Datensätze#

Ultralytics Platform Datasets bieten eine optimierte Lösung für die Verwaltung deiner Trainingsdaten. Nach dem Hochladen 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 Splits val oder test, mindestens ein Bild mit Label und insgesamt mindestens zwei Bilder enthält.

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 nicht vom Platform-Ingest-Worker 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, Ultralytics NDJSON und das Hochladen von Rohdaten (ohne Annotationen):

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

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 den Task-Typ aus (siehe supported tasks)
4. Füge einen Namen und eine optionale Beschreibung hinzu
5. Leg die Sichtbarkeit fest (öffentlich oder privat) und optional eine Lizenz (siehe available licenses)
6. Füge Dateien hinzu und klicke auf Create & Upload oder klicke auf Create Dataset, um mit einem leeren Dataset 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.

Nach dem Hochladen verarbeitet die Plattform deine Daten durch eine mehrstufige Pipeline:

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. 4096px, Mindestdimension 28px)
3. Thumbnails: Es werden 256px WebP-Vorschauen generiert
4. Label-Parsing: Labels im YOLO- und COCO-Format 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

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 und kann je nach Größe deines Datensatzes 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-Streudiagramm aller analysierten Bilder. Galerie-Filter (Split, Klasse, annotiert/nicht annotiert) dimmen Punkte außerhalb des Filters, sodass du dich auf die für dich relevante Untermenge konzentrieren kannst.

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 große Streudiagramme direkt mit Maus und Tastatur:

Neu analysieren#

Wenn sich dein Dataset nach der Analyse ändert, erscheint oben im Panel eine Re-analyze-Schaltfläche für Besitzer und Editoren.

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 erscheint, wenn der Datensatz Bilder enthält.

Verwalte Anmerkungsklassen für deinen Datensatz:

• Klassen-Histogramm: Balkendiagramm, das die Anzahl der Anmerkungen pro Klasse mit Umschalter für lineare/logarithmische Skalierung zeigt
• Klassentabelle: Sortierbare, durchsuchbare Tabelle mit Klassennamen, Label-Anzahl 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

Registerkarte Diagramme#

Dieser Tab erscheint, wenn der Datensatz Bilder enthält.

Automatisch berechnete Statistiken aus deinem Datensatz:

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
5. Verwende die Zeilenaktionen, um die Version herunterzuladen, wiederherzustellen oder zu löschen

Jede Version ist fortlaufend nummeriert (v1, v2, v3...). Du kannst eine gespeicherte Version herunterladen, solange sie in der Versionstabelle verbleibt.

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 die Plattform importiert wird. Du kannst es im Vollbild-Informationspanel des Bildes überprüfen oder bearbeiten. Für programmierbare Archiv-Uploads akzeptiert die Dataset Ingest API die äquivalente imageMetadata-Pfadzuordnung.

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 in der Grid-Ansicht auch per Drag-and-Drop auf die Split-Filter-Tabs ziehen.

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
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 Dataset-Namen, um ihn zu bearbeiten. Änderungen werden beim Verlassen des Feldes (Blur) oder über Enter automatisch gespeichert.
• Beschreibung: Klicke auf die Beschreibung (oder den Platzhalter "Add a description..."), um sie zu bearbeiten. Änderungen werden automatisch gespeichert.
• Aufgabentyp: Klicke auf das Aufgaben-Badge, um einen anderen Aufgabentyp auszuwählen.
• Lizenz: Klicke auf die Lizenzauswahl, um die Dataset-Lizenz zu ändern.

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.

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: Bei öffentlichen Datensätzen klicke auf die Teilen-Schaltfläche, um einen Link zu kopieren oder ihn auf sozialen Plattformen zu teilen.

Dataset löschen#

Lösche einen Datensatz, den du nicht mehr benötigst:

1. Klicke auf das Delete dataset-Papierkorbsymbol im Dataset-Header
2. Bestätige im Dialogfeld: "Dies verschiebt [name] in den Papierkorb. Du kannst ihn innerhalb von 30 Tagen wiederherstellen."

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#

Was passiert nach dem Hochladen mit meinen Daten?#

Deine Daten werden in der von dir gewählten Region (US, EU oder AP) verarbeitet und gespeichert. Bilder werden wie folgt behandelt:

1. Validierung von Format und Größe
2. Ablehnung, wenn die Mindestdimension unter 28px liegt
3. Normalisierung, wenn sie größer als 4096px sind (unter Beibehaltung des Seitenverhältnisses; kodiert für optimierte Speicherung)
4. Speicherung mittels Content-Addressable Storage (CAS) mit XXH3-128 Hashing
5. Erstellung von Thumbnails im 256px WebP-Format für schnelles Durchsuchen

Wie funktioniert die Speicherung?#

Die Ultralytics Plattform nutzt Content-Addressable Storage (CAS) für effiziente Speicherung:

• Deduplizierung: Identische Bildbytes in derselben Datenregion verwenden dasselbe zugrunde liegende Objekt wieder
• Integrität: XXH3-128 Hashing stellt die Datenintegrität sicher
• Effizienz: Klons verwenden CAS-Objekte wieder, anstatt Bildbytes zu kopieren, während sie dennoch auf das Speicherkontingent des Ziel-Workspaces angerechnet werden
• Regional: Daten verbleiben in deiner gewählten Region (US, EU oder AP)

Kann ich Bilder zu einem bestehenden Datensatz hinzufügen?#

Ja. Ziehe Dateien per Drag & Drop in die Dataset-Galerie oder klicke auf das Upload-Symbol im Seitenkopf, wodurch die native Dateiauswahl deines Browsers direkt geöffnet wird. Neue Statistiken werden nach der Verarbeitung automatisch berechnet.

Wie verschiebe ich Bilder zwischen Splits?#

Verwende die Funktion zum massenhaften Verschieben in Splits:

1. Wähle Bilder in der Tabellenansicht aus
2. Klicke mit der rechten Maustaste und wähle Move to split
3. Wähle den Ziel-Split (Train, Validation oder Test)

Welche Label-Formate werden unterstützt?#

Die Ultralytics Plattform unterstützt YOLO Labels, COCO JSON, Ultralytics NDJSON und den Upload von Rohbildern:

Kann ich denselben Datensatz für mehrere Aufgabentypen annotieren?#

Ja. Jedes Bild speichert Annotationen für alle 6 Task-Typen (detect, segment, semantic, classify, pose, OBB) zusammen. Du kannst den aktiven Task-Typ des Datasets jederzeit umschalten, ohne bestehende Annotationen zu verlieren. Im Editor werden nur Annotationen angezeigt, die zum aktiven Task-Typ passen, und auch nur diese sind in Exporten und im Training enthalten – Annotationen für andere Tasks bleiben erhalten und erscheinen wieder, wenn du zurückwechselst.