Link to this sectionOn Premise#

On Premise verbindet CPU- und optionale NVIDIA GPU-Worker auf deinem eigenen Linux-, Apple Silicon macOS- oder Windows-Host mit der Ultralytics Platform. Die Platform bleibt die gehostete Steuerungsebene für das UI, die Authentifizierung, Metadaten, Annotationen und die Job-Orchestrierung, während jedes Pixel und jedes trainierte Modell-Artefakt bei dir vor Ort bleibt.

Dein Host benötigt Docker und ausgehenden HTTPS-Zugriff auf die Platform. Der Installer fügt Docker automatisch hinzu, falls es fehlt, sodass die normale Einrichtung aus nur einem Befehl besteht.

Link to this sectionSystemanforderungen#

CPU-Ingest und -Training funktionieren auf allen drei Betriebssystemen. Der Installer wählt das offizielle native arm64-Image auf Apple Silicon und ARM Linux, sodass kleine Jobs wie YOLO26n auf COCO8 ohne x86-Emulation laufen. NVIDIA-Beschleunigung ist optional; wenn sie nicht verfügbar ist, läuft das Training auf der CPU.

Link to this sectionDatengrenze#

Datensatzordner werden schreibgeschützt gemountet. Die Platform und ihre gehosteten Worker erhalten niemals die Quellpixel oder daraus abgeleitete Pixel, und On Premise-Jobs greifen niemals auf Rechenleistung von Ultralytics oder RunPod zurück.

Link to this sectionEinen Host verbinden#

1. Öffne Ultralytics Platform auf dem Linux-, Apple Silicon macOS- oder Windows-Host, der auf deine Datensätze zugreifen kann.
2. Gehe zu Settings > Integrations und wähle Connect auf der On Premise-Karte.
3. Die Platform wählt den erkannten Linux-, macOS- oder Windows-Befehl aus. Apple Silicon ist unter macOS erforderlich. Behalte die vorausgefüllten Werte bei oder ändere sie:
   • Machine name: On Premise host
   • Dataset folder: /datasets unter Linux oder ~/Ultralytics/datasets unter macOS und Windows
   • Models folder: /models unter Linux oder ~/Ultralytics/models unter macOS und Windows
4. Wähle Create install command. Der Dialog zeigt dir an, welches Terminal du für das ausgewählte Betriebssystem öffnen musst.
5. Kopiere den vollständigen Befehl, füge ihn in das Terminal ein und führe ihn aus. Der Befehl enthält das einmalige Registrierungstoken, installiert und startet Docker bei Bedarf und erstellt die ausgewählten Ordner.
6. Lasse den Dialog geöffnet. Die Platform prüft alle 500 Millisekunden und zeigt den Host als verbunden an, sobald der CPU-Worker startet. Ein GPU-Worker startet automatisch, wenn Docker eine unterstützte NVIDIA-Runtime bereitstellt.

Das Registrierungstoken läuft nach 10 Minuten ab und kann nur einmal eingelöst werden. Der installierte Worker speichert den resultierenden widerrufbaren Worker-Schlüssel in einer 0600-Umgebungsdatei. Er erhält niemals Zugangsdaten für die Platform MongoDB oder Cloud-Speicher. Compose startet die Worker automatisch neu, und das Setup konfiguriert Docker so, dass es beim Systemstart unter Linux oder bei der Anmeldung unter macOS und Windows startet.

Link to this sectionEinen On Premise-Datensatz erstellen#

1. Lege den Datensatz unterhalb des verbundenen Datensatzordners ab. Zum Beispiel ist /datasets/warehouse das Verzeichnis warehouse innerhalb des Standard-Root-Verzeichnisses.
2. Wähle in der Platform New Dataset > On Premise.
3. Durchsuche den verbundenen Host mit demselben Ordner-Browser, der auch für Google Cloud Storage, Amazon S3 und Azure Blob Storage verwendet wird, wähle einen Ordner aus, bestimme die Aufgabe und erstelle den privaten Datensatz.
4. Der Host indiziert den Datensatz und meldet Metadaten. Die Platform lädt die Bilder niemals hoch.

On Premise verwendet denselben CPU-Ingest-Code wie gehostete Uploads. Es unterstützt:

• einzelne Bilder und Videos;
• ZIP-, TAR-, TAR.GZ- und TGZ-Archive;
• Ultralytics NDJSON und COCO JSON;
• YOLO-Datensätze und Klassifizierungs-Ordnerlayouts; sowie
• Aufgaben für detect, segment, pose, OBB und classify, einschließlich der gleichen Klassen-Zuordnung, Aufgaben-Inferenz, Validierung und Split-Verarbeitung.

Der Speicherausgang ist der einzige Unterschied. Gehostetes Ingestion kann Bilder skalieren oder normalisieren und Thumbnails im Platform-Speicher erstellen. On Premise skaliert, kodiert, bearbeitet oder löscht niemals gemountete Originale. Archivinhalte, Remote-NDJSON-Assets und Video-Frames, die mit 1 FPS bis zu 100 Frames gesampelt und dann gleichmäßig über längere Videos verteilt werden, werden nur in ein Docker-Volume auf dem Host geschrieben.

Link to this sectionVorschau und Annotation#

Die Platform autorisiert jede Vorschau, dann lädt dein Browser die revisionsgebundene Datei direkt von http://localhost:8765 auf demselben Computer. Es sind kein Hostname, Zertifikat, VPN, Proxy oder Vorschau-Einstellungen erforderlich.

Annotationen werden als Platform-Metadaten gespeichert. Das Bearbeiten oder Löschen eines Bildes in der Platform ändert nur den Platform-Verweis und die Annotationen; eine Quelldatei oder ein Label-Sidecar wird niemals geändert.

Link to this sectionLokal trainieren#

Starte das Training über den normalen Projekt-Trainingsdialog. Ein Datensatz, der an einen On Premise-Host gebunden ist, kann nur von diesem Host beansprucht werden. Die Platform verwendet ihren GPU-Worker, sofern verfügbar, und führt ansonsten denselben Trainingscode auf ihrem CPU-Worker aus. Das Training liest die gemounteten Dateien, schreibt Checkpoints und Gewichte unterhalb des konfigurierten Modellordners und sendet den Job-Status, skalare Metriken und den unveränderlichen Checkpoint-Verweis an die Platform zurück. Modell-Downloads verwenden dieselbe signierte localhost-Verbindung wie die Vorschauen, sodass die Gewichte direkt von deinem Host in deinen Browser gelangen.

On Premise-Training verbraucht keine Platform-Rechen-Credits. Gehostete Worker von Ultralytics und RunPod können den Job nicht beanspruchen oder dessen Pixel oder Artefakte lesen.

Link to this sectionDen Worker verwalten#

Verwende die On Premise-Karte unter Settings > Integrations, um die CPU/GPU-Verfügbarkeit zu sehen, einen Host erneut zu verbinden oder die Verbindung zu trennen. Das erneute Verbinden rotiert den Worker-Schlüssel, ohne die bestehende Datensatz-Identität zu ändern. Das Trennen widerruft zukünftige Job-Abrufe und den Vorschau-Zugriff; es löscht jedoch keine Datensätze, Quelldateien, zwischengespeicherten Pixel oder Modell-Artefakte vom Host.

Um die Installation unter Linux zu überprüfen oder zu stoppen:

cd /opt/ultralytics-worker
docker compose logs -f
docker compose down

Unter macOS und Windows gibt der Installer den entsprechenden Befehl mit ~/.ultralytics/worker aus.

Siehe auch Datasets, Annotation und Cloud Training.