Datensätze#

Datensätze der Ultralytics Platform bieten eine optimierte Lösung für die Verwaltung deiner Trainingsdaten. Nach dem Hochladen verarbeitet die Plattform Bilder, Beschriftungen und Statistiken automatisch.

Ein Datensatz ist trainingsbereit, sobald die Verarbeitung abgeschlossen ist, mindestens ein Bild im Split train vorhanden ist, mindestens ein Bild entweder im Split val oder test vorhanden ist und mindestens ein beschriftetes Bild vorliegt. Im Kopfbereich des Datensatzes wird ein Ready-Abzeichen angezeigt, wenn alle drei Bedingungen erfüllt sind, andernfalls ein Not Ready-Abzeichen – klicke auf das Abzeichen, um genau zu sehen, welche Bedingung fehlt.

Bilder mit Agents sammeln#

Verwende Agents, um einem Dataset Bilder hinzuzufügen, wenn eine Modelldetektion eine Bedingung erfüllt, wie etwa eine Konfidenz in einem gewählten Bereich. Verbinde die Bedingung mit einem Dataset-Block und wähle ein Ziel aus, das du bearbeiten kannst. Bilder treffen unbeschriftet im train-Split ein; bereits vorhandene Kopien werden übersprungen. Überprüfe und beschrifte die Bilder mit dem vorhandenen Annotation Editor.

Datensatz hochladen#

Die Ultralytics Platform akzeptiert mehrere Uploadformate und bietet dadurch größtmögliche Flexibilität.

Unterstützte Formate#

Video-Codec-Unterstützung#

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

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

Deinen Datensatz vorbereiten#

Die Plattform unterstützt Ultralytics YOLO, COCO, semantische PNG-Masken, Tiefendatensätze, Ultralytics NDJSON sowie 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 Beschriftungen auf Klassen-IDs verweisen, aber keine Klassennamen angegeben sind, erzeugt die Platform dichte Platzhalternamen (class0, class1, …), die du später im Tab „Klassen“ umbenennen kannst.

Details zu aufgabenspezifischen Formaten findest du unter Unterstützte Aufgaben und in der Übersicht zu Datensätzen.

Upload-Vorgang#

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 und optional eine Beschreibung ein – der URL-Slug wird automatisch abgeleitet und kann bearbeitet werden
5. Wähle den Aufgabentyp (siehe Unterstützte Aufgaben), optional eine Lizenz (siehe Verfügbare Lizenzen) sowie die Sichtbarkeit (öffentlich oder privat) aus
6. Klicke auf Create & Upload für lokale Dateien, auf Create & Import für eine URL oder verbundene Quelle oder auf Create Dataset, um leer zu beginnen

Um einem bestehenden Datensatz Dateien hinzuzufügen, öffne die entsprechende Datensatzseite und ziehe die Dateien entweder per Drag & Drop in die Galerie oder klicke auf das Hochladen-Symbol im Seitenkopf. Das Hochladen-Symbol öffnet direkt die native Dateiauswahl deines Browsers, da die Datensatzaufgabe bereits definiert ist.

Datenquellen#

Der Dialog New Dataset bietet vier Quellen:

Vor Beginn des Uploads#

Die Platform überprüft deine Dateien im Browser, bevor irgendetwas hochgeladen wird. Dadurch werden häufige Probleme sofort statt erst nach einer langen Übertragung sichtbar. Archive werden auf Beschädigung, Leere, Passwortschutz und YAML-Syntaxfehler geprüft, und zu große Dateien werden namentlich aufgeführt.

Anschließend können zwei Dialoge erscheinen:

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 verkleinert (max. 4096 px, kleinste Abmessung 28 px), Graustufenbilder in RGB umgewandelt, Transparenz auf Weiß reduziert und die EXIF-Ausrichtung angewendet
3. Vorschaubilder: WebP-Vorschaubilder mit 256 px werden erstellt
4. Label-Parsing: Labels im Format YOLO, COCO und NDJSON werden extrahiert
5. Statistiken: Klassenverteilungen und Bildabmessungen werden berechnet

from ultralytics.data.utils import check_det_dataset

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

Bilder durchsuchen#

Zeige deine Dataset-Bilder in mehreren Layouts an.

Öffne das Clustering-Panel über die Galeriewerkzeugleiste, um dein Dataset als interaktives 2D-Streudiagramm zu untersuchen.

Sortieren und Filtern#

Bilder können zum effizienten Durchsuchen sortiert und gefiltert werden:

Vollbildanzeige#

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

• Navigation: Mit den Pfeiltasten oder Vorschaubildern blätterst du durch die Bilder
• Bildinformationen: Prüfe von der Plattform generierte Eigenschaften, benutzerdefinierte Metadaten und eingebettete Dateimetadaten wie EXIF
• Benutzerdefinierte Metadaten: Besitzer und Bearbeiter können ein JSON-Objekt hinzufügen oder ersetzen, einschließlich verschachtelter Werte mit bis zu 500.000 serialisierten Zeichen und Schlüsseln der obersten Ebene mit bis zu 128 Zeichen
• Annotationen: Sichtbarkeit der Annotationseinblendung umschalten
• Klassenaufschlüsselung: Labelanzahlen pro Klasse mit Farbanzeigen
• Annotieren: Wenn du Bearbeitungszugriff hast, sind die Annotationssteuerungen auf dem Desktop sofort aktiv, sobald die Vollbildanzeige geöffnet wird
• Herunterladen: Die originale Bilddatei herunterladen
• Löschen: Das Bild aus dem Dataset löschen
• Zoom: Mit Cmd/Ctrl+Scroll, Cmd/Ctrl++ oder Cmd/Ctrl+= hineinzoomen und mit Cmd/Ctrl+- herauszoomen
• Ansicht zurücksetzen: Mit Cmd/Ctrl + 0 oder der Schaltfläche zum Zurücksetzen das Bild an die Anzeige anpassen
• Verschieben: Halte Space gedrückt und ziehe, um die Arbeitsfläche im gezoomten Zustand zu verschieben
• Pixelansicht: Pixelige Darstellung für eine genaue Untersuchung umschalten
• Tiefenvorhang: Bei Tiefen-Datasets wischt ein verschiebbarer Trenner zwischen dem RGB-Bild und seiner eingefärbten Tiefenkarte

Nach Aufteilung filtern#

Bilder nach ihrer Dataset-Aufteilung filtern:

Clustering#

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

Analyse ausführen#

Starte eine Analyse:

1. Öffne ein Dataset und klicke auf das Streudiagramm-Symbol in der Galeriewerkzeugleiste
2. Klicke auf Analyze Dataset
3. Warte, bis der Fortschrittsbalken abgeschlossen ist – die Ergebnisse werden im selben Panel angezeigt

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

Visualisierung#

Nach Abschluss der Analyse zeigt das Panel ein 2D-Streudiagramm aller analysierten Bilder mit Legende und Punktzähler. Galeriefilter (Aufteilung, Klasse, beschriftet/nicht beschriftet) blenden Punkte außerhalb des Filters ab, sodass du dich auf die gewünschte Teilmenge konzentrieren kannst – der Zähler zeigt dann visible / total points an.

Färben nach#

Ändere mit dem Dropdown Color by in der Symbolleiste des Bedienfelds, wie Datenpunkte eingefärbt werden. Wechsle jederzeit den Ansichtsmodus – das Diagramm wird sofort neu eingefärbt, damit du siehst, 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 wird auf die passenden Bilder gefiltert, sodass du sie mit den üblichen Bildoperationen prüfen, neu beschriften, verschieben oder löschen kannst.

Verschieben und Zoomen#

Navigiere in großen Streudiagrammen direkt mit Maus und Tastatur oder über die Zoomschaltflächen unten links im Diagramm:

Erneute Analyse#

Wenn sich dein Datensatz nach der Analyse ändert – etwa wenn neue Bilder hinzukommen oder die analysierte Anzahl nicht mehr mit dem Datensatz übereinstimmt –, wird oben im Bedienfeld für Besitzer und Bearbeiter eine Schaltfläche Re-analyze angezeigt.

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

Ähnliche Bilder finden#

Dieselbe Einbettung treibt die Ähnlichkeitssuche über öffentliche Datensätze hinweg an. In einem Datensatz, den du bearbeiten kannst, machst du einen Rechtsklick auf ein Bild in der Raster- oder Kompakt-Ansicht (oder auf eine einzelne ausgewählte Zeile in der Tabellen-Ansicht) und wählst Ähnliche Bilder finden. Der Dialog listet bis zu 24 der nächstgelegenen öffentlichen Bilder samt Quell-Datensatz, Lizenz und Ähnlichkeitswert auf, wobei bereits im Datensatz enthaltene Bilder sowie Kopien des ausgewählten Bildes in anderen Datensätzen ausgeschlossen werden. Wähle die gewünschten Bilder aus und klicke auf Zum Datensatz hinzufügen: Sie werden dem Split train als unannotierte Bilder hinzugefügt, auf deinen Speicher angerechnet und sind bereit zur Annotation.

Ein Bild ohne Einbettung – in einem Datensatz, der noch nicht analysiert wurde oder seit der letzten Analyse hinzugefügt wurde – zeigt Analyze this dataset in Clustering to find similar images. Der Dialog ist auf verbundenen Datensätzen nicht verfügbar. Die Validierungsdiagnostik pro Bild eines Modells führt dieselbe Suche ausgehend von seinen am schlechtesten abschneidenden Bildern aus.

Datensatz-Tabs#

Jede Datensatzseite kann je nach Status des Datensatzes und deinen Berechtigungen bis zu sechs Tabs anzeigen:

Bilder-Tab#

Die Standardansicht mit der Bildergalerie und eingeblendeten Annotationen. Unterstützt die Ansichtsmodi Raster, kompakt und Tabelle. Ziehe Dateien hierher, um weitere Bilder hinzuzufügen.

Klassen-Tab#

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

Verwalte die Annotationsklassen für deinen Datensatz:

• Klassenhistogramm: Balkendiagramm mit der Anzahl der Annotationen pro Klasse, nach Häufigkeit sortiert, einschließlich Umschaltung zwischen linearer und logarithmischer Skala
• Klassentabelle: Sortierbare 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: Verwende das Eingabefeld unten, um Klassen hinzuzufügen
• 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 Bezeichnungen konsolidiert – zum Beispiel indem car, automobile und vehicle zu einer Klasse zusammengeführt werden:

1. Wähle mindestens zwei Klassen über die Kontrollkästchen der Zeilen aus
2. Klicke in der Tabellenkopfzeile auf Merge into one oder klicke mit der rechten Maustaste auf die Auswahl
3. Wähle aus, welche der ausgewählten Klassen die Zielklasse ist, in die 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, daher bleibt die Gesamtzahl der Annotationen im Datensatz unverändert.

Klassen löschen#

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

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

Diagramme-Tab#

Dieser Tab wird angezeigt, wenn der Datensatz Bilder enthält.

Automatisch aus deinem Datensatz berechnete Statistiken:

Die Diagramme werden in dieser Reihenfolge angezeigt. Jedes Diagramm wird weggelassen, wenn der Datensatz dafür keine Daten enthält – ein reiner Bilddatensatz zeigt keine Annotationsdiagramme, und Points per Instance wird nur für Segmentierungs- und Posendaten angezeigt:

Modelle-Tab#

Zeige alle auf diesem Datensatz trainierten Modelle in einer durchsuchbaren Tabelle an:

Fehler-Tab#

Dieser Tab wird nur angezeigt, wenn mindestens eine Datei bei der Verarbeitung fehlschlägt.

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

• Fehlerbanner: Gesamtzahl der fehlgeschlagenen Bilder und Hinweise
• Fehlertabelle: Dateiname, verständliche Fehlerbeschreibung, Hinweise zur Behebung und Vorschauminiatur
• Häufige Fehler sind beschädigte Dateien, nicht unterstützte Formate, zu kleine Bilder (mindestens 28px) und nicht unterstützte Farbmodi.

Versionen-Tab#

Erstelle unveränderliche NDJSON-Snapshots deines Datensatzes für reproduzierbares Training. Jede Version erfasst zum Zeitpunkt ihrer Erstellung die Anzahl der Bilder, Klassen und Annotationen sowie die Dateigröße.

So erstellst du eine Version:

1. Öffne den Tab Versions
2. Gib optional eine Beschreibung ein (z. B. "500 Trainingsbilder hinzugefügt" oder "Falsch beschriftete Klassen korrigiert")
3. Klicke auf New Version
4. Die neue Version wird in der Tabelle angezeigt

Jede Version erhält eine fortlaufende Nummer (v1, v2, v3...) und ist unveränderlich – Versionen können weder bearbeitet noch entfernt werden; nur ihre Beschreibungen können geändert werden. Verwende die Zeilenaktionen, um jederzeit eine Version herunterzuladen oder wiederherzustellen.

Datensatz exportieren#

Exportiere deinen Datensatz für die Offline-Nutzung, indem du ihn über die Kopfzeile des Datensatzes oder den Tab „Versions“ als NDJSON herunterlädst.

So exportierst du:

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

Das NDJSON-Format speichert ein JSON-Objekt pro Zeile. Die erste Zeile enthält die Datensatz-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 bildbezogene Objekt metadata bleibt erhalten, wenn eine NDJSON-Datei in die Platform importiert wird. Du kannst es im Vollbild-Informationsbereich des Bildes anzeigen oder bearbeiten. Für programmgesteuerte Uploads von Archiven akzeptiert die Ingest Dataset Data API die entsprechende Pfadzuordnung imageMetadata.

Posen-Datensätze enthalten außerdem ein Feld kpt_shape in der Kopfzeile des Datensatzes, das aus den Annotationen abgeleitet wird, sofern es nicht bereits festgelegt ist.

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

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

Bildoperationen#

Schnellaktionen#

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

Mehrere Bilder in Aufteilung verschieben#

Ausgewählte Bilder einem anderen Split innerhalb desselben Datensatzes zuweisen:

1. Zur Ansicht Tabelle wechseln
2. Bilder mithilfe der Kontrollkästchen auswählen
3. Mit der rechten Maustaste klicken, um das Kontextmenü zu öffnen
4. Move to split > Training, Validierung oder Test auswählen

Du kannst Bilder in der Rasteransicht auch per Drag-and-drop auf die Filterregisterkarten der Splits ziehen. Wenn beim Verschieben eines Bildes ein identisches Bild im Ziel-Split vorhanden ist, fragt Platform, ob du es überspringen, beide behalten oder ersetzen möchtest.

Splits neu verteilen#

Verteile alle Bilder mithilfe benutzerdefinierter Verhältnisse auf Trainings-, Validierungs- und Test-Splits:

1. Klicke in der Datensatzsymbolleiste auf den Split-Balken, um den Dialog Splits neu verteilen zu öffnen
2. Passe die prozentuale Aufteilung mit einer der folgenden Methoden an
3. Überprüfe die Live-Vorschau der Bildanzahl, um die Verteilung zu bestätigen
4. Klicke auf Anwenden, um alle Bilder entsprechend deinen Prozentsätzen zufällig neu zuzuweisen

Der Dialog bietet drei Möglichkeiten, deine Ziel-Aufteilungsverhältnisse festzulegen:

Eine Live-Vorschau zeigt genau, wie viele Bilder vor dem Anwenden in jedem Split landen.

Mehrere Bilder löschen#

Mehrere Bilder gleichzeitig löschen:

1. Bilder in der Tabellenansicht auswählen
2. Mit der rechten Maustaste klicken und Delete auswählen oder Cmd/Ctrl+Delete drücken
3. Löschen bestätigen

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:// umgeschrieben. Durch die Übergabe einer Liste von Datensätzen wird ein Basismodell nacheinander auf jedem Datensatz feinabgestimmt, zum Beispiel mit 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 Dialog New Dataset mithilfe eines Umschalters festgelegt. Öffentliche Datensätze sind auf der Seite Explore sichtbar.

Datensatz bearbeiten#

Die Metadaten des Datensatzes werden direkt auf der Datensatzseite inline bearbeitet – ein Dialog ist nicht erforderlich:

• Name: Klicke auf den Namen des Datensatzes, um ihn zu bearbeiten. Änderungen werden beim Verlassen des Felds oder mit Enter automatisch gespeichert. Namen dürfen höchstens 100 Zeichen enthalten.
• Beschreibung: Klicke auf die Beschreibung (oder den Platzhalter „Beschreibung hinzufügen …“), um sie zu bearbeiten. Änderungen werden automatisch gespeichert. Beschreibungen dürfen höchstens 1.000 Zeichen enthalten.
• Aufgabentyp: Klicke auf das Aufgabenabzeichen, um einen anderen Aufgabentyp auszuwählen.
• Lizenz: Klicke auf die Lizenzauswahl, 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 aus, um zwei Abschnitte zu prüfen:

• Ultralytics-Metadaten: Nur lesbare Platform-Details wie Datensatz-ID, Eigentümer, Aufgabe, Anzahl der Bilder und Annotationen, Speicherregion und Zeitstempel
• Benutzerdefinierte Metadaten: Dein eigenes JSON-Objekt für Herkunft, Aufnahmebedingungen, Kunden-IDs, Governance oder andere kontextbezogene Daten

Betrachter des Arbeitsbereichs können Metadaten prüfen, während Mitglieder mit Bearbeitungszugriff das benutzerdefinierte Metadatenobjekt ersetzen können. Das serialisierte Metadatenobjekt darf höchstens 500.000 Zeichen enthalten, und 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 aufrufst, der dir nicht gehört, klicke auf Clone Dataset, um den Klondialog zu öffnen. Überprüfe Zielarbeitsbereich, Namen, Sichtbarkeit und Lizenz und bestätige anschließend den Klon. Die Kopie enthält alle Bilder, Annotationen und Klassendefinitionen. Öffentliche Quelldatensätze bleiben in Arbeitsbereichen mit standardmäßig öffentlicher Sichtbarkeit standardmäßig öffentlich; Klone in Enterprise-Arbeitsbereichen sind standardmäßig privat. Wenn der ursprüngliche Datensatz eine Copyleft-Lizenz besitzt, übernimmt der Klon diese Lizenz, und die Lizenzauswahl ist gesperrt.

Der Ziel-Slug wird automatisch umbenannt, wenn er bereits vergeben ist. Zum Klonen muss außerdem ausreichend verbleibender Speicherplatz für die Kopie vorhanden sein.

Markieren und teilen#

• Markieren: Klicke auf die Sternschaltfläche, um einen Datensatz zu speichern. Die Anzahl der Markierungen ist für alle Benutzer sichtbar.
• Teilen: Klicke bei öffentlichen Datensätzen auf die Teilen-Schaltfläche, 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 …) in der Kopfzeile des Datensatzes
2. Wähle Datensatz löschen
3. Bestätige im Dialog: „Dadurch wird [name] in den Papierkorb verschoben. Du kannst ihn innerhalb von 30 Tagen wiederherstellen.“

Dasselbe Menü enthält Informationen, wodurch der unter Benutzerdefinierte Metadaten beschriebene Metadaten-Dialog geöffnet wird, sowie Aktualisieren, wodurch der Datensatz erneut vom Server eingelesen wird.

Mit 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. 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

Weitere Informationen findest du unter Cloud-Training.

FAQ#