On Premise#

On Premise ermöglicht es deinem Enterprise-Arbeitsbereich, Datensätze und Rechenleistung auf einem Linux-, macOS- oder Windows-Computer zu nutzen. Quellbilder und -videos verbleiben auf deinem Computer. Das Training verhält sich wie jeder andere remote training-Standort: Metriken werden an Platform gestreamt und fertige Modellgewichte zum Herunterladen, Vorhersagen, Exportieren und Bereitstellen 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 Computer aus, der deine Datensätze erreichen kann und eingeschaltet bleibt, während Platform sie verwendet:

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 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.

Die Seite verfolgt die sechs Einrichtungsschritte live – Ausführen des Befehls, Herunterladen der Worker-Dateien, Herunterladen des Docker-Image, Erstellen des Workers, Starten des Workers und Bestätigen der Verbindung –, sodass du den Fortschritt verfolgen kannst, ohne das Terminal lesen zu müssen. Das Verbinden eines Hosts erfordert die Workspace-Editor-Rolle und einen aktiven Enterprise-Tarif; Workspaces in einem anderen Tarif sehen eine Weiter-Schaltfläche, die statt eines Installationsbefehls eine geführte On-Premise-Einführung anfordert.

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#

Das Installationsprogramm führt einen Container aus und wählt das official Ultralytics base 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
• Erkennungs-, Segmentierungs-, semantische Segmentierungs-, Klassifizierungs-, Posen- und orientierte Bounding-Box-Aufgaben (OBB)

Platform erkennt automatisch gängige Datensatz-Layouts, Klassen, Labels sowie Trainings-, Validierungs- und Test-Splits. Der Datensatzordner wird schreibgeschützt eingehängt, sodass Platform deine Quelldateien niemals in der Größe verändert, neu codiert, bearbeitet oder löscht. Alles, was beim Ingest abgeleitet wird – extrahierte Archive, heruntergeladene NDJSON-Assets und Video-Frames –, wird in ein privates Docker-Volume auf demselben Computer geschrieben.

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 jeden verbundenen Computer, seinen Hostnamen und seine Hardware sowie den aktuellen Online-Status von CPU und GPU anzuzeigen. Der Host meldet sich kontinuierlich zurück, sodass ein Computer, der heruntergefahren wird oder die Verbindung verliert, als offline angezeigt wird und seine Datensätze vorübergehend nicht verfügbar sind, anstatt auf Cloud-Computing auszuweichen.

Erneut verbinden löst einen neuen Installationsbefehl für einen Host aus, den du zuvor getrennt hast. Es verwendet denselben Host-Datensatz wieder, sodass seine vorhandenen Datensätze ohne erneuten Import weiterarbeiten.

Trennen entzieht dem Host sofort den Zugriff. Wartende, startende und laufende Jobs, die daran gebunden sind, werden abgebrochen, einschließlich des laufenden Trainings, und ein Datensatz, der noch importiert wurde, schlägt mit On Premise host disconnected during ingest. fehl. Datensätze, deren Import abgeschlossen war, behalten ihre Klassen, Labels und Annotationen, können jedoch erst wieder in der Vorschau angezeigt oder zum Training verwendet werden, wenn du sie erneut verbindest. Es wird nichts vom Computer gelöscht und Modelle, die bereits in Platform hochgeladen wurden, bleiben verfügbar.

Aktuelle Einschränkungen#

• Kein erneuter Scan. Ein Datensatz wird beim Erstellen einmal indexiert. Wenn sich die Quelldateien danach ändern, bemerkt Platform dies nicht – erstelle einen neuen Datensatz, um die Änderungen zu übernehmen.
• Platform-Kopierfunktionen sind nicht verfügbar. On-Premise-Datensätze schließen Funktionen aus, die von Platform verwaltete Kopien deiner Bilder erfordern: Auto-Annotation, Clusteranalyse, Datensatz-Klonen und unveränderliche Versions-Snapshots.
• Das Training wird nicht verschoben. Wenn der Worker-Prozess mitten im Lauf stoppt, schlägt der Lauf fehl, anstatt anderswo neu zu starten.
• Modelldateien verbleiben auf dem Host. Das Löschen oder Verschieben eines Modells in den Papierkorb in Platform entfernt es aus Platform, nicht aus deinem Modellordner – bereinige diesen Ordner selbst, wenn ein Lauf nicht mehr benötigt wird.

Das Löschen eines On-Premise-Datensatzes oder einzelner Bilder daraus entfernt nur die Referenzen und Annotationen von Platform. Deine Dateien werden niemals angetastet.

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 zu einem Neustart auf: 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.
• Du benötigst die Worker-Protokolle: Das Installationsprogramm schreibt unter Linux in /opt/ultralytics-worker und unter macOS und Windows in ~/.ultralytics/worker. Führe docker compose logs -f aus diesem Ordner aus, um dem Worker zu folgen.

Siehe auch Datasets, Annotation und Training.