Datenaufbereitung#

Die Datenaufbereitung ist die Grundlage erfolgreicher Computer-Vision-Modelle. Die Ultralytics Platform bietet umfassende Tools zur Verwaltung deiner Trainingsdaten – vom Upload über die Annotation bis hin zur Analyse.

Übersicht#

Der Bereich „Data“ der Ultralytics Platform unterstützt dich dabei:

• Hochladen von Bildern, Videos und Dataset-Dateien (ZIP, TAR einschließlich .tar.gz/.tgz, NDJSON)
• Importieren über eine URL, indem du einen direkten Link zu einem Archiv oder NDJSON-Export einfügst, oder von Roboflow
• Verbinden mit Google Cloud Storage, Amazon S3 oder Azure Blob Storage und Verwenden deiner Daten direkt dort, ohne eine Kopie hochzuladen
• Pixel lokal speichern mit CPU-/GPU-Arbeitern für den Unternehmenseinsatz auf On Premise
• Annotieren mit manuellen Zeichenwerkzeugen und intelligenter Annotation mit SAM (SAM 2.1, SAM 3 oder dem standardmäßig verwendeten SAM 3.1), YOLO-Modellen oder klassenbasiert angeleiteten Modellen – gehosteten Open-Source-Modellen oder kostenpflichtigen Anbietermodellen – für Erkennungsdatensätze mit 1–200 Klassen
• Klassen verwalten, indem du sie im gesamten Dataset umbenennst, ihre Farben änderst, sie zusammenführst oder löschst
• Datasets erweitern mit Find Similar Images oder Generate Similar Images und anschließend die Bilder annotieren, die du behalten möchtest
• Gesichter unkenntlich machen in vorhandenen Bildern oder zukünftigen Uploads
• Analysieren deiner Daten mit Statistiken, Visualisierungen und einbettungsbasiertem Clustering
• Exportieren im NDJSON-Format für lokales Training

Workflow#

graph LR
    A[Upload]:::start --> B[Annotate]:::proc
    B --> D[Train]:::out
    B --> C[Analyze]:::proc

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

Unterstützte Aufgaben#

Datasets in der Ultralytics Platform unterstützen alle 7 YOLO-Aufgabentypen:

Wichtige Funktionen#

Intelligente Speicherung#

Die Ultralytics Platform verwaltet den Speicherplatz effizient:

• Deduplizierung: Identische Bilder in derselben Datenregion werden nur einmal gespeichert
• Integrität: Uploads werden auf Datenintegrität geprüft
• Effizienz: Optimierter Speicher und schnelle Verarbeitung

Dataset-URIs#

Verweise auf Datasets im URI-Format ul:// (siehe Datasets der Platform verwenden):

yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset

So kannst du mit den Datasets der Platform auf jedem Computer trainieren, auf dem dein API-Schlüssel eingerichtet ist.

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(data="ul://username/datasets/my-dataset", epochs=100)

Dataset-Versionierung#

Erstelle unveränderliche NDJSON-Momentaufnahmen deines Datasets für reproduzierbares Training. Jede Version enthält die Anzahl der Bilder, Klassen und Annotationen zum Zeitpunkt ihrer Erstellung. Einzelheiten findest du unter Versions-Tab.

Dataset-Tabs#

Dataset-Seiten können je nach Dataset-Status und deinen Berechtigungen bis zu sechs Tabs anzeigen:

Classes wird angezeigt, wenn das Dataset Bilder enthält und für seine Aufgabe Klassen definiert sind. Charts wird angezeigt, sobald das Dataset Bilder enthält. Errors wird nur angezeigt, wenn Verarbeitungsfehler vorliegen. Versions wird angezeigt, wenn du Bearbeitungszugriff hast oder wenn bereits Versionen existieren und du nur Lesezugriff hast.

Clustering#

Erkunde dein Dataset als interaktives 2D-Streudiagramm, in dem visuell ähnliche Bilder nahe beieinanderliegen. So lassen sich Cluster, Duplikate und Ausreißer leichter erkennen und die Verteilung von Splits oder Klassen in deinen Daten untersuchen. Um die Galerie auf bestimmte Bilder zu filtern, ziehe mit dem Lasso einen Bereich auf oder klicke auf einen Punkt. Für die Analyse sind 20 bis 200.000 Bilder ohne Verarbeitungsfehler erforderlich. Mithilfe derselben Einbettungen kannst du in öffentlichen Datasets sowie in deinen eigenen und Team-Datasets ähnliche Bilder finden und zu deinem Dataset hinzufügen. Einzelheiten findest du unter Clustering.

Statistiken und Visualisierung#

Der Tab Charts bietet automatische Analysen, darunter:

• Split-Verteilung: Ringdiagramm mit der Anzahl der Bilder in Train-, Val- und Test-Splits
• Häufigste Klassen: Ringdiagramm der 10 häufigsten Annotationsklassen
• Bildabmessungen: Histogramm der Verteilung von Bildbreite und -höhe (in Pixeln)
• Bildabmessungen 2D: 2D-Heatmap von Breite und Höhe mit Hilfslinien für das Seitenverhältnis
• Positionen der Annotationen: 2D-Heatmap der Mittelpunkte der Begrenzungsrahmen
• Punkte pro Instanz: Verteilung der Anzahl von Polygon-Eckpunkten oder Keypoints (Segmentierungs-/Pose-Datensätze)

Die vollständige Liste findest du im Tab Diagramme.

Schnellzugriffe#

• Datensätze: Lade deine Trainingsdaten hoch, verwalte und exportiere sie
• Annotation: Beschrifte Daten mit manuellen und KI-gestützten Werkzeugen
• Cloud-Training: Trainiere Modelle mit deinen annotierten Datensätzen
• Datensatz-URI: Verwende ul://-URIs, um von überall aus zu trainieren

Häufig gestellte Fragen#