Google Cloud Storage-Integration#

Die Google Cloud Storage-Integration verbindet deine GCS-Buckets mit der Ultralytics Platform. Deine Bilder verbleiben in deinen Buckets – die Platform indiziert sie an Ort und Stelle, sodass du YOLO-Modelle durchsuchen, annotieren und trainieren kannst, ohne eine Kopie hochzuladen.

Erstelle ein schreibgeschütztes Dienstkonto#

Die Platform liest ausschließlich aus deinem Speicher – sie schreibt, modifiziert oder löscht deine Objekte niemals. Erstelle ein dediziertes Dienstkonto mit ausschließlichem Lesezugriff:

1. Gehe in der Google Cloud-Konsole zu IAM & Admin > Service Accounts und erstelle ein Dienstkonto.
2. Weise ihm die Rolle Storage Object Viewer (roles/storage.objectViewer) für die Buckets zu, die du verbinden möchtest.
3. Öffne das Dienstkonto, wähle Keys > Add key > Create new key, wähle JSON und lade die Schlüsseldatei herunter.

Verbindung zur Platform herstellen#

1. Gehe zu Settings > Integrations und wähle Google Cloud Storage aus der Integrationsliste aus.
2. Füge den Inhalt des JSON-Schlüssels für das Dienstkonto ein.
3. Klicke auf Find available buckets und wähle dann die zu verbindenden Buckets aus. Wenn das Dienstkonto keine Buckets auflisten kann, gib einen bekannten Bucket-Namen manuell ein.
4. Klicke auf Connect. Die Platform prüft, ob sie jeden ausgewählten Bucket auflisten und lesen kann, bevor sie irgendetwas speichert.

Du benötigst die Rolle als Workspace-Administrator oder -Besitzer, um Cloud-Speicher zu verbinden. Eine Verbindung unterstützt bis zu 50 Buckets, und die Erkennung listet bis zu 300 der Buckets auf, die das Dienstkonto sehen kann.

Dein Browser liest die eingefügte Schlüsseldatei und sendet nur die drei Felder, die Platform benötigt — client_email, private_key und project_id. Der Rest der JSON-Datei verlässt niemals die Seite.

Das spätere erneute Verbinden desselben Dienstkontos fügt der bestehenden Integration neue Buckets hinzu. Ein gespeicherter Anmeldedaten-Datensatz wird erst ersetzt, wenn die neue Version jeden bereits verbundenen Bucket weiterhin lesen kann.

Erstelle einen Datensatz aus einem GCS-Bucket#

1. Klicke auf New Dataset und öffne den Tab Cloud.
2. Wähle einen verbundenen Bucket 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 – Die Objekte .jpg, .jpeg, .png, .webp und .avif werden mit Abmessungen indiziert, die über begrenzte Anfragen gelesen werden. Die 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 Objektpfad 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#

Wenn ein Import fehlschlägt – ein leerer Ordner, ein Tippfehler im Pfad oder widerrufene Berechtigungen – zeigt der Datensatz den Fehler auf seiner Seite an. Editoren können auf Retry import klicken, um ihn mit dem gespeicherten Bucket und Ordner neu zu starten oder einen neuen Datensatz zu erstellen, der auf den korrigierten Pfad zeigt.

Ein erneuter Versuch listet den Ordner neu auf, anstatt fortzufahren: Seit dem ersten Versuch hinzugefügte Objekte werden berücksichtigt, und nicht mehr vorhandene Objekte werden aus dem Dataset entfernt.

Training#

Das verwaltete Training funktioniert über den normalen Trainingsablauf. Das Training verwendet für die Dauer des Durchlaufs die eigenen Kopien der fixierten Bilder von Platform, und deine Google Cloud-Anmeldeinformationen werden niemals Training-Workloads ausgesetzt.

Eine Verbindung trennen#

Das Trennen löscht die gespeicherten Anmeldeinformationen, ohne etwas in Google Cloud zu berühren. Aus diesen Buckets erstellte Datasets verbleiben mit ihren Klassen, Labels und Annotationen in deinem Workspace, aber ihre Bilder können erst wieder geladen, in der Vorschau angezeigt oder zum Training verwendet werden, wenn dasselbe Dienstkonto 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, lösche den Dienstkontoschlüssel in Google Cloud.

Aktuelle Einschränkungen#

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

Das Löschen eines GCS-gestützten Datensatzes oder einzelner Bilder daraus entfernt nur die Referenzen der Platform – deine Objekte werden niemals berührt.

Siehe auch die Integrationen für Amazon S3 und Azure Blob Storage.