Link to this sectionCVAT-Integration#
Direkte CVAT-Importe kommen bald zu Ultralytics Platform, sodass ein CVAT-Bilddetektions- oder -Segmentierungsexport unverändert und ohne Auswahl eines Formats hochgeladen wird.
Bis dahin gibt es einen kurzen Weg, der bereits heute funktioniert, da CVAT schon im von Platform gelesenen Ultralytics YOLO-Layout exportiert.
Link to this sectionAus CVAT importieren – heute#
- Aus CVAT exportieren. Öffne deine Aufgabe und wähle Aktionen > Dataset-Aufgabe exportieren (bei einem Job ist es Menü > Job-Dataset exportieren).
- Wähle das Format. Wähle den Eintrag Ultralytics YOLO passend zu deiner Aufgabe – CVAT listet
Ultralytics YOLO Detection 1.0,Ultralytics YOLO Segmentation 1.0,Ultralytics YOLO Oriented Bounding Boxes 1.0undUltralytics YOLO Pose 1.0separat auf. - Aktiviere Bilder speichern, benenne die
.zipund klicke auf OK. Ohne die Bilder enthält das Archiv nur Annotationen, und Platform hat nichts zum Importieren. - Das Archiv herunterladen. Der Export läuft im Hintergrund – rufe ihn nach Fertigstellung auf der Requests-Seite von CVAT ab.
- Zu Platform hochladen. Erstelle ein neues Dataset aus der ZIP-Datei.
- Trainieren. Bearbeite die Annotationen, trainiere und deploye, ohne den Arbeitsbereich zu verlassen.
Link to this sectionMit der CLI exportieren#
Die CVAT's CLI exportiert dasselbe Archiv über das Terminal:
pip install cvat-cli
cvat-cli project export-dataset --format "Ultralytics YOLO Detection 1.0" --with-images yes 104 dataset.zipErsetze 104 durch deine Projekt-ID und den Formatstring durch die Variante, die zu deiner Aufgabe passt. --with-images yes ist das CLI-Äquivalent zum Schalter Bilder speichern; ohne ihn enthält das Archiv nur Annotationen.
Der Ultralytics YOLO-Export von CVAT erzeugt das von Platform erwartete Layout, sodass nichts konvertiert werden muss:
archive.zip/
├── data.yaml # class names Platform reads
├── images/train/
└── labels/train/Link to this sectionEin Exportformat auswählen#
CVAT bietet viele Exportformate. Drei davon sind hier wichtig:
| CVAT-Format | Funktioniert | Hinweise |
|---|---|---|
| Ultralytics YOLO | Am besten | Enthält data.yaml, sodass deine Label-Namen intakt übernommen werden |
| COCO 1.0 | Ja | Wird ebenfalls gelesen; eine Mischung aus Polygonen und Boxen wird als Segment importiert, und die reinen Boxen werden verworfen |
| YOLO 1.1 | Teilweise | Boxen werden importiert, aber die dazugehörige obj.names-Datei wird nicht gelesen – Klassen kommen als class0, class1, … an |
Platform liest keine Pascal VOC XML-Labels, und ein VOC-Export schlägt eher leise als laut fehl: Die Bilder werden importiert, die Annotationen nicht, und ein VOC-Export von fünf oder mehr Bildern übernimmt zudem eine einzelne Klasse, die nach ihrem Bilderordner benannt ist. Wähle stattdessen Ultralytics YOLO oder COCO.
Link to this sectionWas die Integration hinzufügen wird#
Die Auswahl des richtigen Exportformats ist der Schritt, den die Integration überflüssig macht. Sobald sie verfügbar ist, exportierst du eines der Bilddetektions- und Segmentierungsformate von CVAT, lädst es hoch, und Platform ordnet die Annotationen selbständig der passenden YOLO task zu.
- Kein Format auszuwählen – die Bilddetektions- und Segmentierungsexporte von CVAT werden auf ein YOLO-Dataset abgebildet, wobei die Label-Namen erhalten bleiben
- Ein Arbeitsbereich – das Labeln, Trainieren und Deployment erstrecken sich nicht länger über separate Tools und ein Konvertierungsskript
- Weiterhin annotieren – importierte Datasets öffnen sich im Annotation Editor von Platform, einschließlich der SAM-gestützten intelligenten Annotation
- Sofort trainieren – Datasets sind für das Cloud-Training bereit, sobald ihre Verarbeitung abgeschlossen ist
Die Integrationen für Labelbox, Roboflow und Ultralytics HUB funktionieren bereits heute, und Platform importiert YOLO-, COCO- und Ultralytics NDJSON-Datasets direkt.