# ShieldGemma 2

## Genel Bakış

ShieldGemma 2 modeli, Google tarafından hazırlanan bir [teknik raporda](https://huggingface.co/papers/2504.01081) tanıtılmıştır. [Gemma 3](https://ai.google.dev/gemma/docs/core/model_card_3) üzerine inşa edilen ShieldGemma 2, 4 milyar (4B) parametreli bir modeldir; sentetik ve doğal görsellerin güvenliğini ana kategorilere göre kontrol ederek sağlam veri setleri ve modeller oluşturmanıza yardımcı olur. Gemma model ailesine bu eklemeyi yapan Google, araştırmacıların ve geliştiricilerin aşağıda tanımlanan ana zarar alanlarında modellerindeki zararlı içerik riskini kolayca en aza indirmesini sağlar:

- Cinsel açıdan açık içerik yok: Görsel, açık veya detaylı cinsel eylemleri (ör. pornografi, erotik çıplaklık, tecavüz veya cinsel saldırı tasvirleri) betimleyen içerikler içermemelidir.
- Tehlikeli İçerik Yok: Görsel, gerçek dünyada zarar verebilecek faaliyetleri kolaylaştıran veya teşvik eden içerikler (ör. ateşli silah ve patlayıcı cihaz yapımı, terörizmin propagandası, intihar talimatları) içermemelidir.
- Şiddet/Kanlı İçerik Yok: Görsel, şok edici, abartılı veya gereksiz şiddet tasvir eden içerikler içermemelidir (ör. aşırı kan ve ceset, hayvanlara karşı gereksiz şiddet, aşırı yaralanma veya ölüm anı).

Görsel dil modellerinde girdi filtresi olarak veya görüntü üretim sistemlerinde çıktı filtresi olarak ShieldGemma 2 kullanmanızı öneririz. Sağlam bir görüntü güvenliği modeli eğitmek için doğal ve sentetik görüntülerden oluşan eğitim veri kümeleri derledik ve güçlü bir performans sergilemek üzere Gemma 3'ü talimatla ayarladık.

Bu model [Ryan Mullins](https://huggingface.co/RyanMullins) tarafından katkıda bulunmuştur.

## Kullanım Örneği

- ShieldGemma 2, girdi olarak `images` listesini ve isteğe bağlı `policies` listesini kabul eden bir Processor sağlar ve bu iki listenin çarpımı olarak, sağlanan sohbet şablonunu kullanarak bir istem partisi oluşturur.
- ShieldGemma'nın yerleşik politikalarını, Processor'a `custom_policies` argümanını kullanarak genişletebilirsiniz. Yerleşik politikalardan birinin anahtarıyla aynı anahtarı kullanmak, o politikayı özel tanımınızla değiştirir.
- ShieldGemma 2, Gemma 3 tarafından kullanılan görüntü kırpma özelliklerini desteklemez.

### Yerleşik Politiklere Karşı Sınıflandırma

```python
import requests
from PIL import Image

from transformers import AutoProcessor, ShieldGemma2ForImageClassification

model_id = "google/shieldgemma-2-4b-it"
model = ShieldGemma2ForImageClassification.from_pretrained(model_id, device_map="auto")
processor = AutoProcessor.from_pretrained(model_id)

url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/bee.jpg"
image = Image.open(requests.get(url, stream=True).raw)

inputs = processor(images=[image], return_tensors="pt").to(model.device)

output = model(**inputs)
print(output.probabilities)
```

### Özel Politikalar Karşısında Sınıflandırma

```python
import requests
from PIL import Image

from transformers import AutoProcessor, ShieldGemma2ForImageClassification

model_id = "google/shieldgemma-2-4b-it"
model = ShieldGemma2ForImageClassification.from_pretrained(model_id, device_map="auto")
processor = AutoProcessor.from_pretrained(model_id)

url = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/bee.jpg"
image = Image.open(requests.get(url, stream=True).raw)

custom_policies = {
    "key_a": "description_a",
    "key_b": "description_b",
}

inputs = processor(
    images=[image],
    custom_policies=custom_policies,
    policies=["dangerous", "key_a", "key_b"],
    return_tensors="pt",
).to(model.device)

output = model(**inputs)
print(output.probabilities)
```

## ShieldGemma2Processor[[transformers.ShieldGemma2Processor]]

#### transformers.ShieldGemma2Processor[[transformers.ShieldGemma2Processor]]

```python
transformers.ShieldGemma2Processor(image_processor, tokenizer, chat_template = None, image_seq_length = 256, policy_definitions = None, **kwargs)
```

[Kaynak](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/shieldgemma2/processing_shieldgemma2.py#L70)

**Parametreler:**

image_processor (`Gemma3ImageProcessor`) : Görüntü işleyici zorunlu bir girdidir.

tokenizer (`GemmaTokenizer`) : Tokenizer zorunlu bir girdidir.

chat_template (`str`) : Bir sohbet içindeki mesaj listelerini tokenize edilebilir bir metne dönüştürmek için kullanılan bir Jinja şablonu.

image_seq_length (``, defaults to `256`) : The number of image tokens to be used for each image in the input. Added for backward compatibility but this should be set as a processor attribute in future models.

policy_definitions (`Mapping[str, str]`, *isteğe bağlı*) : Görsellerin sınıflandırılmasında varsayılan politikalar olarak kullanılan, politika adından metin olarak açıklamasına giden bir eşleme. Politika açıklamaları, bu işlemci tarafından oluşturulan istemlerin metnine dahil edilir. Genellikle bu ayarlanmaz, çünkü Hugging Face Hub'daki işlemci yapılandırması, ShieldGemma'nın eğitildiği temel politikaları içerir.

Bir görüntü işleyiciyi ve bir belirteçleyiciyi tek bir işleyicide birleştiren bir ShieldGemma2Processor oluşturur.

[ShieldGemma2Processor](/docs/transformers/v5.23.0/tr/model_doc/shieldgemma2#transformers.ShieldGemma2Processor), [Gemma3ImageProcessor](/docs/transformers/v5.23.0/tr/model_doc/gemma3#transformers.Gemma3ImageProcessor) ve [GemmaTokenizer](/docs/transformers/v5.23.0/tr/model_doc/gemma#transformers.GemmaTokenizer) işlevlerinin tümünü sunar. Daha fazla bilgi için [~Gemma3ImageProcessor](/docs/transformers/v5.23.0/tr/model_doc/gemma3#transformers.Gemma3ImageProcessor) ve [~GemmaTokenizer](/docs/transformers/v5.23.0/tr/model_doc/gemma#transformers.GemmaTokenizer) belgelerine bakın.

#### __call__[[transformers.ShieldGemma2Processor.__call__]]

```python
__call__(images: typing.Union[ForwardRef('PIL.Image.Image'), numpy.ndarray, ForwardRef('torch.Tensor'), list['PIL.Image.Image'], list[numpy.ndarray], list['torch.Tensor'], NoneType] = None, text = None, **kwargs: *<class 'transformers.models.shieldgemma2.processing_shieldgemma2.ShieldGemma2ProcessorKwargs'>)
```

[Kaynak](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/shieldgemma2/processing_shieldgemma2.py#L109)

**Parametreler:**

images (`Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]`, *isteğe bağlı*) : Ön işleme tabi tutulacak görüntü. Piksel değerleri 0 ile 255 arasında değişen tek bir görüntü veya görüntü grubu beklenir. Piksel değerleri 0 ile 1 arasında olan görüntüler geçiriliyorsa `do_rescale=False` olarak ayarlayın.

text (``) : The sequence or batch of sequences to be encoded. Each sequence can be a string or a list of strings (pretokenized string). If you pass a pretokenized input, set `is_split_into_words=True` to avoid ambiguity with batched inputs.

return_mm_token_type_ids (`bool`, *kwargs*) : Çok modlu yer tutucu token konumlarını gösteren çok modlu token türü kimliklerini döndürüp döndürmeyeceğini belirtir.

return_text_replacement_offsets (`bool`, *kwargs*) : Her çok modlu yer tutucu ve ikamesi için karakter ofsetlerinin döndürülüp döndürülmemesi.

policies (`list[str]`, *kwargs*, *opsiyonel*) : Sağlanan görüntüler için özel ilgi gösterilen, `self.policy_definitions | custom_policies` birleşik sözlüğündeki anahtarlar. `None` ise, birleşik sözlükteki her anahtar için istemler oluşturulur.

custom_policies (`dict[str, *kwargs*, str]`, *isteğe bağlı*) : Yapıcıya geçirilen `self.policy_definitions` değerlerini tamamlayan ek politika tanımları. `self.policy_definitions` ile aynı anahtarı paylaşan `custom_policies` değerlerinin, politika tanımını geçersiz kılacağını unutmayın.

return_tensors (`str` veya [TensorType](/docs/transformers/v5.23.0/tr/internal/file_utils#transformers.TensorType), *opsiyonel*) : Ayarlanırsa, belirli bir çerçeveye ait tensörleri döndürür. Kabul edilen değerler:  - `'pt'`: PyTorch `torch.Tensor` nesnelerini döndürür. - `'np'`: NumPy `np.ndarray` nesnelerini döndürür.

- ****kwargs** ([ProcessingKwargs](/docs/transformers/v5.23.0/tr/main_classes/processors#transformers.ProcessingKwargs), *opsiyonel*) : Her modalite (metin, görüntüler, videolar, ses) için ek işleme seçenekleri. Modelle ilgili parametreler yukarıda listelenmiştir; desteklenen argümanların tam listesi için TypedDict sınıfına bakın.

**Dönüş:**

`BatchFeature` içeren bir nesne; `input_ids`, `pixel_values` vb. her Tensor'ın şekli `(len(images) * len(policies), )` şeklindedir ve batch içindeki sıra img1_policy1, ... img1_policyN, ... imgM_policyN şeklindedir.

Sağlanan görüntülerden bir girdi grubu oluşturur.

ShieldGemma, belirli bir istem yapısı kullanarak politika uyumluluğu için görsel içeriği sınıflandırmak üzere eğitildi. Bu işlemci, sağlanan görsellerden bu tür istemlerin bir toplu işini şu şekilde oluşturur:

1. Her `<image, policy>` çifti için bir tane olmak üzere konuşmalar listesi oluşturma;
2. Bu konuşmaları `self.apply_chat_template()` kullanarak metne dönüştürülür; ve
3. Konuşmaları ve görüntüleri `Gemma3Processor` ile aynı teknikleri kullanarak kodlama.

## ShieldGemma2Config[[transformers.ShieldGemma2Config]]

#### transformers.ShieldGemma2Config[[transformers.ShieldGemma2Config]]

```python
transformers.ShieldGemma2Config(transformers_version: str | None = None, architectures: list[str] | None = None, output_hidden_states: bool | None = False, return_dict: bool | None = True, dtype: str | torch.dtype | None = None, chunk_size_feed_forward: int = 0, is_encoder_decoder: bool = False, id2label: dict[int, str] | dict[str, str] | None = None, label2id: dict[str, int] | dict[str, str] | None = None, problem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = None, text_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, vision_config: dict | transformers.configuration_utils.PreTrainedConfig | None = None, mm_tokens_per_image: int = 256, boi_token_index: int = 255999, eoi_token_index: int = 256000, image_token_index: int = 262144, initializer_range: float = 0.02, tie_word_embeddings: bool = False)
```

[Kaynak](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/shieldgemma2/configuration_shieldgemma2.py#L26)

**Parametreler:**

text_config (`Union[dict, ~configuration_utils.PreTrainedConfig]`, *isteğe bağlı*) : Metin omurgasının yapılandırma nesnesi veya sözlüğü.

vision_config (`Union[dict, ~configuration_utils.PreTrainedConfig]`, *isteğe bağlı*) : Görüntü iskeletinin yapılandırma nesnesi veya sözlüğü.

mm_tokens_per_image (`int`, *isteğe bağlı*, varsayılan 256) : Görsel gömme başına token sayısı.

boi_token_index (`int`, *opsiyonel*, varsayılan 255999) : Görsel istemi sarmak için kullanılan başlangıç görsel (begin-of-image) jeton indeksi.

eoi_token_index (`int`, *isteğe bağlı*, varsayılan 256000) : Görsel istemi sarmak için kullanılan görsel sonu (end-of-image) belirteç dizini.

image_token_index (`int`, *isteğe bağlı*, varsayılan `262144`) : Girdi görselleri için yer tutucu olarak kullanılan görsel jeton indeksi.

initializer_range (`float`, *opsiyonel*, varsayılan `0.02`) : Tüm ağırlık matrislerini başlatmak için kullanılan truncated_normal_initializer'ın standart sapması.

tie_word_embeddings (`bool`, *isteğe bağlı*) : Kelme gömme bağlarını (tie) kurup kurmayacağını belirtir. Ayarlanmazsa, varsayılan olarak `text_config.tie_word_embeddings` değeri kullanılır.

Bu, bir Shieldgemma2Model yapılandırmasını depolamak için kullanılan yapılandırma sınıfıdır. Belirtilen argümanlara göre bir Shieldgemma2 modelini örneklemek ve model mimarisini tanımlamak için kullanılır. Varsayılanlarla bir yapılandırma örneği oluşturmak, [google/shieldgemma-2-4b-it](https://huggingface.co/google/shieldgemma-2-4b-it) modelinin yapılandırmasına benzer bir yapılandırma üretir.

Yapılandırma nesneleri [PreTrainedConfig](/docs/transformers/v5.23.0/tr/main_classes/configuration#transformers.PreTrainedConfig) sınıfından türetilir ve model çıktılarını kontrol etmek için kullanılabilir. Daha fazla bilgi için [PreTrainedConfig](/docs/transformers/v5.23.0/tr/main_classes/configuration#transformers.PreTrainedConfig) belgesini okuyun.

Örnek:

```python
>>> from transformers import ShieldGemma2ForConditionalGeneration, ShieldGemma2Config, SiglipVisionConfig, ShieldGemma2TextConfig

>>> # Initializing a Siglip-like vision config
>>> vision_config = SiglipVisionConfig()

>>> # Initializing a ShieldGemma2 Text config
>>> text_config = ShieldGemma2TextConfig()

>>> # Initializing a ShieldGemma2 gemma-3-4b style configuration
>>> configuration = ShieldGemma2Config(vision_config, text_config)

>>> # Initializing a model from the gemma-3-4b style configuration
>>> model = ShieldGemma2TextConfig(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config
```

## ShieldGemma2ForImageClassification[[transformers.ShieldGemma2ForImageClassification]]

#### transformers.ShieldGemma2ForImageClassification[[transformers.ShieldGemma2ForImageClassification]]

```python
transformers.ShieldGemma2ForImageClassification(config: ShieldGemma2Config)
```

[Kaynak](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/shieldgemma2/modeling_shieldgemma2.py#L44)

**Parametreler:**

config ([ShieldGemma2Config](/docs/transformers/v5.23.0/tr/model_doc/shieldgemma2#transformers.ShieldGemma2Config)) : Modelin tüm parametrelerini içeren model yapılandırma sınıfı. Bir yapılandırma dosyasıyla başlatmak, modelle ilişkili ağırlıkları yüklemez, yalnızca yapılandırmayı yükler. Model ağırlıklarını yüklemek için [from_pretrained()](/docs/transformers/v5.23.0/tr/main_classes/model#transformers.PreTrainedModel.from_pretrained) yöntemine göz atın.

Örneğin ImageNet için üstünde bir görüntü sınıflandırma başlığı bulunan Shieldgemma2 Modeli.

Bu model [PreTrainedModel](/docs/transformers/v5.23.0/tr/main_classes/model#transformers.PreTrainedModel) sınıfından devralır. Kütüphanenin tüm modelleri için uyguladığı genel yöntemler (indirme veya kaydetme, giriş gömme boyutlarını yeniden ayarlama, başları budama vb.) için üst sınıf belgelendirmesine bakın.

Bu model aynı zamanda bir PyTorch [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) alt sınıfıdır. Bunu standart bir PyTorch Module olarak kullanın ve genel kullanım ve davranışla ilgili tüm konular için PyTorch dokümantasyonuna başvurun.

#### forward[[transformers.ShieldGemma2ForImageClassification.forward]]

```python
forward(input_ids: typing.Optional[torch.LongTensor] = None, pixel_values: typing.Optional[torch.Tensor] = None, attention_mask: typing.Optional[torch.Tensor] = None, position_ids: typing.Optional[torch.LongTensor] = None, past_key_values: transformers.cache_utils.Cache | None = None, token_type_ids: typing.Optional[torch.LongTensor] = None, inputs_embeds: typing.Optional[torch.Tensor] = None, labels: typing.Optional[torch.LongTensor] = None, use_cache: bool | None = None, output_attentions: bool | None = None, output_hidden_states: bool | None = None, return_dict: bool | None = None, logits_to_keep: typing.Union[int, torch.Tensor] = 0, **kwargs)
```

[Kaynak](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/shieldgemma2/modeling_shieldgemma2.py#L72)

**Parametreler:**

input_ids (`torch.LongTensor`, şekli `(batch_size, sequence_length)`, *isteğe bağlı*) : Sözlükteki girdi dizisi belirteçlerinin (token) indeksleri. Varsayılan olarak dolgu (padding) yoksayılır. İndeksler [AutoTokenizer](/docs/transformers/v5.23.0/tr/model_doc/auto#transformers.AutoTokenizer) kullanılarak elde edilebilir. Ayrıntılar için [PreTrainedTokenizer.encode()](/docs/transformers/v5.23.0/tr/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.encode) ve [PreTrainedTokenizer.__call__()](/docs/transformers/v5.23.0/tr/internal/tokenization_utils#transformers.PreTrainedTokenizerBase.__call__) yöntemlerine bakın. [Girdi kimlikları (input IDs) nedir?](../glossary#input-ids)

pixel_values (`torch.Tensor`, şekli `(batch_size, num_channels, image_size, image_size)`, *isteğe bağlı*) : Girdi görüntülerine karşılık gelen tensörler. Piksel değerleri `image_processor_class` kullanılarak elde edilebilir. Ayrıntılar için `image_processor_class.__call__` bölümüne bakın (`processor_class`, görüntüleri işlemek için `image_processor_class` kullanır).

attention_mask (`torch.Tensor`, şekli `(batch_size, sequence_length)`, *isteğe bağlı*) : Dolgu (padding) token indekslerinde dikkat (attention) işleminin uygulanmamasını sağlayan maske. `[0, 1]` aralığında seçilen maske değerleri:  - **maske uygulanmayan** tokenlar için 1, - **maske uygulanan** tokenlar için 0.  [Dikkat maskeleri nelerdir?](../glossary#attention-mask)

position_ids (`torch.LongTensor`, şekli `(batch_size, sequence_length)`, *isteğe bağlı*) : Girdi dizisi token'larının konum gömme (position embeddings) içindeki konum indeksleri. `[0, config.n_positions - 1]` aralığında seçilir.  [Konum kimlikleri (position IDs) nedir?](../glossary#position-ids)

past_key_values (`~cache_utils.Cache`, *isteğe bağlı*) : Sıralı çözümlemeyi hızlandırmak için kullanılabilen, önceden hesaplanmış gizli durumlar (self-attention bloklarındaki ve cross-attention bloklarındaki anahtar ve değerler). Bu genellikle, `use_cache=True` veya `config.use_cache=True` olduğunda, çözümlemenin önceki bir aşamasında modelin döndürdüğü `past_key_values` değerlerinden oluşur. Girdi olarak yalnızca [Cache](/docs/transformers/v5.23.0/tr/internal/generation_utils#transformers.Cache) örneği kabul edilir, bkz. [kv cache kılavuzu](https://huggingface.co/docs/transformers/en/kv_cache). `past_key_values` geçirilmezse, varsayılan olarak [DynamicCache](/docs/transformers/v5.23.0/tr/internal/generation_utils#transformers.DynamicCache) başlatılır. Model, girdi olarak verilen aynı önbellek biçimini çıktı olarak verecektir. `past_key_values` kullanılıyorsa, kullanıcının, bu modele geçmiş anahtar-değer durumları verilmemiş olan, yalnızca işlenmemiş `input_ids` değerlerini (şekli `(batch_size, unprocessed_length)` olan) girmesi beklenir; bunun yerine, şekli `(batch_size, sequence_length)` olan tüm `input_ids` değerleri girilmez.

token_type_ids (`torch.LongTensor`, şekli `(batch_size, sequence_length)`, *isteğe bağlı*) : Girdilerin ilk ve ikinci bölümlerini belirtmek için segment token dizinleri. Dizinler `[0, 1]` aralığından seçilir:  - 0, *sentence A* token'ına karşılık gelir, - 1, *sentence B* token'ına karşılık gelir.  [Token type ID'leri nelerdir?](../glossary#token-type-ids)

inputs_embeds (`torch.Tensor`, şekli `(batch_size, sequence_length, hidden_size)`, *isteğe bağlı*) : `input_ids` parametresini iletmek yerine, gömülü bir temsil doğrudan iletmeyi tercih edebilirsiniz. Bu, `input_ids` indekslerini ilgili vektörlere dönüştürme biçimi üzerinde modelin dahili gömme arama matrisine kıyasla daha fazla kontrol sahibi olmak istiyorsanız faydalıdır.

labels (`torch.LongTensor`, şekli `(batch_size,)`, *isteğe bağlı*) : Görüntü sınıflandırma/geri dönüşüm kaybını hesaplamak için etiketler. Endeksler `[0, ..., config.num_labels - 1]` aralığında olmalıdır. `config.num_labels == 1` ise bir geri dönüşüm kaybı (Ortalama Kare kaybı) hesaplanır, `config.num_labels > 1` ise bir sınıflandırma kaybı (Çapraz Entropi) hesaplanır.

use_cache (`bool`, *isteğe bağlı*) : `True` olarak ayarlanırsa, `past_key_values` anahtar değer durumları döndürülür ve çözümlemeyi hızlandırmak için kullanılabilir (bkz. `past_key_values`).

output_attentions (`bool`, *isteğe bağlı*) : Tüm dikkat katmanlarının dikkat tensörlerinin döndürülüp döndürülmediğini belirtir. Daha fazla ayrıntı için döndürülen tensörler altındaki `attentions` bölümüne bakın.

output_hidden_states (`bool`, *isteğe bağlı*) : Tüm katmanların gizli durumlarının (hidden states) döndürülüp döndürülmeyeceğini belirtir. Daha fazla ayrıntı için döndürülen tensörler altındaki `hidden_states` bölümüne bakın.

return_dict (`bool`, *isteğe bağlı*) : Düz bir tuple yerine [ModelOutput](/docs/transformers/v5.23.0/tr/main_classes/output#transformers.utils.ModelOutput) döndürülecek mi?

logits_to_keep (`Union[int, torch.Tensor]`, *isteğe bağlı*, varsayılan `0`) : `int` ise, son `logits_to_keep` token için logits hesaplanır. `0` ise, tüm `input_ids` için logits hesaplanır (özel durum). Üretim için yalnızca son token'ın logits'ine ihtiyaç duyulur ve bunların yalnızca o token için hesaplanması bellek tasarrufu sağlar; bu, uzun diziler veya büyük sözlük boyutu için oldukça önemli hale gelir. `torch.Tensor` ise, dizi uzunluğu boyutunda tutulacak indekslere karşılık gelen 1B olmalıdır. Bu, paketlenmiş tensor biçimini (batch ve dizi uzunluğu için tek boyut) kullanırken faydalıdır.

**Dönüş:**

Aşağıdaki özelliklerde yakalanan, o istem için `Yes` veya `No` token'ını yanıt olarak öngören modele ait logitleri ve olasılıkları içeren bir `ShieldGemma2ImageClassifierOutputWithNoAttention` örneği.

*   `logits` (`torch.Tensor`, şekli `(batch_size, 2)`): dim=1 boyunca ilk konum, `Yes` token'ının logits değerlerini; ikinci konum ise `No` token'ının logits değerlerini temsil eder.
*   `probabilities` (`torch.Tensor`, şekli `(batch_size, 2)`): dim=1 boyunca ilk konum, `Yes` token'ını tahmin etme olasılığıdır ve dim=1 boyunca ikinci konum, `No` token'ını tahmin etme olasılığıdır.

ShieldGemma istemleri, `Yes` jetonunun tahmin edilmesinin, içeriğin tanımlandığı gibi politikayı *ihlal ettiğini* ifade edecek şekilde oluşturulmuştur. Yalnızca ihlal koşuluna ilginiz varsa, çıktı tensörlerinden bu dilimi çıkarmak için `violated = outputs.probabilities[:, 1]` kullanın.

`ShieldGemma2Processor` ile kullanıldığında `batch_size`, `len(images) * len(policies)` değerine eşit olur ve parti içindeki sıra img1_policy1, ... img1_policyN, ... imgM_policyN şeklindedir.

[ShieldGemma2ForImageClassification](/docs/transformers/v5.23.0/tr/model_doc/shieldgemma2#transformers.ShieldGemma2ForImageClassification) forward metodu, `__call__` özel metodunu geçersiz kılar.

İleri geçiş tarifi bu fonksiyon içinde tanımlanmalı olsa da, sonrasında bunun yerine `Module` örneğini çağırmak gerekir; çünkü ilki ön ve son işleme adımlarını çalıştırmaktan sorumluyken ikincisi bunları sessizce yok sayar.

