Google Cloud Storage-Integration#

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

Schreibgeschütztes Dienstkonto erstellen#

Die Platform liest ausschließlich aus deinem Speicher – sie schreibt, ändert oder löscht niemals deine Objekte. Erstelle ein eigenes Dienstkonto mit reinem Lesezugriff:

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

Mit der Platform verbinden#

1. Gehe zu Settings > Integrations und wähle in der Integrationsliste Google Cloud Storage aus.
2. Füge den Inhalt des JSON-Schlüssels des Dienstkontos ein.
3. Klicke auf Find available buckets und wähle anschließend die Buckets aus, die du verbinden möchtest. Wenn das Dienstkonto Buckets nicht auflisten kann, gib den Namen eines bekannten Buckets manuell ein.
4. Klicke auf Connect. Die Platform überprüft, ob sie jeden ausgewählten Bucket auflisten und lesen kann, bevor sie etwas speichert.

Du benötigst die Rolle als Workspace-Administrator oder -Eigentümer, um Cloud-Speicher zu verbinden. Eine Verbindung umfasst bis zu 50 Buckets, und bei der Erkennung werden bis zu 300 der Buckets aufgelistet, die das Dienstkonto sehen kann.

Dein Browser liest die eingefügte Schlüsseldatei und sendet nur die drei Felder, die die Platform benötigt – client_email, private_key und project_id. Der restliche JSON-Inhalt verlässt die Seite nie.

Wenn du später dasselbe Dienstkonto erneut verbindest, werden neue Buckets zur bestehenden Integration hinzugefügt. Ein gespeicherter Zugang wird erst ersetzt, wenn der neue Zugang weiterhin jeden bereits verbundenen Bucket lesen kann.

Dataset aus einem GCS-Bucket erstellen#

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 Dataset-Namen an und erstelle das Dataset.

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

• Bilder – Die Objekte .jpg, .jpeg, .png, .webp und .avif werden mit Abmessungen indiziert, die über begrenzte Anfragen ausgelesen werden. Die Platform speichert keine zweite Kopie des Originalbilds.
• 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 Objektpfad weisen automatisch Aufteilungen 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 –, zeigt das Dataset den Fehler auf seiner Seite an. Bearbeiter können auf Retry import klicken, um den Import mit dem gespeicherten Bucket und Ordner neu zu starten, oder ein neues Dataset mit dem korrigierten Pfad erstellen.

Bei einem erneuten Versuch wird der Ordner erneut aufgelistet, statt den Vorgang fortzusetzen: Seit dem ersten Versuch hinzugefügte Objekte werden übernommen, und nicht mehr vorhandene Objekte werden aus dem Dataset entfernt.

Training#

Verwaltetes Training funktioniert über den normalen Trainingsablauf. Während des Trainings verwendet die Platform eigene Kopien der gebundenen Bilder, und deine Google Cloud-Zugangsdaten werden niemals für Trainings-Workloads offengelegt.

Verbindung trennen#

Beim Trennen werden die gespeicherten Zugangsdaten gelöscht, ohne etwas in Google Cloud zu verändern. Datasets, die aus diesen Buckets 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 Dienstkonto 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, lösche den Schlüssel des Dienstkontos in Google Cloud.

Aktuelle Einschränkungen#

GCS-basierte Datasets unterstützen derzeit keine Funktionen, die Platform-eigene Kopien deiner Bilder erfordern: automatische Annotation, Clusteranalyse, Klonen von Datasets und unveränderliche Versions-Snapshots.

Beim Löschen eines GCS-basierten Datasets oder einzelner Bilder daraus werden nur die Verweise der Platform entfernt – deine Objekte bleiben unberührt.

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

FAQ#