Datensätze#

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

Ein Datensatz ist bereit für das Training, sobald die Verarbeitung abgeschlossen ist, er mindestens ein Bild in der Aufteilung train, mindestens ein Bild entweder in der Aufteilung val oder test und mindestens ein beschriftetes Bild enthält. Im Datensatzkopf wird ein Ready-Badge angezeigt, wenn alle drei Bedingungen erfüllt sind, andernfalls ein Not Ready-Badge – klicke auf das Badge, um genau zu sehen, welche Bedingung nicht erfüllt ist.

Bilder mit Agents sammeln#

Verwende Agents, um Bilder zu einem Datensatz hinzuzufügen, wenn eine Modellerkennung eine Bedingung erfüllt, etwa wenn die Konfidenz innerhalb eines ausgewählten Bereichs liegt. Verbinde die Bedingung mit einem Datensatz-Block und wähle ein Ziel aus, das du bearbeiten kannst. Die Bilder werden unbeschriftet in die Aufteilung train übernommen; bereits vorhandene Kopien werden übersprungen. Prüfe und beschrifte sie mit dem vorhandenen Annotationseditor.

Datensatz hochladen#

Ultralytics Platform unterstützt verschiedene Upload-Formate und bietet dir damit mehr Flexibilität.

Unterstützte Formate#

Unterstützte Video-Codecs#

Die Dateierweiterung allein reicht nicht aus: Ein Video kann trotzdem nicht verarbeitet werden, 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

Datensatz vorbereiten#

Platform unterstützt Ultralytics YOLO, COCO, LabelMe JSON, semantische PNG-Masken, Tiefendatensätze, Ultralytics NDJSON und Labelbox NDJSON sowie Uploads 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
train: images/train
val: images/val

names:
    0: person
    1: car
    2: dog

Wenn Labels Klassen-IDs enthalten, aber keine Klassennamen angegeben sind, ordnet die Plattform die IDs einer lückenlosen, bei 0 beginnenden Folge neu zu und benennt jede Klasse nach ihrer ursprünglichen ID (class0, class3, …). Die Namen kannst du später im Tab „Klassen“ ändern.

Details zu den einzelnen Formaten findest du unter unterstützte Aufgaben und in der Übersicht über Datensätze.

Uploadvorgang#

So erstellst du einen Datensatz:

1. Navigiere in der Seitenleiste zu Annotate
2. Klicke auf New Dataset
3. Wähle einen Tab für die Datenquelle aus (siehe unten Datenquellen)
4. Gib einen Namen ein – der URL-Teil wird automatisch abgeleitet und kann bearbeitet werden – sowie optional eine Beschreibung
5. Wähle den Aufgabentyp (siehe unterstützte Aufgaben), optional eine Lizenz (siehe verfügbare Lizenzen) und die Sichtbarkeit (öffentlich oder privat). Für einen neuen öffentlichen Datensatz ist CC BY 4.0 vorausgewählt. Wähle eine andere Lizenz oder None, um die Auswahl zu ändern
6. Klicke für lokale Dateien auf Create & Upload, für eine URL oder verbundene Quelle auf Create & Import oder auf Create Dataset, um mit einem leeren Datensatz zu beginnen

Um Dateien zu einem bestehenden Datensatz hinzuzufügen, öffne die Datensatzseite und ziehe die Dateien entweder in die Galerie oder klicke auf das Upload-Symbol in der Kopfzeile der Seite. Das Upload-Symbol öffnet direkt die native Dateiauswahl deines Browsers, da die Aufgabe des Datensatzes bereits festgelegt ist.

Datenquellen#

Der Dialog New Dataset bietet vier Quellen:

Datensätze mit Tiefendaten können nur über Upload oder URL erstellt werden; die Tabs Cloud und On Premise sind für die Tiefenaufgabe deaktiviert.

Vor dem Upload#

Die Plattform überprüft deine Dateien im Browser, bevor sie etwas hochlädt. So werden häufige Probleme sofort und nicht erst nach einer langen Übertragung erkannt. Archive werden auf Beschädigungen, leeren Inhalt, Passwortschutz und YAML-Syntaxfehler geprüft; zu große Dateien werden namentlich aufgeführt.

Danach können zwei Dialoge erscheinen:

Nach dem Upload verarbeitet die Plattform deine Daten automatisch:

1. Validierung: Prüfung von Format und Größe
2. Normalisierung: Große Bilder werden skaliert (max. 4096 px, Mindestabmessung 28 px), Graustufenbilder zu RGB erweitert, Transparenz auf weißem Hintergrund abgeflacht und die EXIF-Ausrichtung angewendet; TIFF-Originale werden so gespeichert, wie sie hochgeladen wurden, sofern sie nicht für das Training konvertiert werden müssen (siehe „Gespeicherte Bildkodierung“ weiter unten).
3. Miniaturansichten: WebP-Vorschauen mit 256 px werden erstellt
4. Auswertung von Beschriftungen: YOLO, COCO, LabelMe sowie extrahierte NDJSON-Beschriftungen von Ultralytics oder Labelbox
5. Statistiken: Klassenverteilungen und Bildabmessungen werden berechnet

from ultralytics.data.utils import check_det_dataset

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

Bilder durchsuchen#

Sieh dir die Bilder deines Datensatzes in verschiedenen Layouts an.

Öffne das Clustering-Panel über die Werkzeugleiste der Galerie, um deinen Datensatz als interaktives 2D-Streudiagramm zu erkunden.

Sortieren und filtern#

Bilder lassen sich effizient sortieren und filtern:

Vollbildanzeige#

Klicke auf ein beliebiges Bild, um es in der Vollbildanzeige zu öffnen. Dort hast du folgende Möglichkeiten:

• Navigation: Mit den Pfeiltasten oder Miniaturansichten blättern
• Bildinformationen: Von der Plattform erzeugte Eigenschaften, benutzerdefinierte Metadaten und eingebettete Dateimetadaten wie EXIF prüfen
• Benutzerdefinierte Metadaten: Eigentümer und Bearbeiter können ein JSON-Objekt hinzufügen oder ersetzen, einschließlich verschachtelter Werte mit bis zu 500.000 serialisierten Zeichen und oberster Schlüssel mit bis zu 128 Zeichen
• Annotationen: Sichtbarkeit der Annotationseinblendung umschalten
• Klassenaufschlüsselung: Anzahl der Labels pro Klasse mit Farbanzeigen
• Annotieren: Wenn du Bearbeitungszugriff hast, sind die Steuerelemente für Annotationen sofort aktiv, sobald der Vollbild-Viewer auf dem Desktop geöffnet wird
• Gesichter unkenntlich machen: Klicke mit der rechten Maustaste auf das Bild oder eine Annotation, um eine Vorschau der Unkenntlichmachung von Gesichtern anzuzeigen und sie anzuwenden, sofern verfügbar
• Herunterladen: Originalbilddatei herunterladen
• Löschen: Bild aus dem Datensatz löschen
• Zoom: Mit Cmd/Ctrl+Scroll, Cmd/Ctrl++ oder Cmd/Ctrl+= vergrößern und mit Cmd/Ctrl+- verkleinern
• Ansicht zurücksetzen: Mit Cmd/Ctrl + 0 oder der Schaltfläche zum Zurücksetzen das Bild an den Viewer anpassen
• Verschieben: Halte Space gedrückt und ziehe, oder ziehe mit der mittleren Maustaste, um die Arbeitsfläche bei jeder Zoomstufe zu verschieben
• Pixelansicht: Pixelige Darstellung für eine genaue Betrachtung umschalten
• Tiefenblende: Bei Tiefendatensätzen wechselt ein verschiebbarer Trenner zwischen dem RGB-Bild und seiner farbigen Tiefenkarte

Nach Aufteilung filtern#

Bilder nach ihrer Datensatzaufteilung filtern:

Clustering#

Der Bereich Clustering stellt deinen Datensatz als interaktives 2D-Streudiagramm dar, in dem sich visuell ähnliche Bilder nahe beieinander befinden. Nutze ihn, um Cluster aufzudecken, Duplikate und Ausreißer zu erkennen und zu prüfen, wie Aufteilungen oder Klassen in deinen Daten verteilt sind – ohne die Galerie zu verlassen. Öffne ihn über das Streudiagramm-Symbol in der Symbolleiste der Galerie auf einer beliebigen Datensatzseite. Der Bereich ist nur auf dem Desktop verfügbar; Betrachter ohne Bearbeitungszugriff sehen das Symbol, sobald der Datensatz analysiert wurde.

Analyse wird ausgeführt#

Analyse starten:

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

Die Analyse läuft im Hintergrund in zwei Phasen, Computing embeddings und Clustering, und kann je nach Größe deines Datensatzes einige Minuten dauern. Du kannst den Bereich schließen oder die Seite verlassen und später zurückkehren.

Visualisierung#

Nach Abschluss der Analyse zeigt der Bereich ein 2D-Streudiagramm aller analysierten Bilder mit einer Legende und einem Punktzähler. Galerie-Filter (Aufteilung, Klasse, beschriftet/unbeschriftet) blenden nicht passende Punkte ab, damit du dich auf die gewünschte Teilmenge konzentrieren kannst – der Zähler zeigt dann visible / total points an.

Einfärben nach#

Ändere die Schattierung der Datenpunkte über das Dropdownmenü Color by in der Symbolleiste des Bereichs. Wechsle jederzeit zwischen den Ansichtsmodi – das Diagramm wird sofort neu eingefärbt, damit du sehen kannst, wie Aufteilungen, Klassen oder Bildeigenschaften über deine Cluster verteilt sind:

Auswahl mit Lasso und Klick#

Ziehe eine Freiformauswahl um einen Bereich, um die Punkte im Diagramm hervorzuheben, oder klicke auf einen Punkt, um alle Punkte derselben Farbe auszuwählen (beim Einfärben nach Breite, Höhe, Größe oder Annotationen wird nur dieser Punkt ausgewählt); klicke auf eine leere Stelle im Diagramm, um die Auswahl aufzuheben. Die Galerie wird auf die passenden Bilder gefiltert, sodass du sie mit den üblichen Bildaktionen prüfen, neu beschriften, verschieben oder löschen kannst.

Verschieben und Zoomen#

Navigiere mit Maus und Tastatur oder über die Zoom-Schaltflächen unten links im Diagramm durch große Streudiagramme:

Erneute Analyse#

Wenn sich dein Datensatz nach der Analyse ändert – neue Bilder hinzukommen oder die analysierte Anzahl nicht mehr mit dem Datensatz übereinstimmt – oder die Analyse vor der Farboption Cluster durchgeführt wurde, erscheint oben im Bereich für Eigentümer und Bearbeiter eine Schaltfläche Re-analyze.

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

Ähnliche Bilder finden#

Dieselben Embeddings ermöglichen die Ähnlichkeitssuche in öffentlichen Datensätzen sowie in deinen eigenen und den Datensätzen deines Teams. In einem Datensatz, den du bearbeiten kannst, klicke in der Ansicht Grid oder Compact mit der rechten Maustaste auf ein Bild (oder in der Ansicht Table auf eine einzelne ausgewählte Zeile) und wähle Find similar images. Das Dialogfeld zeigt das Quellbild neben bis zu 24 der ähnlichsten Bilder an, die jeweils mit ihrem Ähnlichkeitswert gekennzeichnet sind. Dabei werden dein Datensatz und alle Datensätze ausgeschlossen, die eine Kopie des ausgewählten Bildes enthalten. Klicke auf ein Bild, um es in voller Größe in der Vorschau sowie den Quelldatensatz, die Lizenz und den Ähnlichkeitswert anzuzeigen. Wähle Bilder über ihre Kontrollkästchen aus (oder wähle alle aus) und klicke dann auf Add N to dataset: Die Bilder werden dem Split train als nicht beschriftete Bilder hinzugefügt, auf deinen Speicherplatz angerechnet und stehen zur Annotation bereit.

Ein Bild ohne Einbettung – in einem noch nicht analysierten Datensatz oder wenn es seit der letzten Analyse hinzugefügt wurde – wird eingebettet, sobald du den Dialog öffnest. Du musst also nicht zuerst eine Clustering-Analyse ausführen. Bei Datensätzen im Cloud-Speicher müssen KI-Funktionen aktiviert sein; der Datensatz lässt sich dann nur durchsuchen, da Bilder nicht zu einem verbundenen Datensatz hinzugefügt werden können. Für On-Premise-Datensätze ist die Funktion nicht verfügbar. Die Validierungsdiagnosen pro Bild eines Modells führen dieselbe Suche anhand der Bilder mit der schlechtesten Leistung aus.

Dataset-Tabs#

Je nach Zustand des Datensatzes und deinen Berechtigungen können auf jeder Datensatzseite bis zu sechs Tabs angezeigt werden:

Tab „Bilder“#

Die Standardansicht mit der Bildergalerie und den Annotationseinblendungen. Unterstützt die Ansichtsmodi Raster, Kompakt und Tabelle. Ziehe Dateien per Drag-and-drop hierher, um weitere Bilder hinzuzufügen.

Tab „Klassen“#

Dieser Tab wird angezeigt, wenn der Datensatz Bilder enthält und für seine Aufgabe Klassen definiert sind.

Verwalte die Annotationsklassen deines Datensatzes:

• Klassenhistogramm: Balkendiagramm mit der Anzahl der Annotationen pro Klasse, nach Häufigkeit sortiert, mit Umschaltung zwischen linearer und logarithmischer Skala
• Klassentabelle: Sortier- und durchsuchbare Tabelle mit Index, Name, Anzahl der Annotationen und Anzahl der Bilder
• Klassennamen bearbeiten: Klicke auf einen Klassennamen, um ihn direkt umzubenennen
• Klassenfarben bearbeiten: Klicke auf ein Farbfeld, um die Klassenfarbe zu ändern
• Neue Klasse hinzufügen: Füge über das Eingabefeld unten Klassen hinzu
• Klassen zusammenführen: Wähle mindestens zwei Zeilen aus und klicke auf Merge into one
• Klassen löschen: Wähle mindestens eine Zeile aus und klicke auf Delete

Klassen zusammenführen#

Beim Zusammenführen werden doppelte oder überlappende Labels zusammengefasst – beispielsweise car, automobile und vehicle zu einer Klasse:

1. Wähle über die Kontrollkästchen der Zeilen mindestens zwei Klassen aus
2. Klicke in der Tabellenkopfzeile auf Merge into one oder klicke mit der rechten Maustaste auf die Auswahl
3. Wähle aus den markierten Klassen die Zielklasse, in die die anderen Klassen zusammengeführt werden
4. Bestätige

Jede Annotation der Quellklassen wird der Zielklasse zugewiesen, und die Quellklassen werden entfernt. Es werden keine Annotationen gelöscht, daher bleibt die Gesamtzahl der Annotationen im Datensatz unverändert.

Klassen löschen#

1. Wähle über die Kontrollkästchen der Zeilen mindestens eine Klasse aus
2. Klicke in der Tabellenkopfzeile auf Delete oder klicke mit der rechten Maustaste auf die Auswahl
3. Bestätige

Beim Löschen einer Klasse werden die Klasse und alle zugehörigen Annotationen entfernt. Bei Klassifizierungsdatensätzen werden die Labels entfernt, die Bilder bleiben jedoch erhalten und sind anschließend nicht annotiert.

Registerkarte „Diagramme“#

Diese Registerkarte wird angezeigt, wenn der Datensatz Bilder enthält.

Automatisch aus deinem Datensatz berechnete Statistiken:

Die Diagramme erscheinen in der folgenden Reihenfolge. Ein Diagramm wird ausgelassen, wenn der Datensatz dafür keine Daten enthält – ein Datensatz mit unbeschrifteten Bildern zeigt keine Annotationsdiagramme, und Points per Instance wird nur für Segmentierungs- und Posendaten angezeigt:

Registerkarte „Modelle“#

Sieh dir alle Modelle, die mit diesem Datensatz trainiert wurden, in einer durchsuchbaren Tabelle an:

Registerkarte „Fehler“#

Diese Registerkarte wird nur angezeigt, wenn mindestens eine Datei nicht verarbeitet werden konnte.

Hier werden Bilder aufgeführt, deren Verarbeitung fehlgeschlagen ist:

• Fehlerhinweis: Gesamtzahl der Bilder, deren Verarbeitung fehlgeschlagen ist, und entsprechende Hinweise
• Fehlertabelle: Dateiname, verständliche Fehlerbeschreibung, Hinweise zur Behebung und Vorschaubild
• Häufige Fehler sind beschädigte Dateien, nicht unterstützte Formate, zu kleine Bilder (mindestens 28 px erforderlich) und nicht unterstützte Farbmodi

Registerkarte „Versionen“#

Erstelle unveränderliche NDJSON-Momentaufnahmen deines Datensatzes, um reproduzierbares Training zu ermöglichen. Jede Version erfasst zum Zeitpunkt ihrer Erstellung die Bildanzahl, Klassenanzahl, Annotationsanzahl und den hinzugefügten Speicherplatz.

So erstellst du eine Version:

1. Öffne die Registerkarte Versionen
2. Gib optional eine Beschreibung ein (z. B. „500 Trainingsbilder hinzugefügt“ oder „Falsch zugewiesene Klassen korrigiert“)
3. Klicke auf Neue Version
4. Die neue Version wird in der Tabelle angezeigt. Wenn der Datensatz mit einer vorhandenen Version übereinstimmt, etwa direkt nach einer Wiederherstellung, wird diese Version wiederverwendet und erhält die neue Beschreibung, falls du eine eingegeben hast.

Jede Version erhält fortlaufend eine Nummer (v1, v2, v3 …) und ist unveränderlich – Versionen können weder bearbeitet noch gelöscht werden; nur ihre Beschreibungen lassen sich ändern. Über die Aktionen in der Zeile kannst du jederzeit eine Version herunterladen oder wiederherstellen.

Versionen vergleichen#

Klicke bei einer beliebigen Version nach v1 auf das Vergleichssymbol, um zu sehen, was sich seit einer früheren Version geändert hat. Versionen vergleichen beginnt mit der vorherigen Version; wähle im Menü Von eine andere Version aus. Die unter Bilder, Anmerkungen, Klassen und Einstellungen gruppierten Markierungen geben die Anzahl der hinzugefügten, entfernten, geänderten und in eine andere Aufteilung verschobenen Bilder sowie der hinzugefügten und entfernten Anmerkungen an. Außerdem nennen sie die hinzugefügten, entfernten oder umbenannten Klassen und alle geänderten Datensatzeinstellungen. Jedes geänderte Bild wird mit seinem Abzeichen aufgelistet. Wähle ein Bild aus, um es Vorher und Nachher zu sehen. Auf beiden Seiten werden die Beschriftungen angezeigt, die in der jeweiligen Version gespeichert waren. Wenn sich die Metadaten eines Bildes geändert haben, führt Metadatenänderungen jeden hinzugefügten, entfernten oder geänderten Schlüssel mit seinem Wert in beiden Versionen auf. Wenn Bilder, ihre Metadaten und Anmerkungen identisch sind, meldet der Dialog Keine Änderungen oder Keine Bildänderungen, wenn sich nur Klassendefinitionen oder Datensatzeinstellungen unterscheiden.

Datensatz exportieren#

Exportiere deinen Datensatz zur Offline-Nutzung als NDJSON-Datei über die Kopfzeile des Datensatzes oder den Tab „Versionen“.

So exportierst du:

1. Klicke in der Kopfzeile des Datensatzes auf die Schaltfläche Herunterladen (Download-Symbol).
2. Lade den aktuellen NDJSON-Snapshot direkt herunter.
3. Verwende den Tab Versionen, wenn du einen unveränderlichen, nummerierten Snapshot erstellen möchtest, den du später erneut herunterladen kannst.

Das NDJSON-Format speichert pro Zeile ein JSON-Objekt. Die erste Zeile enthält Metadaten zum Datensatz, danach folgt eine 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 Objekt metadata auf Bildebene bleibt erhalten, wenn eine NDJSON-Datei in Platform importiert wird. Du kannst das Objekt im Vollbild-Informationsbereich des Bildes ansehen oder bearbeiten. Für programmatische Archiv-Uploads akzeptiert die API zum Einlesen von Datensatzdaten die entsprechende Pfadzuordnung imageMetadata.

Pose-Datensätze enthalten außerdem ein Feld kpt_shape in der Kopfzeile des Datensatzes. Wenn das Feld noch nicht festgelegt wurde, wird sein Wert aus den Anmerkungen abgeleitet.

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

Die NDJSON-Datei verweist auf die Bilder, statt sie zu enthalten. Um die Bilder und Beschriftungen im YOLO-Format auf deinen Computer zu laden, übergib die Datei oder direkt die ul://-URI des Datensatzes an model.train(data=...), und Ultralytics lädt die Bilder herunter und erstellt die YOLO-Ordner für dich. Wenn du die Ordner ohne Training erstellen möchtest, konvertiere die Datei lokal:

import asyncio

from ultralytics.data.converter import convert_ndjson_to_yolo

yaml_path = asyncio.run(convert_ndjson_to_yolo("my-dataset.ndjson", output_path="datasets"))

Die vollständige Spezifikation findest du in der Dokumentation zum Ultralytics-NDJSON-Format.

Bildaktionen#

Schnellaktionen#

Klicke mit der rechten Maustaste auf ein Bild in der Ansicht Raster oder Kompakt oder auf eine einzelne ausgewählte Zeile in der Ansicht Tabelle, um Schnellaktionen aufzurufen. Welche Aktionen verfügbar sind, hängt von deinen Bearbeitungsrechten und der Quelle des Datensatzes ab:

Mehrere Bilder in eine andere Aufteilung verschieben#

Weise ausgewählte Bilder innerhalb desselben Datensatzes einer anderen Aufteilung zu:

1. Wechsle zur Ansicht Tabelle.
2. Wähle Bilder über die Kontrollkästchen 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-and-drop auf die Tabs der Aufteilungsfilter in der Rasteransicht ziehen. Wenn ein Bild beim Verschieben mit einem identischen Bild in der Zielaufteilung kollidieren würde, fragt Platform, ob das Bild übersprungen, beibehalten oder ersetzt werden soll.

Aufteilungen neu verteilen#

Verteile alle Bilder anhand eigener Verhältnisse auf die Trainings-, Validierungs- und Testaufteilungen:

1. Klicke im Tab Images auf den schmalen farbigen Trennbalken direkt unter All / Train / Val / Test, um den Dialog Redistribute Splits zu öffnen
2. Passe die Prozentsätze der Aufteilungen mit einer der folgenden Methoden an.
3. Prüfe die Live-Vorschau der Bildanzahl, um die Verteilung zu bestätigen.
4. Klicke auf Anwenden, um alle Bilder anhand deiner Prozentangaben zufällig neu zuzuweisen.

Im Dialog gibt es drei Möglichkeiten, die Zielverhältnisse der Aufteilungen festzulegen:

Eine Live-Vorschau zeigt genau, wie viele Bilder vor dem Anwenden auf die einzelnen Aufteilungen entfallen.

Mehrere Bilder löschen#

Lösche mehrere Bilder auf einmal:

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

Bilder kopieren und verschieben#

Kopiere oder verschiebe Bilder aus einem Datensatz, den du bearbeiten kannst, in einen anderen Datensatz – auch in einen Datensatz in einem anderen Workspace:

1. Klicke im Quelldatensatz in der Ansicht Raster oder Kompakt mit der rechten Maustaste auf ein Bild und wähle Kopieren oder Ausschneiden. Oder wähle Bilder in der Ansicht Tabelle aus und drücke Cmd/Ctrl+C oder Cmd/Ctrl+X. Esc leert die Zwischenablage.
2. Öffne den Zieldatensatz, klicke mit der rechten Maustaste auf ein Bild und wähle Einfügen, oder drücke Cmd/Ctrl+V.

Eingefügte Bilder behalten ihre Labels und Aufteilungen. Bilder, die sich im selben Split bereits im Zieldatensatz befinden, werden übersprungen. Mit Ausschneiden werden eingefügte Bilder aus dem Quelldatensatz entfernt; mit Kopieren bleibt der Quelldatensatz unverändert. Quell- und Zieldatensatz müssen dieselbe Aufgabe und kompatible Bildkanäle, Einstellungen für Pose-Keypoints und Tiefenskalen haben – auch wenn die kopierten Bilder keine Labels besitzen. Ein leerer Zieldatensatz kann nicht festgelegte Einstellungen für Bildkanäle und Pose übernehmen. Bilder können nicht in einen verbundenen Datensatz eingefügt werden.

Klassen werden anhand ihres Namens abgeglichen. Dabei wird die Groß- und Kleinschreibung ignoriert, außer bei Namen mit einem oder zwei Zeichen. Hat das Ziel keine Klassen, übernimmt es die Klassenliste der Quelle. Wenn ein eingefügtes Bild eine Klasse verwendet, die im Ziel nicht vorhanden ist, fordert dich das Dialogfeld Klassen zuordnen auf, jede solche Klasse einer Datensatzklasse oder einer neuen Klasse zuzuordnen. Alternativ kannst du das Kontrollkästchen Einschließen deaktivieren, um die Beschriftungen dieser Klasse zu verwerfen. Die Bilder werden in jedem Fall eingefügt.

Ähnliche Bilder generieren#

Erstelle neue Trainingsbilder auf Grundlage eines Bildes, das du bereits hast. Klicke in einem Datensatz, den du bearbeiten kannst, in der Ansicht Raster oder Kompakt mit der rechten Maustaste auf ein Bild (oder wähle in der Ansicht Tabelle eine einzelne Zeile aus) und wähle Ähnliche Bilder generieren. Platform beschreibt neue Szenen, die vom Bild inspiriert sind, und generiert jeweils ein Bild. Die Ergebnisse weisen daher ähnliche Motive und einen ähnlichen Stil wie das Ausgangsbild auf, ohne es zu kopieren.

Ultralytics Image 9B und Krea 2 Turbo werden ebenfalls aufgeführt, können aber erst ausgewählt werden, wenn du Frühzeitigen Zugriff aktivierst. Krea 2 Turbo ist die langsamste Option. Die ursprünglichen Seitenverhältnisse bleiben erhalten, sofern dies unterstützt wird. Bei sehr schmalen Bildern ist möglicherweise eine größere längste Kante erforderlich. Die Ausgabemaße werden gerundet und auf die unterstützten Größen des Generators beschränkt.

Klicke auf Generate oder drücke ⌘/Ctrl+Enter in Instructions. Die Bilder werden angezeigt, sobald sie fertig sind, und sind alle ausgewählt. Mit Stop wird ein laufender Stapel beendet, wobei bereits eingetroffene Bilder erhalten bleiben. Um andere Anweisungen oder Einstellungen auszuprobieren, ändere sie und klicke auf Generate more: Jeder neue Stapel wird oberhalb der vorherigen angezeigt, deren Auswahl erhalten bleibt. Klicke auf ein Bild, um es in voller Größe anzuzeigen, entferne bei unerwünschten Bildern das Häkchen und klicke auf Add N to dataset. Die übernommenen Bilder werden ohne Beschriftungen als JPEG-Dateien mit dem Namen des Quellbilds hochgeladen, auf deinen Speicherplatz angerechnet und sind anschließend für die Annotation bereit. Sie werden dem aktiven Split-Filter entsprechend hinzugefügt: Wähle vor dem Generieren Train aus, um sie train hinzuzufügen. Wenn All ausgewählt ist, gilt die übliche Zuweisung beim Hochladen, einschließlich der automatischen Aufteilung für die Validierung, falls erforderlich. Mit Cancel werden die Vorschauen verworfen, ohne sie hinzuzufügen. Für generierte Bilder gilt die Einstellung zum Weichzeichnen von Gesichtern beim Hochladen des Datensatzes. Bei Datensätzen im Cloud-Speicher müssen KI-Funktionen aktiviert sein und der Bucket Schreibzugriff erlauben: Übernommene Bilder werden in einen Ordner generated/ im Datensatzordner geschrieben und nicht im Platform-Speicher abgelegt. Die Funktion ist bei schreibgeschützten Buckets und On-Premise-Datensätzen nicht verfügbar.

Kostenpflichtige Bildgenerierungsmodelle#

Die Modellauswahl führt außerdem die kostenpflichtigen Modelle der einzelnen Anbieter unter ihrem API-Namen auf. OpenAI-Modelle generieren Bilder in niedriger Qualität.

Ein kostenpflichtiges Modell generiert Bilder mit dem Anbieterschlüssel, der in den Einstellungen > API-Schlüssel des Arbeitsbereichs des Datensatzes gespeichert ist. Der Anbieter berechnet diesem Schlüssel wie bei kostenpflichtigen Annotationsmodellen jedes Bild. Ohne gespeicherten Schlüssel schlägt der Stapel fehl, bevor ein Bild generiert wird, und es wird ein Link API-Schlüssel hinzufügen angezeigt. Lehnt der Anbieter den Schlüssel ab, führt der Fehler zum Link API-Schlüssel überprüfen. Frage in einem Team-Arbeitsbereich den Eigentümer des Arbeitsbereichs, ob er den Schlüssel hinzufügen kann. Für jeden Stapel werden Modell, Größe und Kosten aufgeführt: Kostenlos bei einem gehosteten Modell; bei einem kostenpflichtigen Modell die vom Anbieter berechneten Kosten oder andernfalls Abgerechnet durch und der Name des Anbieters. Über den Ergebnissen zeigt Gesamt die laufenden Kosten der kostenpflichtigen Stapel an, während die Bilder eintreffen.

Gesichter unkenntlich machen#

Mache die Gesichter in Bildern eines Datensatzes unkenntlich, den du bearbeiten kannst – beispielsweise, um die Privatsphäre der abgebildeten Personen zu schützen. Für verbundene Datensätze und Datensätze mit mehr als drei Bildkanälen ist diese Funktion nicht verfügbar.

• Ein Bild: Klicke in der Raster- oder Kompakt-Ansicht mit der rechten Maustaste auf das Bild (oder in der Tabellen-Ansicht auf eine einzelne ausgewählte Zeile). Klicke beim Annotieren in der Vollbildansicht (nicht bei Klassifizierungsdatensätzen) mit der rechten Maustaste auf das Bild oder eine Annotation und wähle Gesichter unkenntlich machen.
• Gesamter Datensatz: Öffne auf der Datensatzseite Weitere Aktionen (⋯) und wähle Gesichter unkenntlich machen.

Im Dialog wird zunächst eine Vorschau der erkannten Gesichter in bis zu sechs Bildern (oder im einzelnen Bild) angezeigt, ohne diese zu verändern. Passe Konfidenz (Standard: 0.25) und Rahmenskalierung (0.5–1.5, Standard: 1; damit wird jeder Gesichtsrahmen um seinen Mittelpunkt skaliert) an, um die Vorschau erneut auszuführen. Klicke dann auf Anwenden, um die ursprünglichen Pixel in allen Bildern zu ersetzen, in denen Gesichter erkannt wurden. Bilder ohne erkannte Gesichter bleiben unverändert, Labels und Aufteilungen bleiben erhalten. Da möglicherweise nicht alle Gesichter erkannt werden, solltest du das Ergebnis überprüfen. Durch das Unkenntlichmachen wird nicht automatisch ein Versions-Snapshot erstellt. Das Unkenntlichmachen im gesamten Datensatz kostet 1,00 $ pro 1.000 verarbeitete Bilder, mindestens jedoch 0,01 $ pro Durchlauf (abgerechnet als Automatische Annotation). Der Dialog zeigt den Kostenvoranschlag vor dem Anwenden an; Vorschauen und das Unkenntlichmachen einzelner Bilder sind kostenlos.

Um Gesichter in Bildern beim Hochladen unkenntlich zu machen, aktiviere beim Erstellen eines Datensatzes über Hochladen oder URL die Option Gesichter unkenntlich machen oder aktiviere im Dialog Gesichter unkenntlich machen für den gesamten Datensatz die Option Zukünftige Uploads unkenntlich machen. Die Option Zukünftige Uploads unkenntlich machen wird sofort gespeichert, auch wenn du den Dialog schließt, ohne auf Anwenden zu klicken. Später in den Datensatz hochgeladene Bilder werden während der Verarbeitung kostenlos unkenntlich gemacht. Diese Einstellung ändert nichts an Bildern, die sich bereits im Datensatz befinden.

Datensatz-URI#

Verweise mit dem URI-Format ul:// auf Platform-Datensätze (siehe Platform-Datensätze verwenden):

ul://username/datasets/dataset-slug

Du kannst auch direkt eine Web-URL zu einem Datensatz oder Modell einfügen (z. B. https://platform.ultralytics.com/username/datasets/dataset-slug); sie wird automatisch in die URI ul:// umgewandelt. Wenn du eine Liste von Datensätzen übergibst, wird ein Basismodell nacheinander auf jedem Datensatz feinabgestimmt, 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#

Platform unterstützt die folgenden Lizenzen für Datensätze:

Sichtbarkeitseinstellungen#

Lege fest, wer deinen Datensatz sehen kann:

Die Sichtbarkeit wird beim Erstellen eines Datensatzes im Dialogfeld New Dataset über einen Umschalter festgelegt, der standardmäßig der Standardsichtbarkeit des Arbeitsbereichs entspricht. Um sie später zu ändern, klicke im Breadcrumb der Seite neben dem Datensatznamen auf das Abzeichen Public oder Private. Wenn du einen Datensatz öffentlich machst, musst du dies bestätigen. Datensätze auf On Premise sind immer privat. Öffentliche Datensätze sind auf der Seite Explore sichtbar.

Datensatz bearbeiten#

Metadaten des Datensatzes bearbeitest du direkt und inline auf der Datensatzseite – ein Dialog ist nicht erforderlich:

• Name: Klicke auf den Datensatznamen, um ihn zu bearbeiten. Änderungen werden automatisch gespeichert, sobald das Feld den Fokus verliert oder du Enter verwendest. Namen dürfen höchstens 100 Zeichen lang sein.
• Beschreibung: Klicke zum Bearbeiten auf die Beschreibung (oder den Platzhalter „Beschreibung hinzufügen …“). Änderungen werden automatisch gespeichert. Beschreibungen dürfen höchstens 1.000 Zeichen lang sein.
• Aufgabentyp: Klicke auf das Aufgabenabzeichen, um einen anderen Aufgabentyp auszuwählen.
• Lizenz: Klicke auf die Lizenzeinstellung, um die Lizenz des Datensatzes zu ändern.
• Symbol: Klicke auf das Datensatzsymbol, um ein eigenes Bild hochzuladen, eines der Bilder des Datensatzes als Symbol festzulegen oder einen Buchstaben und eine Farbe auszuwählen.

Benutzerdefinierte Metadaten#

Öffne Weitere Aktionen und wähle Informationen, um zwei Bereiche aufzurufen:

• Ultralytics-Metadaten: schreibgeschützte Platform-Details wie Datensatz-ID, Eigentümer, Aufgabe, Anzahl der Bilder und Anmerkungen, Speicherregion und Zeitstempel
• Benutzerdefinierte Metadaten: ein eigenes JSON-Objekt für Herkunftsinformationen, Aufnahmebedingungen, Kunden-IDs, Governance oder andere Kontextdaten

Betrachter des Arbeitsbereichs können Metadaten einsehen, während Mitglieder mit Bearbeitungszugriff das benutzerdefinierte Metadatenobjekt ersetzen können. Das serialisierte Metadatenobjekt darf höchstens 500.000 Zeichen umfassen; jeder Schlüssel der obersten Ebene ist auf 128 Zeichen begrenzt. Speichere ein leeres Objekt ({}), um die benutzerdefinierten Metadaten zu löschen.

Datensatz klonen#

Wenn du einen öffentlichen Datensatz ansiehst, der dir nicht gehört, klicke auf Clone Dataset, um den Klondialog zu öffnen. Überprüfe den Zielarbeitsbereich, den Namen, die Sichtbarkeit und die Lizenz und bestätige dann den Klonvorgang. Die Kopie umfasst alle Bilder, Annotationen und Klassendefinitionen, sofern du nicht nur einige Splits oder eine der gespeicherten Versionen auswählst. Mit Vorhandener Datensatz werden die Bilder stattdessen ohne Labels zu einem Datensatz hinzugefügt, der dir gehört. Um nur einige Bilder zu kopieren, wähle sie aus und klicke auf Bilder klonen; über den Schalter Annotationen wird festgelegt, ob ihre Labels mitkopiert werden. Öffentliche Quelldatensätze bleiben standardmäßig öffentlich, sofern die standardmäßige Sichtbarkeit von Datensätzen des Arbeitsbereichs nicht auf „Privat“ eingestellt ist. Wenn für den ursprünglichen Datensatz eine Copyleft-Lizenz gilt, übernimmt der Klon diese Lizenz und die Lizenz kann nicht geändert werden.

Bei einem neuen Datensatz bleibt Datensatz klonen im Klondialog deaktiviert, solange die URL bereits im Zielarbeitsbereich verwendet wird. Zum Klonen muss noch genügend Speicherplatz verfügbar sein, um die Kopie aufzunehmen.

Markieren und teilen#

• Markieren: Klicke auf die Sternschaltfläche, um einen Datensatz als Lesezeichen zu speichern. Die Anzahl der Sterne ist für alle Nutzer sichtbar.
• Teilen: Klicke bei öffentlichen Datensätzen auf die Schaltfläche zum Teilen, um einen Link zu kopieren, einen Einbettungscode abzurufen oder den Datensatz auf sozialen Plattformen zu teilen.

Datensatz löschen#

Lösche einen Datensatz, den du nicht mehr benötigst:

1. Öffne Weitere Aktionen (die Schaltfläche …) im Kopfbereich des Datensatzes
2. Wähle Datensatz löschen
3. Bestätige im Dialog: „Dadurch wird [name] in den Papierkorb verschoben. Du kannst den Datensatz innerhalb von 30 Tagen wiederherstellen.“

Dasselbe Menü enthält Informationen, womit der unter Benutzerdefinierte Metadaten beschriebene Metadatendialog geöffnet wird, und Aktualisieren, womit der Datensatz erneut vom Server eingelesen wird.

Mit dem Datensatz trainieren#

Starte das Training direkt über deinen Datensatz:

1. Klicke auf der Datensatzseite auf New Model
2. Wähle ein Projekt aus oder erstelle ein neues
3. Lege die Trainingsparameter fest
4. Starte das Training

Weitere Informationen findest du unter Cloud-Training.

Häufig gestellte Fragen#