Datensätze#

Ultralytics Platform-Datasets bieten eine optimierte Lösung zur Verwaltung deiner Trainingsdaten. Nach dem Upload verarbeitet die Plattform Bilder, Labels und Statistiken automatisch.

Ein Dataset ist bereit für das Training, sobald die Verarbeitung abgeschlossen ist und es mindestens ein Bild im train-Split, mindestens ein Bild in einem der beiden Splits val oder test sowie mindestens ein gelabeltes Bild enthält. Der Dataset-Header zeigt einen Ready-Badge, wenn alle drei Bedingungen erfüllt sind, und andernfalls einen Not Ready-Badge – klicke auf den Badge, um genau zu sehen, welche Bedingung fehlt.

Datensatz hochladen#

Die Ultralytics Platform akzeptiert für mehr Flexibilität verschiedene Upload-Formate.

Unterstützte Formate#

Video-Codec-Unterstützung#

Die Dateiendung allein reicht nicht aus: Ein Video kann dennoch fehlschlagen, wenn sein Codec während der Verarbeitung nicht decodiert werden kann.

ffmpeg -i input.mov \
  -c:v libx264 -pix_fmt yuv420p \
  -c:a aac -movflags +faststart \
  output.mp4

Vorbereitung deines Datensatzes#

Die Platform unterstützt Ultralytics YOLO, COCO, Tiefendatensätze, Ultralytics NDJSON und rohe (unannotierte) Uploads:

my-dataset/
├── images/
│   ├── train/
│   │   ├── img001.jpg
│   │   └── img002.jpg
│   └── val/
│       ├── img003.jpg
│       └── img004.jpg
├── labels/
│   ├── train/
│   │   ├── img001.txt
│   │   └── img002.txt
│   └── val/
│       ├── img003.txt
│       └── img004.txt
└── data.yaml

# data.yaml
path: .
train: images/train
val: images/val

names:
    0: person
    1: car
    2: dog

Wenn Labels Klassen-IDs referenzieren, aber keine Klassennamen angegeben sind, generiert Platform dichte Platzhalternamen (class0, class1, …), die du später im Tab Classes umbenennen kannst.

Details zu formatspezifischen Eigenschaften findest du unter supported tasks und in der Datasets Overview.

Upload-Prozess#

So erstellst du ein Dataset:

1. Navigiere in der Seitenleiste zu Annotate
2. Klicke auf New Dataset
3. Wähle einen Datenquellen-Tab aus (siehe Data Sources unten)
4. Füge einen Namen hinzu – der URL-Slug wird automatisch abgeleitet und kann bearbeitet werden – sowie eine optionale Beschreibung
5. Wähle den Aufgabentyp (siehe supported tasks), eine optionale Lizenz (siehe available licenses) und die Sichtbarkeit (öffentlich oder privat)
6. Klicke auf Create & Upload für lokale Dateien, Create & Import für eine URL oder eine verbundene Quelle, oder Create Dataset, um leer zu beginnen

Um Dateien zu einem bestehenden Dataset hinzuzufügen, öffne dessen Dataset-Seite und ziehe die Dateien per Drag-and-Drop in die Galerie oder klicke auf das Upload-Symbol im Header der Seite. Das Upload-Symbol öffnet direkt die Dateiauswahl deines Browsers, da die Aufgabe des Datasets bereits definiert ist.

Datenquellen#

Der New Dataset-Dialog bietet vier Quellen:

Bevor der Upload beginnt#

Platform validiert deine Dateien im Browser, bevor etwas hochgeladen wird, sodass häufige Probleme sofort und nicht erst nach einer langen Übertragung auftreten. Archive werden auf Beschädigung, Leere, Passwortschutz und YAML-Syntaxfehler überprüft, und zu große Dateien werden namentlich aufgelistet.

Danach werden möglicherweise zwei Dialoge angezeigt:

Nach dem Upload verarbeitet die Plattform deine Daten automatisch:

graph LR
    A[Upload]:::start --> B[Validate]:::proc
    B --> C[Normalize]:::proc
    C --> D[Thumbnail]:::proc
    D --> E[Parse Labels]:::proc
    E --> F[Statistics]:::out

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

1. Validierung: Format- und Größenprüfungen
2. Normalisierung: Große Bilder werden skaliert (max. 4096 px, Mindestdimension 28 px), Graustufen nach RGB erweitert, Transparenz auf Weiß abgeflacht und die EXIF-Ausrichtung angewendet
3. Thumbnails: Es werden 256px WebP-Vorschauen generiert
4. Label-Parsing: YOLO-, COCO- und NDJSON-Labels extrahiert
5. Statistiken: Klassenvorverteilungen und Bildabmessungen werden berechnet

from ultralytics.data.utils import check_det_dataset

check_det_dataset("path/to/data.yaml")

Bilder durchsuchen#

Zeige deine Datensatzbilder in verschiedenen Layouts an.

Öffne das Clustering-Panel über die Galerie-Symbolleiste, um dein Dataset als interaktives 2D-Streudiagramm zu erkunden.

Sortieren und Filtern#

Bilder können für ein effizientes Browsen sortiert und gefiltert werden:

Vollbildanzeige#

Klicke auf ein beliebiges Bild, um die Vollbildanzeige zu öffnen mit:

• Navigation: Pfeiltasten oder Miniaturansichten zum Durchsuchen
• Bildinformationen: Überprüfe von der Platform generierte Eigenschaften, benutzerdefinierte Metadaten und eingebettete Dateimetadaten wie EXIF
• Benutzerdefinierte Metadaten: Besitzer und Bearbeiter können ein JSON-Objekt hinzufügen oder ersetzen, einschließlich verschachtelter Werte bis zu 500.000 serialisierten Zeichen und Schlüsseln auf oberster Ebene bis zu 128 Zeichen
• Anmerkungen: Sichtbarkeit der Anmerkungs-Overlays umschalten
• Klassenaufschlüsselung: Anzahl der Labels pro Klasse mit Farbindikatoren
• Annotate: Wenn du über Bearbeitungsrechte verfügst, sind die Annotationssteuerelemente sofort aktiv, sobald sich der Vollbild-Viewer auf dem Desktop öffnet
• Herunterladen: Lade die originale Bilddatei herunter
• Löschen: Lösche das Bild aus dem Datensatz
• Zoom: Cmd/Ctrl+Scroll, Cmd/Ctrl++ oder Cmd/Ctrl+= zum Hineinzoomen und Cmd/Ctrl+- zum Herauszoomen
• Ansicht zurücksetzen: Cmd/Ctrl + 0 oder die Reset-Schaltfläche, um das Bild an den Viewer anzupassen
• Verschieben (Pan): Halte Space gedrückt und ziehe die Maus, um den Bereich im gezoomten Zustand zu verschieben
• Pixelansicht: Schalte die pixelige Darstellung für eine genaue Inspektion ein
• Tiefenvorhang: Bei Tiefendatensätzen blendet ein verschiebbarer Teiler zwischen dem RGB-Bild und seiner farbigen Tiefenkarte hin und her

Nach Split filtern#

Bilder nach ihrem Datensatz-Split filtern:

Clustering#

Das Clustering-Panel projiziert dein Dataset in ein interaktives 2D-Streudiagramm, in dem sich visuell ähnliche Bilder nahe beieinander befinden. Nutze es, um Cluster aufzudecken, Duplikate und Ausreißer zu erkennen und zu untersuchen, wie Splits oder Klassen in deinen Daten verteilt sind – ohne die Galerie zu verlassen. Öffne es über das Streudiagramm-Symbol in der Galerie-Symbolleiste auf einer beliebigen Dataset-Seite.

Analyse ausführen#

Starte eine Analyse:

1. Öffne einen Datensatz und klicke auf das Streudiagramm-Symbol in der Galerie-Symbolleiste
2. Klicke auf Analyze Dataset
3. Warte, bis der Fortschrittsbalken abgeschlossen ist – die Ergebnisse erscheinen im selben Panel

Die Analyse läuft im Hintergrund in zwei Stufen (Computing embeddings und Clustering) ab und kann je nach Größe deines Datasets einige Minuten dauern. Du kannst das Panel schließen oder die Seite verlassen und später zurückkehren.

Visualisierung#

Sobald die Analyse abgeschlossen ist, zeigt das Panel ein 2D-Punktdiagramm aller analysierten Bilder mit einer Legende und einem Punktzähler. Galeriefilter (Split, Klasse, gelabelt/unselabelt) blenden Punkte außerhalb des Filters ab, sodass du dich auf die von dir gewünschte Teilmenge konzentrieren kannst – der Zähler zeigt dann visible / total points an.

Färben nach#

Ändere die Einfärbung der Datenpunkte über das Dropdown-Menü Color by in der Panel-Symbolleiste. Wechsle jederzeit den Ansichtsmodus – das Diagramm wird sofort neu eingefärbt, sodass du sehen kannst, wie Splits, Klassen oder Bildeigenschaften über deine Cluster verteilt sind:

Lasso-Auswahl#

Zeichne eine freie Auswahl um einen Bereich, um Punkte im Diagramm hervorzuheben. Die Galerie filtert auf die entsprechenden Bilder herunter, sodass du sie mit den üblichen image operations untersuchen, neu beschriften, verschieben oder löschen kannst.

Schwenken und Zoomen#

Navigiere direkt mit Maus und Tastatur durch große Punktdiagramme oder nutze die Zoom-Schaltflächen unten links im Plot:

Neu analysieren#

Wenn sich dein Dataset nach der Analyse ändert – neue Bilder hinzukommen oder die Anzahl der analysierten Bilder nicht mehr zum Dataset passt –, erscheint oben im Panel für Besitzer und Redakteure eine Re-analyze-Schaltfläche.

Klicke auf Re-analyze, um Embeddings und die 2D-Projektion von Grund auf neu zu berechnen.

Datensatz-Tabs#

Jede Datensatzseite kann je nach Datensatzstatus und deinen Berechtigungen bis zu sechs Tabs anzeigen:

Bilder-Tab#

Die Standardansicht zeigt die Bildergalerie mit Anmerkungs-Overlays. Unterstützt Raster-, Kompakt- und Tabellenansichtsmodi. Ziehe Dateien per Drag & Drop hierher, um weitere Bilder hinzuzufügen.

Klassen-Tab#

Dieser Tab wird angezeigt, wenn der Datensatz Bilder enthält und seine Aufgabe Klassen hat.

Verwalte Anmerkungsklassen für deinen Datensatz:

• Klassenhistogramm: Balkendiagramm, das die Anzahl der Annotationen pro Klasse zeigt, sortiert nach Häufigkeit, mit Umschalter für lineare/logarithmische Skala
• Klassentabelle: Sortierbare, durchsuchbare Tabelle mit Index, Name, Annotationsanzahl und Bildanzahl
• Klassennamen bearbeiten: Klicke auf einen Klassennamen, um ihn direkt umzubenennen
• Klassenfarben bearbeiten: Klicke auf ein Farbfeld, um die Klassenfarbe zu ändern
• Neue Klasse hinzufügen: Verwende das Eingabefeld unten, um Klassen hinzuzufügen
• Klassen zusammenführen: Wähle zwei oder mehr Zeilen aus und klicke auf Merge into one
• Klassen löschen: Wähle eine oder mehrere Zeilen aus und klicke auf Delete

Klassen zusammenführen#

Das Zusammenführen konsolidiert doppelte oder sich überschneidende Labels – zum Beispiel das Einbinden von car, automobile und vehicle in eine einzige Klasse:

1. Wähle zwei oder mehr Klassen über die Kontrollkästchen der Zeilen aus
2. Klicke auf Merge into one in der Tabellenkopfzeile oder mache einen Rechtsklick auf die Auswahl
3. Wähle aus, welche der ausgewählten Klassen das Ziel ist, in das die anderen zusammengeführt werden
4. Bestätigen

Jede Annotation, die zu den Quellklassen gehört, wird der Zielklasse neu zugewiesen, und die Quellklassen werden entfernt. Es werden keine Annotationen gelöscht, sodass die Gesamtzahl der Annotationen des Datasets unverändert bleibt.

Klassen löschen#

1. Wähle eine oder mehrere Klassen über die Kontrollkästchen der Zeilen aus
2. Klicke auf Delete in der Tabellenkopfzeile oder mache einen Rechtsklick auf die Auswahl
3. Bestätigen

Das Löschen einer Klasse entfernt die Klasse sowie alle dazugehörigen Annotationen. Bei Klassifizierungs-Datasets werden die Labels entfernt, aber die Bilder bleiben erhalten und werden unannotiert.

Registerkarte Diagramme#

Dieser Tab erscheint, wenn der Datensatz Bilder enthält.

Automatisch berechnete Statistiken aus deinem Datensatz:

Diagramme werden in dieser Reihenfolge angezeigt, und jedes wird ausgelassen, wenn das Dataset keine Daten dafür enthält – ein Rohbild-Dataset zeigt keine Annotationsdiagramme, und Points per Instance erscheint nur für Segmentierungs- und Posedaten:

Registerkarte Modelle#

Sieh dir alle mit diesem Datensatz trainierten Modelle in einer durchsuchbaren Tabelle an:

Registerkarte Fehler#

Diese Registerkarte erscheint nur, wenn eine oder mehrere Dateien bei der Verarbeitung fehlschlagen.

Bilder, deren Verarbeitung fehlgeschlagen ist, werden hier aufgelistet mit:

• Fehlerbanner: Gesamtzahl der fehlgeschlagenen Bilder und Hilfestellung
• Fehlertabelle: Dateiname, benutzerfreundliche Fehlerbeschreibung, Lösungshinweise und Vorschaubild
• Häufige Fehler sind beschädigte Dateien, nicht unterstützte Formate, zu kleine Bilder (mind. 28px) und nicht unterstützte Farbmodi

Registerkarte Versionen#

Erstelle unveränderliche NDJSON-Snapshots deines Datensatzes für reproduzierbares Training. Jede Version erfasst die Bildanzahl, Klassenanzahl, Annotationsanzahl und Dateigröße zum Zeitpunkt der Erstellung.

So erstellst du eine Version:

1. Öffne die Registerkarte Versionen
2. Gib optional eine Beschreibung ein (z. B. „500 Trainingsbilder hinzugefügt“ oder „Fehlerhaft gelabelte Klassen korrigiert“)
3. Klicke auf New Version
4. Die neue Version erscheint in der Tabelle

Jede Version wird fortlaufend nummeriert (v1, v2, v3...) und ist unveränderlich – Versionen können nicht bearbeitet oder entfernt werden, nur ihre Beschreibungen können geändert werden. Verwende die Zeilenaktionen, um eine beliebige Version jederzeit herunterzuladen oder wiederherzustellen.

Dataset exportieren#

Exportiere deinen Datensatz für die Offline-Nutzung mit einem NDJSON-Download aus dem Datensatz-Header oder der Registerkarte Versionen.

So exportierst du:

1. Klicke auf die Download-Schaltfläche (Download-Symbol) im Datensatz-Header
2. Lade den aktuellen NDJSON-Snapshot direkt herunter
3. Verwende den Versions-Tab, wenn du einen unveränderlichen, nummerierten Snapshot möchtest, den du später erneut herunterladen kannst

Das NDJSON-Format speichert ein JSON-Objekt pro Zeile. Die erste Zeile enthält Dataset-Metadaten, gefolgt von einer Zeile pro Bild:

{"type": "dataset", "task": "detect", "name": "my-dataset", "description": "...", "bytes": 12345678, "url": "https://platform.ultralytics.com/...", "class_names": {"0": "person", "1": "car"}, "version": 1, "created_at": "2026-01-15T10:00:00Z", "updated_at": "2026-02-20T14:30:00Z"}
{"type": "image", "file": "img001.jpg", "url": "https://...", "width": 640, "height": 480, "split": "train", "metadata": {"location": {"site": "factory-1"}, "reviewed": true}, "annotations": {"boxes": [[0, 0.5, 0.5, 0.2, 0.3]]}}
{"type": "image", "file": "img002.jpg", "url": "https://...", "width": 1280, "height": 720, "split": "val"}

Das optionale bildbasierte metadata-Objekt bleibt erhalten, wenn eine NDJSON-Datei in Platform importiert wird. Du kannst es im Vollbild-Informationspanel des Bildes überprüfen oder bearbeiten. Für programmierbare Archiv-Uploads akzeptiert die Ingest Dataset Data API den äquivalenten imageMetadata-Pfadpfad.

Pose-Datasets enthalten zudem ein kpt_shape-Feld in der Dataset-Header-Zeile, das aus den Annotationen abgeleitet wird, wenn es nicht bereits festgelegt ist.

Tiefenexporte deklarieren "task": "depth" und "depth_scale": 1000 in der Datensatzzeile. Jede Bildzeile enthält eine depth.url für das zugehörige einfache uint16-PNG. Ultralytics lädt Bild- und Tiefen-URLs gleichzeitig herunter und schreibt ein Trainings-YAML mit derselben Skalierung, sodass die NDJSON-Datei direkt an model.train(data=...) übergeben werden kann.

Die vollständige Spezifikation findest du in der Ultralytics NDJSON format documentation.

Bildoperationen#

Schnellaktionen#

Klicke mit der rechten Maustaste auf ein beliebiges Bild in der Grid- oder Compact-Ansicht, um auf Schnellaktionen zuzugreifen:

Bulk Move to Split#

Ordne ausgewählte Bilder einem anderen Split innerhalb desselben Datasets zu:

1. Wechsle zur Table-Ansicht
2. Wähle Bilder über Checkboxen aus
3. Klicke mit der rechten Maustaste, um das Kontextmenü zu öffnen
4. Wähle Move to split > Train, Validation oder Test

Du kannst Bilder auch per Drag & Drop auf die Split-Filter-Tabs in der Rasteransicht ziehen. Wenn das Verschieben eines Bildes mit einem identischen Bild kollidieren würde, das sich bereits im Ziel-Split befindet, fragt Platform, ob übersprungen, beide behalten oder ersetzt werden soll.

Split-Umverteilung#

Verteile alle Bilder mittels benutzerdefinierter Verhältnisse auf Train-, Validation- und Test-Splits:

1. Klicke auf die Split-Leiste in der Dataset-Symbolleiste, um den Dialog Redistribute Splits zu öffnen
2. Passe die Split-Prozentsätze mit einer der unten genannten Methoden an
3. Überprüfe die Live-Vorschau der Bildanzahl, um die Verteilung zu bestätigen
4. Klicke auf Apply, um alle Bilder zufällig gemäß deinen Prozentsätzen neu zuzuordnen

Der Dialog bietet drei Möglichkeiten, deine Ziel-Split-Verhältnisse festzulegen:

Eine Live-Vorschau zeigt genau, wie viele Bilder in jedem Split landen, bevor du die Änderungen anwendest.

Bulk Delete#

Lösche mehrere Bilder gleichzeitig:

1. Wähle Bilder in der Tabellenansicht aus
2. Klicke mit der rechten Maustaste und wähle Delete oder drücke Cmd/Ctrl+Delete
3. Bestätige das Löschen

Dataset URI#

Referenziere Platform-Datasets über das ul://-URI-Format (siehe Using Platform Datasets):

ul://username/datasets/dataset-slug

Du kannst auch direkt eine Dataset- oder Modell-Web-URL einfügen (z. B. https://platform.ultralytics.com/username/datasets/dataset-slug); sie wird automatisch in die ul://-URI umgeschrieben. Die Übergabe einer Liste von Datasets optimiert ein Basismodell nacheinander für jedes einzelne, zum Beispiel model.train(data=["ul://username/datasets/a", "ul://username/datasets/b"]).

Verwende diese URI, um Modelle von überall aus zu trainieren:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"
yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100

Verfügbare Lizenzen#

Die Platform unterstützt die folgenden Lizenzen für Datasets:

Sichtbarkeitseinstellungen#

Kontrolliere, wer dein Dataset sehen kann:

Die Sichtbarkeit wird beim Erstellen eines Datasets im New Dataset-Dialog über einen Schalter festgelegt. Öffentliche Datasets sind auf der Explore-Seite sichtbar.

Dataset bearbeiten#

Dataset-Metadaten werden direkt auf der Dataset-Seite inline bearbeitet — kein Dialog erforderlich:

• Name: Klicke auf den Datensatznamen, um ihn zu bearbeiten. Änderungen werden beim Verlassen des Feldes (Blur) oder mit Enter automatisch gespeichert. Namen sind auf 100 Zeichen begrenzt.
• Beschreibung: Klicke auf die Beschreibung (oder den Platzhalter „Beschreibung hinzufügen...“), um sie zu bearbeiten. Änderungen werden automatisch gespeichert. Beschreibungen sind auf 1.000 Zeichen begrenzt.
• Aufgabentyp: Klicke auf das Aufgaben-Badge, um einen anderen Aufgabentyp auszuwählen.
• Lizenz: Klicke auf die Lizenzauswahl, um die Dataset-Lizenz zu ändern.
• Symbol: Klicke auf das Datensatzsymbol, um dein eigenes Bild hochzuladen, eines der eigenen Bilder des Datensatzes als Symbol zu verwenden oder einen Buchstaben und eine Farbe auszuwählen.

Benutzerdefinierte Metadaten#

Öffne Weitere Aktionen und wähle Informationen, um zwei Abschnitte zu überprüfen:

• Ultralytics-Metadaten: Schreibgeschützte Platform-Details wie Dataset-ID, Besitzer, Aufgabe, Bild- und Annotationsanzahl, Speicherregion und Zeitstempel
• Benutzerdefinierte Metadaten: Dein eigenes JSON-Objekt für Provenienz, Aufnahmebedingungen, Kunden-IDs, Governance oder andere kontextbezogene Daten

Workspace-Betrachter können Metadaten einsehen, während Mitglieder mit Bearbeitungszugriff das benutzerdefinierte Metadatenobjekt ersetzen können. Das serialisierte Metadatenobjekt ist auf 500.000 Zeichen begrenzt, und jeder Schlüssel auf oberster Ebene ist auf 128 Zeichen begrenzt. Speichere ein leeres Objekt ({}), um benutzerdefinierte Metadaten zu löschen.

Dataset klonen#

Wenn du ein öffentliches Dataset anzeigst, das dir nicht gehört, klicke auf Clone Dataset, um den Klon-Dialog zu öffnen. Überprüfe Ziel-Arbeitsbereich, Name, Sichtbarkeit und Lizenz und bestätige dann das Klonen. Die Kopie enthält alle Bilder, Annotationen und Klassendefinitionen. Öffentliche Quelldatasets bleiben in Arbeitsbereichen, deren Standardsichtbarkeit öffentlich ist, standardmäßig öffentlich; Klone von Enterprise-Arbeitsbereichen sind standardmäßig privat. Wenn das Original-Dataset eine Copyleft-Lizenz hat, erbt der Klon diese und der Lizenz-Auswahlschalter ist gesperrt.

Der Ziel-Slug wird automatisch umbenannt, falls er bereits vergeben ist, und das Klonen erfordert genügend verbleibenden Speicherplatz, um die Kopie aufzunehmen.

Stern vergeben und teilen#

• Stern vergeben: Klicke auf die Stern-Schaltfläche, um einen Datensatz als Lesezeichen zu speichern. Die Anzahl der Sterne ist für alle Benutzer sichtbar.
• Teilen: Klicke bei öffentlichen Datensätzen auf die Teilen-Schaltfläche, um einen Link zu kopieren, einen Einbettungs-Snippet abzurufen oder auf sozialen Plattformen zu teilen.

Dataset löschen#

Lösche einen Datensatz, den du nicht mehr benötigst:

1. Öffne Weitere Aktionen (die Schaltfläche …) im Datensatz-Header
2. Wähle Datensatz löschen
3. Bestätige im Dialogfeld: "Dies verschiebt [name] in den Papierkorb. Du kannst ihn innerhalb von 30 Tagen wiederherstellen."

Dasselbe Menü enthält Informationen (öffnet den in Benutzerdefinierte Metadaten beschriebenen Metadaten-Dialog) und Aktualisieren (liest den Datensatz erneut vom Server ein).

Auf Datensatz trainieren#

Starte das Training direkt von deinem Datensatz aus:

1. Klicke auf der Dataset-Seite auf New Model
2. Wähle ein Projekt aus oder erstelle ein neues
3. Konfiguriere die Trainingsparameter
4. Starte das Training

graph LR
    A[Dataset]:::start --> B[New Model]:::proc
    B --> C[Select Project]:::proc
    C --> D[Configure]:::proc
    D --> E[Start Training]:::out

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

Siehe Cloud Training für Details.

FAQ#