Azure-Blob-Storage-Integration

Die Integration von Azure Blob Storage verbindet die Container deines Speicherkontos mit der Ultralytics Platform. Deine Bilder bleiben in deinen Containern – die Platform indexiert sie direkt dort. So kannst du YOLO-Modelle durchsuchen, annotieren und trainieren, ohne eine Kopie hochzuladen. Wenn KI-Funktionen aktiviert sind, kann die Platform die Bilder außerdem für intelligente Annotation, automatische Annotation, die Suche nach ähnlichen Bildern und Cloud-Training verwenden.

Eine Verbindungszeichenfolge abrufen#

Die Platform liest deine Blobs und erstellt neue nur für die Bildgenerierung. Sie ändert oder löscht sie niemals. Für die aktuelle Integration ist eine Verbindungszeichenfolge mit dem Zugriffsschlüssel des Speicherkontos erforderlich, die kontoübergreifende Berechtigungen gewährt:

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 – wie bei der Zeichenfolge, die Azure unter Zugriffsschlüssel bereitstellt. Verbindungszeichenfolgen mit SAS-Token werden abgelehnt, wenn sie stattdessen SharedAccessSignature statt AccountKey enthalten.

Mit 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 Container aus, die du verbinden möchtest. Du kannst auch manuell einen Containernamen eingeben.
4. Klicke auf Connect. Die Platform überprüft vor dem Speichern, ob sie jeden ausgewählten Container auflisten und daraus lesen kann. Kontoschlüssel können immer Blobs erstellen. Daher ist ein Schreibzugriff auf Container möglich, die seit dem Start der Bildgenerierung verbunden oder erneut verbunden wurden.

Für jede verbundene Anmeldeinformation gibt es einen Schalter für KI-Funktionen.

Zum Verbinden eines Cloud-Speichers benötigst du die Rolle eines Arbeitsbereich-Admins oder -Besitzers. Du kannst bis zu 50 Container gleichzeitig hinzufügen. Bei der Suche werden bis zu 300 Container im Speicherkonto aufgelistet.

Wenn du später dasselbe Speicherkonto erneut verbindest, werden der bestehenden Integration neue Container hinzugefügt. Gespeicherte Anmeldedaten werden erst ersetzt, wenn die neuen Anmeldedaten weiterhin alle bereits verbundenen Container lesen können. Falls ein Container nicht gelesen werden kann, wird er in der Fehlermeldung genannt – auch wenn er zuvor mit demselben Speicherkonto verbunden wurde.

KI-Funktionen#

Für jede verbundene Anmeldeinformation gibt es unter Settings > Integrations einen standardmäßig aktivierten Schalter für KI-Funktionen. Solange er aktiviert ist, können Ultralytics-GPUs und KI-Modellanbieter die Bilder dieser Anmeldeinformation für Folgendes verwenden:

• Intelligente SAM-Annotation sowie automatische Annotation einzelner Bilder und im Stapel
• Suche nach ähnlichen Bildern und Clustering-Analyse
• Cloud-Training
• Bildgenerierung für Container mit Schreibzugriff

Anbieter von KI-Modellen kommen nur bei der Bilderzeugung zum Einsatz, deren Prompts Google Gemini anhand des Ausgangsbilds erstellt, sowie bei kostenpflichtigen Annotationsmodellen, die mit dem eigenen Anbieterschlüssel deines Arbeitsbereichs ausgeführt werden. Die Platform speichert keine Kopien deiner Bilder: Funktionen lesen sie bei Bedarf ein, beim Cloud-Training werden für die Dauer eines Trainingslaufs temporäre Kopien verwendet und die Suche nach ähnlichen Bildern speichert ein Embedding für jedes Bild, das gelöscht wird, sobald das Bild die Platform verlässt.

Deaktiviere den Schalter, damit die Bilder nicht auf Ultralytics-GPUs und bei KI-Modellanbietern verwendet werden. Dadurch werden keine neuen KI-Aufgaben mehr gestartet; bereits laufende Aufgaben werden abgeschlossen. Bei Datensätzen mit dieser Anmeldeinformation wird dann AI features off angezeigt, zusammen mit einem Link zu diesen Einstellungen. Für jede nicht verfügbare Funktion wird der Grund erläutert. Manuelle Annotation, Freigabe und lokales Training funktionieren weiterhin. Bereits erstellte Beschriftungen, Modelle und Suchergebnisse bleiben erhalten.

Du benötigst die Rolle eines Workspace-Administrators oder -Eigentümers, um den Schalter zu ändern. Du kannst die Einstellung auch über die REST API ändern. Verwende dazu die Integrations-ID, die von GET /api/integrations/buckets zurückgegeben wird:

curl -X PATCH \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"processing": false}' \
  https://platform.ultralytics.com/api/integrations/buckets/INTEGRATION_ID

Bildgenerierung#

Ähnliche Bilder generieren funktioniert bei Datensätzen in Azure Blob Storage, sofern KI-Funktionen aktiviert sind. Hinzugefügte Bilder werden in einen Ordner generated/ innerhalb des Datensatzordners geschrieben und anschließend wie jedes andere indexierte Bild zum Datensatz hinzugefügt. Die Platform erstellt dort nur neue Blobs und überschreibt oder löscht niemals vorhandene Blobs. Wenn für die Aktion Schreibzugriff erforderlich ist, verbinde dasselbe Speicherkonto erneut unter Settings > Integrations.

Einen Datensatz 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 Datensatznamen an und erstelle den Datensatz.

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

• Bilder – Blobs mit den Endungen .jpg, .jpeg, .png, .webp und .avif werden indexiert. Die Abmessungen werden mit begrenzten Anfragen ausgelesen. Platform speichert keine zweite Kopie des Quellbilds.
• Labels – YOLO-.txt-Begleitdateien werden in Platform-Annotationen umgewandelt. Die Zuordnung erfolgt anhand der üblichen Struktur images/ → labels/ oder über gleichgeordnete Dateien im selben Ordner.
• Metadaten – Eine YAML-Datei enthält Klassennamen und die Form der Pose-Keypoints, genau wie beim Hochladen eines Archivs. Wenn der Ordner mehrere Dateien enthält, werden data.yaml und data.yml bevorzugt.
• Aufgabe – Die Aufgabe wird anhand einer Stichprobe der Labeldateien bestimmt. Segmentierungs-, Pose- und OBB-Ordner werden daher an der Form ihrer Labels erkannt und nicht anhand der im Dialog ausgewählten Aufgabe.
• Aufteilungen – Ordnernamen train, val und test im Blob-Pfad weisen automatisch die Datensatzaufteilungen zu.

Der Datensatz funktioniert anschließend wie jeder andere: Du kannst ihn durchsuchen, annotieren, öffentlich oder privat schalten, mit deinem Team teilen und über verwaltetes Training damit trainieren. Originale werden bei Bedarf übertragen und indizierte Bilder werden nicht auf dein Speicherkontingent in Platform angerechnet.

Fehlgeschlagene Importe#

Wenn ein Import fehlschlägt – etwa wegen eines leeren Ordners, eines Tippfehlers im Pfad oder entzogener Berechtigungen –, wird der Fehler auf der Datensatzseite angezeigt. Editoren können auf Import wiederholen klicken, um den Import mit dem gespeicherten Container und Ordner erneut zu starten, oder einen neuen Datensatz mit dem korrigierten Pfad erstellen.

Bei einem erneuten Versuch wird der Ordner neu aufgelistet, statt den Import fortzusetzen: Seit dem ersten Versuch hinzugefügte Blobs werden erfasst, und nicht mehr vorhandene Blobs werden aus dem Datensatz entfernt.

Training#

Bei aktiviertem KI-Funktionen funktioniert das verwaltete Training über den üblichen Trainingsablauf. Für die Dauer des Trainingslaufs verwendet das Training eigene Kopien der angehefteten Bilder, die von der Platform erstellt werden. Deine Azure-Anmeldedaten werden niemals den Trainingsprozessen zugänglich gemacht. Wenn KI-Funktionen deaktiviert sind, erklärt der Trainingsdialog, warum Cloud-Training nicht verfügbar ist, und bietet stattdessen lokales Training an.

Verbindung trennen#

Beim Trennen der Verbindung wird die gespeicherte Verbindungszeichenfolge gelöscht, ohne etwas in Azure zu ändern. Aus diesen Containern erstellte Datensätze bleiben mit ihren Klassen, Beschriftungen und Anmerkungen in deinem Arbeitsbereich, aber ihre Bilder können erst wieder geladen, in der Vorschau angezeigt oder für das Training verwendet werden, wenn dasselbe Speicherkonto erneut verbunden wird. Auch ohne Verbindung kannst du sie umbenennen, ihre Beschriftungen bearbeiten oder sie löschen.

Um die Verbindung zu trennen, gehe zu Einstellungen > Integrationen, wähle Azure Blob Storage aus, klicke neben den Anmeldedaten auf Trennen und bestätige den Vorgang. Wenn du anschließend einen der zugehörigen Datensätze öffnest, wird Azure Blob Storage getrennt mit einem Link zu diesen Einstellungen angezeigt. Nach der erneuten Verbindung ist der Datensatz automatisch wieder verfügbar.

Du kannst die Verbindung auch über die REST API trennen. Verwende dazu die von GET /api/integrations/buckets zurückgegebene 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 direkt an der Quelle zu widerrufen, rotiere die Zugriffsschlüssel des Speicherkontos in Azure.

Derzeitige Einschränkungen#

Bei Datensätzen in Azure sind Funktionen nicht verfügbar, die eigene Bildkopien in der Platform benötigen: das Klonen von Datensätzen, unveränderliche Versions-Snapshots, das Weichzeichnen von Gesichtern und das Einfügen von Bildern aus anderen Datensätzen. Für intelligente Annotation, automatische Annotation, die Suche nach ähnlichen Bildern, Clustering, Cloud-Training und Bildgenerierung müssen KI-Funktionen aktiviert sein.

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

Siehe auch die Integrationen Google Cloud Storage und Amazon S3.

Häufig gestellte Fragen#