Azure Blob Storage-Integration#

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

Besorge dir eine Verbindungszeichenfolge (Connection String)#

Die Platform liest immer nur aus deinem Speicher — sie schreibt, modifiziert oder löscht niemals deine Blobs. Die aktuelle Integration erfordert eine Verbindungszeichenfolge mit Kontozugriffsschlüssel, die kontoweite Privilegien gewährt, obwohl die Platform nur Listen- und Leseoperationen verwendet:

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

Der String muss AccountName, AccountKey und HTTPS als Protokoll enthalten – in dem Format, das Azure dir unter Access keys bereitstellt. SAS-Token-Verbindungsstrings, die anstelle von AccountKey den Wert SharedAccessSignature enthalten, werden abgelehnt.

Verbindung zur Platform herstellen#

1. Gehe zu Settings > Integrations und wähle Azure Blob Storage aus der Integrationsliste aus.
2. Füge die Verbindungszeichenfolge ein.
3. Klicke auf Find available containers und wähle dann die zu verbindenden Container aus. Du kannst einen Container-Namen auch manuell 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 als Workspace-Administrator oder Inhaber, um Cloud-Speicher zu verbinden. Eine Verbindung umfasst bis zu 50 Container, und die Erkennung listet bis zu 300 Container im Speicherkonto auf.

Das erneute Verbinden desselben Speicherkontos fügt später neue Container zur bestehenden Integration hinzu. Ein gespeicherter Anmeldehinweis wird erst dann ersetzt, wenn die neue Verbindung jeden bereits verbundenen Container weiterhin lesen kann.

Erstelle ein Dataset aus einem Blob-Container#

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 Datensatznamen an und erstelle den Datensatz.

Die Plattform listet den Ordner einmalig auf und indiziert die gefundenen Inhalte:

• Images — .jpg-, .jpeg-, .png-, .webp- und .avif-Blobs werden mit Abmessungen indiziert, die über begrenzte Anfragen gelesen werden. Platform speichert keine zweite Kopie des Quellbildes dauerhaft.
• Labels – YOLO-.txt-Begleitdateien werden in Platform-Annotationen geparst, abgeglichen über das Standardlayout images/ → labels/ oder als Geschwisterelemente im selben Ordner.
• Metadata — eine YAML-Datei stellt Klassennamen und die Form von Pose-Keypoints bereit, genau wie ein Archiv-Upload. data.yaml und data.yml werden bevorzugt, wenn der Ordner mehrere enthält.
• Task — ein Ausschnitt der Label-Dateien bestimmt die Aufgabe, sodass Segment-, Pose- und OBB-Ordner anhand ihrer Label-Form anstatt der im Dialog ausgewählten Aufgabe erkannt werden.
• Splits — Die Ordnernamen train, val und test im Blob-Pfad weisen Splits automatisch zu.

Der Datensatz verhält sich dann wie jeder andere: Durchsuche und annotiere ihn, setze ihn auf öffentlich oder privat, teile ihn mit deinem Team und trainiere über verwaltetes Training darauf. Originale werden bei Bedarf gestreamt, und indizierte Bilder verbrauchen dein Platform-Speicherkontingent nicht.

Fehlgeschlagene Importe#

Falls ein Import fehlschlägt — etwa durch einen leeren Ordner, einen Tippfehler im Pfad oder entzogene Berechtigungen — zeigt das Dataset den Fehler auf seiner Seite an. Editoren können auf Import wiederholen klicken, um ihn mit dem gespeicherten Container und Ordner neu zu starten, oder ein neues Dataset erstellen, das auf den korrigierten Pfad verweist.

Ein Wiederholungsversuch listet den Ordner neu auf, anstatt fortzufahren: Seit dem ersten Versuch hinzugefügte Blobs werden erfasst, und Blobs, die nicht mehr vorhanden sind, werden aus dem Dataset entfernt.

Training#

Das verwaltete Training funktioniert über den normalen Trainingsablauf. Das Training verwendet für die Dauer des Laufs eigene Kopien der angehefteten Bilder der Platform, und deine Azure-Anmeldedaten werden niemals Trainings-Workloads ausgesetzt.

Eine Verbindung trennen#

Das Trennen der Verbindung löscht den gespeicherten Verbindungsstring, ohne dass etwas in Azure berührt wird. Datasets, die aus diesen Containern erstellt wurden, verbleiben mit ihren Klassen, Labels und Annotationen in deinem Workspace, aber ihre Bilder können erst wieder geladen, in der Vorschau angezeigt oder für das Training verwendet werden, wenn dasselbe Speicherkonto erneut verbunden wird.

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

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 an der Quelle zu widerrufen, rotiere die Zugriffsschlüssel des Speicherkontos in Azure.

Aktuelle Einschränkungen#

Azure-basierte Datensätze schließen derzeit Funktionen aus, die von Platform verwaltete Kopien deiner Bilder erfordern: Auto-Annotation, Cluster-Analyse, Datensatz-Klonen und unveränderliche Versions-Snapshots.

Das Löschen eines Azure-basierten Datasets oder einzelner Bilder daraus entfernt nur die Referenzen der Platform — deine Blobs werden niemals berührt.

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