Integration von Azure Blob Storage#

Die Azure Blob Storage-Integration verbindet die Container deines Speicherkontos mit der Ultralytics Platform. Deine Bilder bleiben in deinen Containern — die Platform indiziert sie direkt dort, sodass du sie durchsuchen, annotieren und YOLO-Modelle trainieren kannst, ohne eine Kopie hochzuladen.

Verbindungszeichenfolge abrufen#

Die Platform liest ausschließlich aus deinem Speicher — sie schreibt, verändert oder löscht niemals deine Blobs. Die aktuelle Integration erfordert eine Verbindungszeichenfolge mit Zugriffsschlüssel für das Konto. Diese gewährt kontoweite Berechtigungen, obwohl die Platform nur Listen- und Lesevorgänge verwendet:

1. Öffne im Azure-Portal dein Speicherkonto.
2. Gehe zu Sicherheit + Netzwerk > Zugriffsschlüssel.
3. Kopiere eine Verbindungszeichenfolge.

Die Zeichenfolge muss AccountName, AccountKey und HTTPS als Protokoll enthalten — genau die Form, die Azure unter Zugriffs schlüssel bereitstellt. Verbindungszeichenfolgen mit SAS-Token, die stattdessen SharedAccessSignature anstelle von AccountKey enthalten, werden abgelehnt.

Mit der Platform verbinden#

1. Gehe zu Einstellungen > Integrationen und wähle in der Integrationsliste Azure Blob Storage aus.
2. Füge die Verbindungszeichenfolge ein.
3. Klicke auf Verfügbare Container suchen und wähle anschließend die zu verbindenden Container aus. Du kannst auch manuell einen Containernamen eingeben.
4. Klicke auf Verbinden. Die Platform überprüft, ob sie jeden ausgewählten Container auflisten und lesen kann, bevor sie etwas speichert.

Du benötigst die Rolle eines Workspace-Administrators oder -Eigentümers, um Cloud-Speicher zu verbinden. Eine Verbindung kann bis zu 50 Container umfassen, und bei der Suche werden bis zu 300 Container im Speicherkonto aufgelistet.

Wenn du dasselbe Speicherkonto später erneut verbindest, werden neue Container zur bestehenden Integration hinzugefügt. Ein gespeichertes Zugriffsmerkmal wird erst ersetzt, wenn mit dem Ersatz weiterhin jeder bereits verbundene Container gelesen werden kann.

Dataset aus einem Blob-Container erstellen#

1. Klicke auf New Dataset und öffne den Tab Cloud.
2. Wähle einen verbundenen Container aus und navigiere zu dem Ordner, der deine Daten enthält.
3. Bestätige den Ordner, passe den Dataset-Namen an und erstelle das Dataset.

Die Platform listet den Ordner einmal auf und indiziert die gefundenen Inhalte:

• Bilder — Blobs mit den Namen .jpg, .jpeg, .png, .webp und .avif werden indiziert, wobei die Abmessungen über begrenzte Anfragen ausgelesen werden. Die Platform speichert keine zweite Kopie des Quellbilds.
• Labels – YOLO-.txt-Begleitdateien werden in Platform-Annotationen eingelesen und entweder anhand des standardmäßigen Layouts images/ → labels/ oder als Geschwisterdateien im selben Ordner zugeordnet.
• Metadaten – Eine YAML-Datei enthält die Klassennamen und die Form der Posenschlüsselpunkte, genau wie bei einem Archiv-Upload. data.yaml und data.yml werden bevorzugt, wenn der Ordner mehrere solcher Dateien enthält.
• Aufgabe – Ein Beispiel der Labeldateien bestimmt die Aufgabe. Daher werden Ordner für Segmentierung, Pose und OBB anhand der Form ihrer Labels erkannt und nicht anhand der Aufgabe, die du im Dialog ausgewählt hast.
• Aufteilungen — Die Ordnernamen train, val und test im Blob-Pfad weisen die Aufteilungen automatisch zu.

Das Dataset verhält sich anschließend wie jedes andere: Durchsuche und annotiere es, setze es auf öffentlich oder privat, teile es mit deinem Team und trainiere damit über verwaltetes Training. Originale werden bei Bedarf gestreamt, und indizierte Bilder verbrauchen kein Speicherkontingent deiner Platform.

Fehlgeschlagene Importe#

Wenn ein Import fehlschlägt — etwa wegen eines leeren Ordners, eines Tippfehlers im Pfad oder widerrufener Berechtigungen — wird der Fehler auf der Dataset-Seite angezeigt. Bearbeiter können auf Import wiederholen klicken, um den Vorgang mit dem gespeicherten Container und Ordner neu zu starten, oder ein neues Dataset erstellen, das auf den korrigierten Pfad verweist.

Bei einer Wiederholung wird der Ordner erneut aufgelistet, anstatt den Vorgang fortzusetzen: Seit dem ersten Versuch hinzugefügte Blobs werden übernommen, und nicht mehr vorhandene Blobs werden aus dem Dataset entfernt.

Training#

Verwaltetes Training funktioniert über den normalen Trainingsablauf. Für die Dauer des Trainings verwendet die Platform eigene Kopien der festgelegten Bilder. Deine Azure-Zugangsdaten werden dabei niemals für Trainings-Workloads offengelegt.

Verbindung trennen#

Beim Trennen wird die gespeicherte Verbindungszeichenfolge gelöscht, ohne etwas in Azure zu verändern. Datasets, die aus diesen Containern erstellt wurden, bleiben mit ihren Klassen, Labels und Annotationen in deinem Workspace erhalten. Ihre Bilder können jedoch erst wieder geladen, in der Vorschau angezeigt oder zum Trainieren verwendet werden, wenn dasselbe Speicherkonto erneut verbunden wird.

Verwende die REST API mit der Integrations-ID, die von GET /api/integrations/buckets zurückgegeben wird:

curl -X DELETE \
  -H "Authorization: Bearer YOUR_API_KEY" \
  https://platform.ultralytics.com/api/integrations/buckets/INTEGRATION_ID

from ultralytics_platform import Platform

client = Platform()  # reads ULTRALYTICS_API_KEY
integrations = client.storage_integrations.list()
client.storage_integrations.delete("INTEGRATION_ID")

Um den Zugriff stattdessen direkt an der Quelle zu widerrufen, rotiere die Zugriffsschlüssel des Speicherkontos in Azure.

Aktuelle Einschränkungen#

Azure-gestützte Datasets unterstützen derzeit keine Funktionen, die eigene Kopien deiner Bilder durch die Platform erfordern: automatische Annotation, Clustering-Analyse, Dataset-Klonen und unveränderliche Versions-Snapshots.

Beim Löschen eines Azure-gestützten Datasets oder einzelner Bilder daraus werden nur die Verweise der Platform entfernt — deine Blobs bleiben unangetastet.

Siehe auch die Integrationen für Google Cloud Storage und Amazon S3.

FAQ#