On Premise#

On Premise ermöglicht es deinem Enterprise-Workspace, Datensätze und Rechenleistung auf einem Linux-, macOS- oder Windows-Computer zu nutzen. Quellbilder und Videos verbleiben auf deinem Computer. Das Training verhält sich wie bei jedem anderen Remote-Training-Standort: Metriken werden an die Platform gestreamt und die fertigen Modellgewichte für Download, Vorhersage, Export und Bereitstellung hochgeladen.

Die Einrichtung erfolgt mit nur einem Befehl. Platform erkennt dein Betriebssystem, trägt sinnvolle Ordnerpfade ein, installiert bei Bedarf Docker und zeigt den Verbindungsfortschritt in Echtzeit an.

So funktioniert es#

flowchart LR
    A[Your browser] <-->|Interface, labels, and progress| B[Ultralytics Platform]
    A <-->|Dataset previews| C[Your On Premise computer]
    B <-->|Jobs, metrics, and model weights| C
    C --- D[(Dataset folder)]
    C --- E[(Models folder)]

Datengrenzen#

Modellgewichte, Labels, Annotationen und Metriken können Informationen enthalten, die aus deinen Bildern gelernt wurden. Nur für die Datensatz-Pixel gilt die strikte lokale Begrenzung. Die Cloud-Vorhersage verarbeitet nur Bilder, die du separat an diesen Cloud-Workflow übermittelst; der Worker leitet niemals ein Bild aus deinem eingebundenen Datensatz weiter.

Bevor du beginnst#

Wähle einen Linux-Computer, einen Apple Silicon Mac oder einen 64-Bit-Windows-Computer, der auf deine Datensätze zugreifen kann und eingeschaltet bleibt, während Platform sie verwendet. Stelle genügend freien Speicherplatz für die Datensätze, Modellläufe und Docker-Images bereit und stelle sicher, dass der Computer ausgehende HTTPS-Verbindungen herstellen kann.

Eine GPU ist optional. Jeder Computer kann Datensätze einlesen und Modelle auf der CPU trainieren. Eine kompatible NVIDIA GPU kann größere Trainingsaufträge beschleunigen.

Verbinde deinen Computer#

1. Öffne die Ultralytics Platform auf dem Computer, der auf deine Datensätze zugreifen kann.
2. Gehe zu Settings > Integrations und wähle On Premise aus der Integrationsliste aus.
3. Überprüfe die vorausgefüllten Pfade Dataset folder on this machine und Models folder on this machine.
4. Wähle Installationsbefehl erstellen.
5. Öffne das im Dialog angegebene Terminal, kopiere den Befehl, füge ihn ein und drücke die Eingabetaste.
6. Lass die Integrationsseite geöffnet, bis die Fortschrittsanzeige Connected anzeigt.

Platform trägt die Ordner und ein einmaliges Verbindungstoken ein, bevor du den Befehl kopierst. Der generierte Befehl folgt dem untenstehenden Format:

curl -fsSL 'https://platform.ultralytics.com/api/workers/install?os=linux' \
  | sudo sh -s -- \
    "/datasets" \
    "/models" \
    "YOUR_CONNECTION_TOKEN"

Die Standardeinstellungen funktionieren ohne Bearbeitung:

Der Einrichtungsbefehl erstellt diese Ordner, installiert und startet bei Bedarf Docker und konfiguriert die Verbindung so, dass sie bei jedem Computerstart wiederhergestellt wird. Dein Betriebssystem fordert dich möglicherweise auf, die Installation zu genehmigen oder einen Neustart durchzuführen, bevor die Einrichtung abgeschlossen werden kann.

Docker-Basis-Images#

Der Installer führt einen Container aus und wählt das offizielle Ultralytics Basis-Image für den Host aus:

Der Installer wählt ein versionsgebundenes offizielles Image für den Host aus. Der Worker fügt seine Konnektivitätsabhängigkeiten hinzu, ohne Ultralytics neu zu installieren. Er erkennt CUDA während des Setups, sodass ein NVIDIA-Host weiterhin einen einzigen Container anstelle von separaten CPU- und GPU-Workern ausführt. Die Cloud-Dienste von Platform übernehmen die Modellvorhersage und den Export, nachdem der beste Checkpoint hochgeladen wurde.

Füge einen Datensatz hinzu#

1. Lege deinen Datensatz in den konfigurierten Datensatzordner.
2. Wähle in der Platform New Dataset > On Premise.
3. Wähle den verbundenen Computer aus.
4. Navigiere zum Datensatzordner, wähle die Aufgabe aus und klicke auf Erstellen.

Platform indiziert den Datensatz lokal und öffnet ihn in derselben Galerie, die auch für hochgeladene und Cloud-Speicher-Datensätze verwendet wird. Du kannst Bilder in der Vorschau betrachten, Labels prüfen, den Datensatz filtern und annotieren, ohne die Pixel hochzuladen.

Unterstützte Daten#

On Premise unterstützt dieselben Aufnahmeformate und Computer-Vision-Aufgaben wie hochgeladene Daten:

• Bilder und Videos
• ZIP-, TAR-, TAR.GZ- und TGZ-Archive
• Ultralytics NDJSON und COCO JSON
• YOLO Datensätze und Klassifizierungsordner
• Detektieren, Segmentieren, Pose-Schätzung, orientierte Bounding Box (OBB) und Klassifizierungsaufgaben

Platform erkennt automatisch gängige Datensatz-Layouts, Klassen, Labels sowie Train/Validierungs/Test-Splits. Platform behandelt Quelldateien als schreibgeschützt und verändert, konvertiert, bearbeitet oder löscht diese niemals.

Vorschau und Annotation#

Wenn du ein Bild öffnest, lädt dein Browser es direkt vom verbundenen Computer. Es sind kein Zertifikat, kein Hostname, kein VPN und keine Vorschaukonfiguration erforderlich.

Annotationen und die Datensatzorganisation werden in deinem Platform-Workspace gespeichert, aber Bearbeitungen in Platform ändern niemals deine Quellbilder oder Label-Dateien.

Ein Modell trainieren#

Starte das Training über den normalen Platform-Trainingsdialog:

1. Öffne ein Projekt und wähle New Model.
2. Wähle den On Premise Datensatz aus.
3. Wähle ein Modell und die Trainingseinstellungen aus.
4. Starte das Training.

Platform führt den Auftrag auf dem verbundenen Computer aus. Es verwendet eine verfügbare NVIDIA GPU oder greift automatisch auf die CPU zurück, sodass ein Mac auch ein kleines Modell wie YOLO26n auf COCO8 ohne dedizierte GPU-Hardware trainieren kann.

Trainingsdateien werden in den konfigurierten Modellordner geschrieben, während der Lauf aktiv ist. Das Ultralytics-Paket verwendet dieselben Remote-Training-Callbacks wie jede andere vom Kunden verwaltete Maschine: Fortschritt und Metriken werden an die Platform gestreamt, der beste Checkpoint wird in den Platform-Speicher hochgeladen und das fertige Modell funktioniert mit den bestehenden Download-, Vorhersage-, Export- und Bereitstellungspfaden. Andere Trainingsartefakte verbleiben in deinem Modellordner. On Premise-Training verbraucht keine Platform-Rechen-Credits und die Platform sendet den Trainingsjob niemals an die Cloud-Rechenleistung.

Verwalte die Verbindung#

Öffne Settings > Integrations, um zu sehen, ob der Computer und dessen CPU oder GPU verfügbar sind. Du kannst die Verbindung neu herstellen, um den Zugriff zu aktualisieren, oder sie trennen, wenn sie nicht mehr benötigt wird.

Das Trennen verhindert neue Jobs und Vorschauen, löscht jedoch keine Datensätze oder Quelldateien vom Computer. Hochgeladene Modelle bleiben in der Platform verfügbar.

Wenn die Einrichtung nicht abgeschlossen wird#

• Docker fragt nach Berechtigung: Bestätige die Aufforderung und warte, bis Docker startet. Die Einrichtung wird automatisch fortgesetzt.
• Windows fordert einen Neustart an: Starte den Computer neu, kehre zu Settings > Integrations zurück und erstelle einen neuen Installationsbefehl.
• Der Einrichtungsbefehl ist abgelaufen: Erstelle einen neuen Installationsbefehl. Jeder Befehl ist temporär und funktioniert nur einmal.
• Die Verbindung bleibt offline: Öffne Docker Desktop, führe einen neu generierten Befehl erneut aus und lass das Terminal geöffnet, bis gemeldet wird, dass On Premise läuft.
• Vorschauen werden nicht geladen: Öffne die Platform in einem Browser auf dem verbundenen Computer. Datensatz-Vorschauen kommen direkt von diesem Computer.

Siehe auch Datasets, Annotation und Training.