8 GB GPU belleği ile yapılabileceğini, 10 GB önerildiğini belirtir. Bu seviyeye ulaşmak için sadece U-Net'i eğitmeniz, gradient checkpointing özelliğini açmanız, text encoder çıktılarını ve latent'leri önbelleğe almanız, 8-bit optimizer veya Adafactor kullanmanız ve 8 GB kart üzerinde LoRA dim değerini 4 ile 8 arasına düşürmeniz önerilir. Bu betikleri sarmalayan kohya_ss arayüzü için hazırlanan LoRA kılavuzu daha temkinlidir: LoRA eğitimi için en az 12 GB belleğe sahip bir GPU kullanılmasını tavsiye eder.

Bir CPU VPS'in yapabilecekleri ve yapamayacakları

Bir CPU VPS, insanların beklediğinden fazlasını, ancak pazarlama söylemlerinin ima ettiğinden daha azını yapabilir. Sınırları net bir şekilde belirlemek gerekir.

Bir CPU VPS, GPU olmaksızın ComfyUI kurabilir, web arayüzünü sunabilir, model kütüphanenizi barındırabilir, kuyruğu yönetebilir ve görsel oluşturabilir. Stable Diffusion 1.5 ile 512x512 çözünürlükte ve 20 adımda, bu kılavuzun Ekim 2026 tahmini, 16 GB RAM'e sahip 8 modern vCPU üzerinde görsel başına yaklaşık 60 ila 150 saniye arasındadır. Gece boyunca çalışan toplu işler veya bir kuyruk arkasındaki düşük hacimli görsel uç noktaları için bu süre oldukça kabul edilebilirdir.

CPU VPS, etkileşimli çalışmalar için uygun değildir. İstemi yinelemek, saatte yirmi render almak anlamına gelir; ancak on üç dakikalık tarihsel tahminle bu sayı dörde düşer. Eğitim süreçleri için mutlaka bir GPU kullanın.

Sadece CPU kullanılan senaryolarda bellek kuralı, GPU kuralından farklıdır. Ağırlıklar sistem RAM'ine yüklendiği için modelin kendisi ve çalışma alanı için bütçe ayırmanız gerekir; SDXL için 16 GB ve SD 1.5 için 8 GB, kesin gereksinimler değil, planlama bütçeleridir. 4 GB'lık bir sunucuda bellek tükenebilir, ancak yalnızca RAM kapasitesi, Linux'un süreci ne zaman veya neden sonlandıracağını belirlemez. Swap alanı, bellek limitleri ve tahsis politikası önemlidir. Overcommit modu 2 kullanıldığında, Linux genellikle bellek sayfalarına erişildiğinde süreci öldürmek yerine, commit limitini aşan tahsis taleplerini reddeder.

GPU sunucusuna ComfyUI kurulumu

Aşağıdaki komutlar yukarı akış (upstream) kaynaklıdır. İşleme, NVIDIA sürücüsü halihazırda yüklü olan temiz bir Ubuntu 24.04 kurulumu ile başlayın. İlk olarak sürücüyü doğrulayın; bu kontrol yapılmadığında sonraki tüm hatalar birbirine benzer görünür.

nvidia-smi

Bu komut, ekran kartınızı ve bir CUDA sürümünü içeren bir tablo çıktısı vermelidir. command not found veya NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver hatası, sürücünün eksik olduğunu veya çekirdek modülünün bir yükseltme sonrası yüklenemediğini gösterir. Devam etmeden önce bu sorunu giderin; çünkü ComfyUI'nin varsayılan NVIDIA yolu, çalışan bir CUDA aygıtı olmadan başarısız olur; CPU üzerinde çalıştırma ise --cpu gerektirir. Aşağıdaki CUDA 13.0 paketleri, 580 serisi veya daha yeni bir NVIDIA sürücüsü gerektirir.

sudo apt update
sudo apt install -y git python3-venv python3-pip wget
git clone https://github.com/comfyanonymous/ComfyUI.git
cd ComfyUI
python3 -m venv venv
. venv/bin/activate
pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu130
pip install -r requirements.txt

Sanal ortam kullanımı isteğe bağlı bir tavsiye değildir. PyTorch geniş bir bağımlılık ağacına sahiptir ve bunu başka servislerin çalıştığı bir sunucuda sistem geneline kurmak, diğer servislerin bozulmasına yol açar. İlerlemeden önce PyTorch'un kartı görüp görmediğini doğrulayın.

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

True çıktısı ve kartınızın adı, yığının çalıştığını gösterir. CUDA kullanılamıyorsa, bu komut kart adını sorguladığında bir hata döndürür. CUDA paketlerini yeniden yüklemeden önce sürücüyü, GPU görünürlüğünü ve yüklü PyTorch sürümünü kontrol edin.

Bir model edinin ve disk planlaması yapın

ComfyUI herhangi bir ağırlık dosyasıyla birlikte gelmez. Checkpoint dosyaları models/checkpoints dizinine, VAE dosyaları models/vae dizinine ve LoRA adaptörleri models/loras dizinine yerleştirilmelidir.

cd ~/ComfyUI/models/checkpoints
wget https://huggingface.co/stabilityai/stable-diffusion-xl-base-1.0/resolve/main/sd_xl_base_1.0.safetensors

Her zaman .ckpt yerine .safetensors formatını tercih edin. Pickle tabanlı bir checkpoint, kısıtlanmamış bir yükleyici aracılığıyla kod çalıştırabilir; güncel ComfyUI bu dosyalar için PyTorch'un kısıtlı weights_only=True yükleyicisini kullanır. Safetensors formatı ise tensörleri, pickle'ın kod yürütme mekanizması olmadan depolar.

Depolama alanı, kullanıcıların genellikle göz ardı ettiği bir maliyettir. Bir adet SDXL temel checkpoint dosyası 6.94 GB boyutundadır. Refiner modeli ise ek 6 GB yer kaplar. Bir SDXL ControlNet modeli, küçük Canny modeli için 320 MB'tan, tam sürüm yarı hassasiyetli model için 2.5 GB'a kadar değişen boyutlara sahiptir. Bir upscaler modeli küçüktür: standart Real-ESRGAN x4plus modeli 67 MB, anime modeli 17.9 MB ve anime video modeli 2.5 MB'tır. Bir LoRA dosyasının boyutu, onlarca megabayttan ByteDance'in Hyper-SDXL adaptörleri için 787 MB'a kadar çıkabilir. Bu işi seven herkes, bir hafta içinde ikinci ve üçüncü bir temel model indirir. Çalışan bir kurulum için 100 GB disk alanı ayırın ve çıktı dizinini de takip edin: PNG boyutu görsel içeriğine ve meta verilere bağlıdır; denetimsiz bir toplu işlem, küçük bir diski sessizce doldurabilir. models/ ve output/ dizinlerini genişletebileceğiniz bir birime yerleştirin ve iş akışı JSON dosyalarınızı nesne depolama alanına şifreli artımlı yedekleme gibi bir yöntemle yedekleyin. Ağırlık dosyaları tekrar indirilebilir, ancak üzerinde ince ayar yaptığınız iş akışları indirilemez.

Çalıştırın ve güvenli bir şekilde erişin

cd ~/ComfyUI
. venv/bin/activate
python main.py --listen 127.0.0.1 --port 8188

ComfyUI, 8188 numaralı port üzerinden hizmet verir. Yalnızca CPU kullanılan bir sunucuda, eksik bir CUDA aygıtı nedeniyle hata almamak için --cpu bayrağını ekleyin.

Sunucuyu 127.0.0.1 adresine bağlayın, 0.0.0.0 adresine değil. ComfyUI artık hesap desteğine sahip olsa da, bu hesapların hiçbiri sunucunuzu kilitlemez. Ayarlar altındaki Kullanıcı bölümünden yapılan giriş, sizi bir Comfy hesabına bağlar ve yerel kurulumda çalışır: Comfy belgeleri e-posta, Google, GitHub ve API anahtarı ile girişi listeler. Belgeler, bu hesabı iş ortağı düğümlerine ve Comfy Cloud aboneliklerine erişiminiz olarak tanımlar; hiçbir yerde sunucunuzu parola ile korumanın bir yolu olarak sunmaz. --multi-user bayrağı yalnızca kullanıcı bazlı depolamayı etkinleştirir: Ekim 2026 itibarıyla sunucu, kullanıcı kimliğini bir comfy-user istek başlığından alır ve herhangi bir parola denetimi yapmaz. Porta erişebilen herkes iş kuyruğuna ekleme yapabilir ve oluşturulan görselleri alabilir. --enable-manager ile özel düğüm (custom-node) kurulumu, Manager güvenlik ayarlarına bağlı olarak sunucunuzda kod çalıştırır. Mevcut Manager varsayılanları, rastgele Git URL'lerini ve bağımsız pip kurulumlarını reddeder; bunları etkinleştirmek açık bayraklar ve bir loopback dinleyicisi gerektirir. Kayıtlı düğüm kurulumu, kendi normal güvenlik politikası kapsamında kullanılabilir durumdadır. Bunun yerine dizüstü bilgisayarınızdan bir SSH tüneli aracılığıyla erişim sağlayın.

ssh -N -L 8188:127.0.0.1:8188 you@your-server

Ardından yerel makinenizde http://127.0.0.1:8188 adresini açın. Gerçek bir çok kullanıcılı erişime ihtiyacınız varsa, uygulamanın önüne kimlik doğrulama özellikli bir reverse proxy yerleştirin ve uygulamayı localhost üzerinde dinlemeye devam ettirin. Aynı mantık, kimlik doğrulaması olmayan tüm self-hosted servisler için geçerlidir ve bu, VPS üzerinde Docker Compose dağıtımları için standart yöntemdir.

systemd altında çalışır durumda tutma

SSH oturumunuz kapandığında sonlanan bir işleme kuyruğu, bir servis değildir. Bunu, giriş yetkisi olmayan bir comfy kullanıcısı ile çalıştırın; kendi kullanıcı hesabınızla çalıştırmayın. Özel düğümler koddur ve bu kodun ev dizininize erişimi olmamalıdır. Kullanıcıyı oluşturun ve kurulumu onun ev dizinine taşıyın:

sudo useradd --system --create-home --home-dir /home/comfy --shell /usr/sbin/nologin comfy
sudo mv ~/ComfyUI /home/comfy/
sudo chown -R comfy:comfy /home/comfy/ComfyUI

Taşıma işleminden sonra sanal ortamı yeniden oluşturun, çünkü yüklü betikler eski konumlarına dair mutlak yollar içerir.

sudo -u comfy python3 -m venv --clear /home/comfy/ComfyUI/venv
sudo -u comfy /home/comfy/ComfyUI/venv/bin/python -m pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/cu130
sudo -u comfy /home/comfy/ComfyUI/venv/bin/python -m pip install -r /home/comfy/ComfyUI/requirements.txt

Ardından /etc/systemd/system/comfyui.service dosyasını yazın.

[Unit]
Description=ComfyUI
After=network-online.target

[Service]
User=comfy
WorkingDirectory=/home/comfy/ComfyUI
ExecStart=/home/comfy/ComfyUI/venv/bin/python main.py --listen 127.0.0.1 --port 8188
Restart=on-failure
RestartSec=5

[Install]
WantedBy=multi-user.target
sudo systemctl daemon-reload
sudo systemctl enable --now comfyui
systemctl status comfyui

active (running) komutu ve To see the GUI go to: http://127.0.0.1:8188 ifadesini içeren bir günlük kaydı, servisin çalıştığı anlamına gelir. ExecStart ifadesinin sanal ortam içindeki yorumlayıcıyı doğrudan belirttiğine dikkat edin; çünkü systemd kabuk profilinizi çalıştırmaz ve activate hiçbir zaman gerçekleşmez.

Bütçeye göre pragmatik öneri

Görsel oluşturmayı denemek istiyorsanız ve hızdan ziyade maliyet önemliyse, 16 GB RAM'e sahip bir CPU VPS kiralayın, SD 1.5 üzerinde 512x512 çözünürlükte çalıştırın ve iş yüküne karar vermeden önce render sürenizi ölçün. Karar verme sürecinde model kütüphanesini ve iş akışlarını barındırmak için de en uygun yer burasıdır.

Eğer günlük olarak istemler (prompt) üzerinde yineleme yapıyorsanız, bir GPU bulut sağlayıcısından saatlik olarak en az 12 GB VRAM'e sahip bir GPU kiralayın ve işiniz bittiğinde kapatın. Görsel oluşturma ani ve yoğun bir iştir; aylık faturalandırılan boşta bir GPU, insanların bu alanda en çok bütçe aşımı yaptığı durumdur. Kontrol noktalarını (checkpoint) ucuz blok depolama birimlerinde tutun ve gerektiğinde mount edin.

Eğer başkalarına hizmet veriyorsanız veya düzenli olarak LoRA adaptörleri eğitiyorsanız, 24 GB VRAM'e sahip ve sürekli açık tutacağınız bir makine planlayın. sd-scripts SDXL kılavuzu, bellek tasarrufu ayarları kullanılarak LoRA eğitiminin 8 GB ile yapılabileceğini, 10 GB'ın önerildiğini belirtirken, kohya_ss GUI'nin LoRA kılavuzu en az 12 GB talep etmektedir. Kılavuz ayrıca 24 GB ile batch size 1 değerinde SDXL ince ayarını (fine-tuning) tanımlamakta; U-Net tabanlı eğitim, gradient checkpointing, önbelleğe alınmış metin kodlayıcı çıktıları ve latent değerleri ile Adafactor kullanımını önermektedir. Bu, tüm modeli eğitmek için evrensel bir bellek gereksinimi değil, koşullu bir yapılandırmadır. Bu noktada aynı makine genellikle yerel bir dil modeli çalıştırarak da maliyetini karşılar; bu kurulum Ollama ile LLM self-hosting bölümünde açıklanmıştır.

Hangi seviyeyi seçerseniz seçin, yayınlanan herhangi bir veriye inanmadan önce kendi makinenizi ölçün. Aynı istemi beş kez sıraya alın ve ComfyUI konsolunda yazan saniye/iterasyon değerini okuyun. O sayı, sizin gerçek performans seviyenizdir.

FAQ

Stable Diffusion'ı GPU olmadan çalıştırabilir miyim?

Evet. ComfyUI, python main.py --cpu ile çalışır ve grafik kartı olmadan gerçek görüntüler oluşturur. Bu kılavuzun Ekim 2026 tahminlerine göre, 8 modern vCPU üzerinde Stable Diffusion 1.5 (512x512 çözünürlükte) için görüntü başına yaklaşık 60 ila 150 saniye, SDXL (1024x1024 çözünürlükte) için ise on ila yirmi dakika sürmektedir. Bu süreler güncel donanımlar üzerinde yeniden doğrulanmamıştır. Bu yöntem, gece boyunca yapılan toplu işlemler ve düşük hacimli uç noktalar için uygundur. İstemi yinelemek ve eğitim yapmak için bir GPU kullanın.

SDXL için ne kadar VRAM gerekir?

ComfyUI, model ağırlıklarını otomatik olarak sistem RAM'ine aktarır; bu nedenle VRAM kapasitesi tek başına her SDXL iş akışı için sabit bir minimum değer belirlemez. Ekim 2026 itibarıyla, README dosyası, asenkron ağırlık akışı kullanarak 4 GB VRAM ve 8 GB sistem RAM'i ile modellerin çalıştırılabileceğini belirtmektedir. ControlNet, refiner ve upscaling işlemleri bellek bütçesini artırır. kohya-ss sd-scripts kılavuzu, bellek tasarrufu sağlayan ayarlar kullanıldığında SDXL LoRA eğitiminin 8 GB ile yapılabileceğini (10 GB önerilir) belirtirken, kohya_ss GUI'nin LoRA kılavuzu en az 12 GB talep etmektedir. sd-scripts kılavuzu, 24 GB ile 1 batch size değerinde ince ayar (fine-tuning) yapmayı tanımlamakta; U-Net tabanlı eğitim, gradient checkpointing, önbelleğe alınmış text-encoder çıktıları ve latents ile Adafactor kullanımını önermektedir. Bu, tam model eğitimi için evrensel bir 24 GB gereksinimi oluşturmaz.

Modeller ne kadar disk alanına ihtiyaç duyar?

SDXL temel checkpoint dosyası tek başına 6.94 GB'tır ve refiner yaklaşık 6 GB daha ekler. SDXL ControlNet modelleri yarım hassasiyette (half precision) 320 MB ile 2.5 GB arasında, LoRA adaptörleri onlarca megabayttan 787 MB'a kadar ve Real-ESRGAN upscaler modelleri 2.5 MB ile 67 MB arasında değişir. Birkaç temel model içeren çalışan bir kurulum için 100 GB alan ayırın ve çıktı dizinini ayrı olarak izleyin; çünkü PNG boyutu görüntü içeriğine ve meta verilere bağlıdır.

ComfyUI'ı genel internete açmak güvenli midir?

Hayır. ComfyUI ayarlarındaki Comfy hesap girişi yerel kurulumda çalışır, ancak bu size Comfy'nin iş ortağı düğümlerine ve bulut aboneliklerine erişim sağlar; Comfy belgelerinde bunun sunucunuz için bir koruma sağladığına dair bir ifade yoktur. --multi-user bayrağı, herhangi bir parola denetimi yapmadan yalnızca kullanıcı bazlı depolamayı ayırır. ComfyUI-Manager etkinleştirildiğinde, izin verilen özel düğüm kurulumları sunucunuzda Python kodu çalıştırır. Manager'ın güvenlik ayarları kurulum yollarını kısıtlar ancak ComfyUI'a erişimi doğrulamaz. Servisi 127.0.0.1 adresine bağlayın, ssh -N -L 8188:127.0.0.1:8188 you@your-server ile bir SSH tüneli üzerinden erişin ve birden fazla kişinin erişmesi gerekiyorsa önüne kimlik doğrulama yapan bir reverse proxy yerleştirin.

Render işlemim neden hata mesajı vermeden sonlandırıldı?

Killed ile aniden kaybolan ve Python hata izi (traceback) bırakmayan bir süreç, tek başına bellek yetersizliği (OOM) nedeniyle sonlandırıldığını kanıtlamaz. dmesg dosyasını veya çekirdek günlüklerini (kernel journal) kontrol ederek süreci adlandıran bir OOM raporu olup olmadığına bakın. Yalnızca CPU kullanılan bir sistemde ağırlıklar sistem RAM'inde tutulur, ancak gereken bellek miktarı modele, hassasiyete, çözünürlüğe ve iş akışına bağlıdır. RAM kapasitesi, swap alanı, bellek limitleri ve overcommit politikası, bir bellek tahsisinin başarısız olup olmayacağını veya sürecin sonlandırılıp sonlandırılmayacağını belirler. Overcommit modu 2 ile Linux, genellikle bir sayfaya erişildiğinde süreci sonlandırmak yerine tahsis hataları döndürür. Günlükler bellek tükenmesini doğruluyorsa, RAM ekleyin, swap ve bellek limitlerini gözden geçirin veya daha küçük bir modele ve daha düşük bir çözünürlüğe geçin.

Bu yazı işinize yaradı mı?