Datenvorbereitung#
Die Datenvorbereitung ist die Grundlage für erfolgreiche Computer-Vision-Modelle. Die Ultralytics Platform bietet umfassende Werkzeuge zur Verwaltung deiner Trainingsdaten – vom Upload über die Annotation bis hin zur Analyse.
Watch: Get Started with Ultralytics Platform - Data
Übersicht#
Der Bereich „Daten“ der Ultralytics Platform unterstützt dich bei folgenden Aufgaben:
- Hochladen von Bildern, Videos und Datensatzdateien (ZIP, TAR einschließlich
.tar.gz/.tgz, NDJSON) - Importieren über eine URL durch Einfügen eines direkten Links zu einem Archiv oder NDJSON-Export oder aus Roboflow
- Verbinden mit Google Cloud Storage, Amazon S3 oder Azure Blob Storage und Verwenden deiner Daten am Speicherort, ohne eine Kopie hochzuladen
- Pixel lokal halten mit lokal betriebenen CPU/GPU-Workern für Enterprise
- Annotez mit manuellen Zeichenwerkzeugen und SAM-unterstützter intelligenter Beschriftung – wähle aus SAM 2.1, SAM 3 oder dem Standard SAM 3.1
- Klassen verwalten durch Umbenennen, Ändern der Farbe, Zusammenführen und Löschen im gesamten Datensatz
- Analysieren deiner Daten mit Statistiken, Visualisierungen und Embedding-basiertem Clustering
- Exportieren im NDJSON-Format für das lokale 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| Stufe | Beschreibung |
|---|---|
| Hochladen | Importiere Bilder, Videos oder Archive mit automatischer Verarbeitung. |
| Annotieren | Beschrifte Daten mit manuellen Werkzeugen oder verwende SAM-Annotation für Erkennung, Segmentierung, semantische Segmentierung und OBB. |
| Analysieren | Zeige Klassenverteilungen, räumliche Heatmaps, Dimensionsstatistiken und Embedding-Cluster an. |
| Exportieren | Lade Daten für die Offline-Nutzung im NDJSON-Format herunter. |
Unterstützte Aufgaben#
Datensätze der Ultralytics Platform unterstützen alle 7 YOLO-Aufgabentypen:
| Aufgabe | Beschreibung | Annotationswerkzeug |
|---|---|---|
| Erkennung | Objekterkennung mit Begrenzungsrahmen | Rechteckwerkzeug |
| Segmentierung | Instanzsegmentierung mit Pixelmasken | Polygonwerkzeug |
| Semantische Segmentierung | Semantische Segmentierung mit Pixelbereichen pro Klasse | Polygonwerkzeug |
| Tiefenschätzung | Metrische Tiefenkarten für jedes Pixel | Importierte Zielwerte |
| Klassifizierung | Klassifizierung auf Bildebene | Klassenauswahl |
| Posenschätzung | Schlüsselpunktschätzung mit integrierten und benutzerdefinierten Skelettvorlagen | Schlüsselpunkterkzeug |
| OBB | Orientierte Begrenzungsrahmen für gedrehte Objekte | Werkzeug für orientierte Rahmen |
Der Aufgabentyp wird beim Erstellen eines Datensatzes festgelegt und bestimmt, welche Annotationswerkzeuge verfügbar sind. Du kannst ihn später über die Aufgabentypauswahl in der Datensatzkopfzeile ändern, aber inkompatible Annotationen werden nach dem Wechsel nicht angezeigt. Der Wechsel zu oder von Tiefenschätzung ist nur zulässig, solange der Datensatz leer ist – siehe Datensatz bearbeiten.
Wichtige Funktionen#
Intelligente Speicherung#
Die Ultralytics Platform verwaltet den Speicher effizient:
- Deduplizierung: Identische Bilder in derselben Datenregion werden nur einmal gespeichert
- Integrität: Uploads werden auf Datenintegrität geprüft
- Effizienz: Optimierter Speicher und schnelle Verarbeitung
Datensatz-URIs#
Verweise auf Datensätze mit dem URI-Format ul:// (siehe Datensätze der Platform verwenden):
yolo train data=ul://username/datasets/my-datasetDadurch kannst du mit den Datensätzen der Platform von jedem Computer aus trainieren, auf dem dein API-Schlüssel konfiguriert ist.
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
model.train(data="ul://username/datasets/my-dataset", epochs=100)Datensatzversionierung#
Erstelle unveränderliche NDJSON-Snapshots deines Datensatzes für reproduzierbares Training. Jede Version erfasst zum Zeitpunkt ihrer Erstellung die Anzahl der Bilder, Klassen und Annotationen. Weitere Informationen findest du im Versions-Tab.
Datensatz-Tabs#
Datensatzseiten können abhängig vom Zustand des Datensatzes und deinen Berechtigungen bis zu sechs Tabs anzeigen:
| Tab | Beschreibung |
|---|---|
| Bilder | Durchsuche Bilder in der Raster-, Kompakt- oder Tabellenansicht mit eingeblendeten Annotationen. |
| Klassen | Zeige Klassen an, benenne sie um, ändere ihre Farbe, führe sie zusammen oder lösche sie – mit Beschriftungsanzahlen pro Klasse. |
| Diagramme | Automatische Statistiken: Verteilung der Aufteilungen, Klassenanzahlen, Heatmaps |
| Modelle | Auf diesem Datensatz trainierte Modelle mit Metriken und Status |
| Versionen | Erstelle, lade herunter und stelle unveränderliche NDJSON-Snapshots zur Reproduzierbarkeit wieder her. |
| Fehler | Bilder, deren Verarbeitung fehlgeschlagen ist, mit Fehlerdetails und Anleitungen zur Fehlerbehebung |
Classes wird angezeigt, wenn der Datensatz Bilder enthält und seine Aufgabe Klassen besitzt, während Charts immer angezeigt wird, wenn Bilder vorhanden sind. Errors wird nur angezeigt, wenn Verarbeitungsfehler vorliegen. Versions wird angezeigt, wenn du Bearbeitungszugriff hast oder im schreibgeschützten Modus bereits Versionen vorhanden sind.
Clustering#
Erkunde deinen Datensatz als interaktives 2D-Streudiagramm, bei dem sich visuell ähnliche Bilder nahe beieinander befinden – nützlich, um Cluster, Duplikate und Ausreißer aufzudecken sowie um zu inspizieren, wie Splits oder Klassen in deinen Daten verteilt sind. Ziehe ein Lasso-Tool um einen Bereich des Diagramms, um die Galerie auf diese Bilder zu filtern. Die Analyse erfordert zwischen 20 und 200.000 fehlerfreie Bilder. Dieselben Embeddings ermöglichen es dir, ähnliche Bilder zu finden in öffentlichen Datensätzen und sie deinen hinzuzufügen. Siehe Clustering für Details.
Statistiken und Visualisierung#
Der Tab Charts bietet eine automatische Analyse mit folgenden Inhalten:
- Verteilung der Aufteilungen: Ringdiagramm mit den Bildanzahlen für Training, Validierung und Test
- Häufigste Klassen: Ringdiagramm der 10 am häufigsten annotierten Klassen
- Bildabmessungen: Histogramm der Verteilung von Bildbreite und -höhe (in Pixeln)
- Bildabmessungen 2D: 2D-Heatmap von Breite und Höhe mit Hilfslinien für das Seitenverhältnis
- Annotationspositionen: 2D-Heatmap der Mittelpunktspositionen von Begrenzungsrahmen
- Punkte pro Instanz: Verteilung der Anzahl von Polygon- oder Schlüsselpunkten (Segmentierungs-/Posendatensätze)
Die vollständige Liste findest du im Diagramme-Tab.
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.
FAQ#
Die Ultralytics Platform unterstützt:
Bilder: JPEG, PNG, WebP, BMP, TIFF, HEIC, AVIF, JP2, DNG, MPO (max. 50 MB pro Datei)
Videos: MP4, WebM, MOV, MKV, M4V (max. 1 GB, Einzelbilder werden mit 1 FPS extrahiert, max. 100 Einzelbilder)
Dataset files: ZIP- oder TAR-Archive einschließlich
.tar.gzund.tgz(max. 10 GB bei Free, 20 GB bei Pro, 50 GB bei Enterprise), die Bilder mit optionalen YOLO-Format- oder COCO-JSON-Labels oder semantischen PNG-Masken sowie NDJSON-Exporte enthaltenJedes dieser Archiv- oder NDJSON-Formate kann auch importiert werden, indem du im Tab
URLdes DialogsNew Dataseteinen direkten HTTP(S)-Link einfügst. Pascal-VOC-XML-Beschriftungen werden erkannt, aber nicht importiert.Die Speichergrenzen hängen von deinem Tarif ab:
Tarif Speicherlimit Free 100 GB Pro 500 GB Enterprise Unbegrenzt Individuelle Dateigrenzen: Bilder 50 MB, Videos 1 GB, Datensätze 10 GB im Free-Tarif / 20 GB im Pro-Tarif / 50 GB im Enterprise-Tarif
Ja! Verwende das Datensatz-URI-Format, um lokal zu trainieren:
export ULTRALYTICS_API_KEY="YOUR_API_KEY" yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100Oder exportiere deinen Datensatz im NDJSON-Format, um seine Metadaten, Aufteilungen, Annotationen und signierten Bild-URLs zu übertragen.