Datenvorbereitung#
Die Datenaufbereitung ist das Fundament erfolgreicher computer vision-Modelle. Ultralytics Platform bietet umfassende Tools zur Verwaltung deiner Trainingsdaten – vom Hochladen über die Annotierung bis hin zur Analyse.
Watch: Get Started with Ultralytics Platform - Data
Übersicht#
Der Datenbereich der Ultralytics Platform hilft dir bei Folgendem:
- Lade Bilder, Videos und Datensatzdateien (ZIP, TAR einschließlich
.tar.gz/.tgz, NDJSON) hoch - Importiere von einer URL, indem du einen direkten Link zu einem Archiv oder NDJSON-Export einfügst, oder von Roboflow
- Verbinde Google Cloud Storage, Amazon S3 oder Azure Blob Storage und nutze deine Daten direkt an Ort und Stelle, ohne eine Kopie hochzuladen
- Behalte die Pixel vor Ort mit Enterprise-On Premise-CPU/GPU-Worker-Instanzen
- Annotiere mit manuellen Zeichenwerkzeugen und SAM-gestützter intelligenter Labelerstellung – wähle zwischen SAM 2.1 oder dem neuen SAM 3
- Verwalte Klassen, indem du sie im gesamten Dataset umbenennst, umfärbst, zusammenführst und löschst
- Analysiere deine Daten mit Statistiken, Visualisierungen und Embedding-basiertem Clustering
- Exportiere 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| Phase | Beschreibung |
|---|---|
| Upload | Importiere Bilder, Videos oder Archive mit automatischer Verarbeitung |
| Annotieren | Beschrifte Daten mit manuellen Tools oder nutze die SAM-Annotation für Detect, Segment, Semantic und OBB |
| Analysieren | Zeige Klassenverteilungen, räumliche Heatmaps, Dimensionsstatistiken und Embedding-Cluster an |
| Exportieren | Lade sie zur Offline-Nutzung im NDJSON format herunter |
Unterstützte Aufgaben#
Ultralytics Platform-Datensätze unterstützen alle 7 YOLO-Aufgabentypen:
| Aufgabe | Beschreibung | Annotationstool |
|---|---|---|
| Detect | Objekterkennung mit Bounding Boxes | Rechteck-Tool |
| Segment | Instanzsegmentierung mit Pixelmasken | Polygon-Tool |
| Semantic | Semantische Segmentierung mit klassenspezifischen Pixelbereichen | Polygon-Tool |
| Depth | Metrische Tiefenkarten pro Pixel | Importierte Ziele |
| Classify | Klassifizierung auf Bildebene | Klassenauswahl |
| Pose | Keypoint-Schätzung mit integrierten und benutzerdefinierten Skelettvorlagen | Keypoint-Tool |
| OBB | Orientierte Bounding Boxes für rotierte Objekte | Tool für orientierte Boxen |
Der Task-Typ wird beim Erstellen eines Datensatzes festgelegt und bestimmt, welche Annotationstools verfügbar sind. Du kannst ihn später über den Task-Auswahlbereich im Dataset-Header ändern, aber inkompatible Annotationen werden nach dem Wechsel nicht mehr angezeigt. Das Wechseln zu oder von Tiefe ist nur zulässig, solange der Datensatz leer ist — siehe Edit Dataset.
Hauptfunktionen#
Smart Storage#
Die Ultralytics Platform verwaltet Speicherplatz effizient:
- Deduplizierung: Identische Bilder in derselben Datenregion werden einmal gespeichert
- Integrität: Uploads werden auf Datenintegrität überprüft
- Effizienz: Optimierte Speicherung und schnelle Verarbeitung
Dataset URIs#
Referenziere Datensätze über das URI-Format ul:// (siehe Using Platform Datasets):
yolo train data=ul://username/datasets/my-datasetDies ermöglicht das Training mit den Datensätzen der Plattform von jedem beliebigen Computer aus, auf dem dein API key konfiguriert ist.
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
model.train(data="ul://username/datasets/my-dataset", epochs=100)Dataset-Versionierung#
Erstelle unveränderliche NDJSON-Snapshots deines Datensatzes für ein reproduzierbares Training. Jede Version erfasst die Anzahl der Bilder, Klassen und Annotationen zum Zeitpunkt der Erstellung. Weitere Details findest du im Versions Tab.
Datensatz-Tabs#
Dataset-Seiten können je nach Dataset-Status und deinen Berechtigungen bis zu sechs Tabs anzeigen:
| Tab | Beschreibung |
|---|---|
| Bilder | Durchsuche Bilder in der Raster-, Kompakt- oder Tabellenansicht mit Annotations-Overlays |
| Klassen | Anzeigen, Umbenennen, Umfärben, Zusammenführen und Löschen von Klassen mit klassenbezogenen Label-Anzahlen |
| Diagramme | Automatische Statistiken: Split-Verteilung, Klassenanzahl, Heatmaps |
| Modelle | Models, die mit Metriken und Status auf diesem Datensatz trainiert wurden |
| Versionen | Erstelle, lade herunter und stelle unveränderliche NDJSON-Snapshots für die Reproduzierbarkeit wieder her |
| Errors | Bilder, deren Verarbeitung fehlgeschlagen ist, inklusive Fehlerdetails und Hilfestellungen zur Behebung |
Classes erscheint, wenn der Datensatz Bilder enthält und sein Task Klassen hat, während Charts immer dann erscheint, wenn er Bilder enthält. Errors erscheint nur, wenn Verarbeitungsfehler vorliegen. Versions erscheint, wenn du Bearbeitungszugriff hast, oder im Read-Only-Modus, wenn bereits Versionen existieren.
Clustering#
Erkunde dein Dataset als interaktives 2D-Streudiagramm, in dem visuell ähnliche Bilder nahe beieinander liegen – nützlich zum Aufdecken von Clustern, Duplikaten und Ausreißern sowie zum Überprüfen, wie Splits oder Klassen in deinen Daten verteilt sind. Ziehe ein Lasso um einen Bereich des Diagramms, um die Galerie auf diese Bilder zu filtern. Die Analyse erfordert zwischen 20 und 200.000 fehlerfreie Bilder. Weitere Details findest du unter Clustering.
Statistiken und Visualisierung#
Der Tab Charts bietet eine automatische Analyse einschließlich:
- Split-Verteilung: Donut-Diagramm der Anzahl der Trainings-/Validierungs-/Testbilder
- Top-Klassen: Donut-Diagramm der 10 häufigsten Annotationsklassen
- Bildabmessungen: Histogramm der Verteilung von Bildbreite und -höhe (in Pixeln)
- Bildabmessungen 2D: 2D-Heatmap von Breite vs. Höhe mit Hilfslinien für das Seitenverhältnis
- Annotations-Positionen: 2D-Heatmap der Mittelpositionen der Bounding Boxes
- Punkte pro Instanz: Verteilung der Anzahl von Polygon-Eckpunkten oder Keypoints (für Segmentierungs-/Pose-Datasets)
Die vollständige Liste findest du im Charts-Tab.
Schnellzugriff#
- Datasets: Lade deine Trainingsdaten hoch, verwalte sie und exportiere sie
- Annotation: Bessere Daten mit manuellen und KI-gestützten Tools aus
- Cloud Training: Trainiere Modelle mit deinen annotierten Datensätzen
- Dataset 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 (jeweils max. 50 MB)
Videos: MP4, WebM, MOV, MKV, M4V (max. 1 GB, Einzelbilder extrahiert bei 1 FPS, max. 100 Einzelbilder)
Dataset-Dateien: 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 sowie NDJSON-Exporte enthaltenJedes dieser Archiv- oder NDJSON-Formate kann auch importiert werden, indem ein direkter HTTP(S)-Link in den
URL-Tab desNew Dataset-Dialogs eingefügt wird. Pascal-VOC-XML-Labels werden erkannt, aber nicht importiert.Die Speicherlimits hängen von deinem Plan ab:
Plan Speicherlimit Kostenlos 100 GB Pro 500 GB Enterprise Unbegrenzt Limits für einzelne Dateien: Bilder 50 MB, Videos 1 GB, Datasets 10 GB bei Free / 20 GB bei Pro / 50 GB bei Enterprise
Ja! Nutze das Dataset URI-Format für lokales Training:
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 dessen Metadaten, Splits, Annotationen und signierten Bild-URLs zu übertragen.