Schnellstart für die Ultralytics Platform#

Die Ultralytics Platform bietet einen geführten Arbeitsablauf, mit dem du Datensätze hochladen, neue YOLO-Modelle mit vortrainierten Gewichten trainieren, fertige Modelle im Browser testen und dedizierte Inferenz-Endpunkte konfigurieren kannst.

Das folgende interaktive Diagramm zeigt die vier wichtigsten Schritte im Arbeitsablauf der Ultralytics Platform. Klicke auf einen beliebigen Schritt oder Teilschritt, um detaillierte Anweisungen dazu aufzurufen.

graph LR
    A(Sign Up):::start --> B(Prepare Data):::proc --> C(Train):::proc --> D(Deploy):::out
    A -.- A1["<a href='#get-started'>Create account</a><br/><a href='#region-selection'>Select region</a>"]:::proc
    B -.- B1["<a href='#upload-your-first-dataset'>Upload dataset</a><br/><a href='#create-your-first-project'>Create Project</a>"]:::proc
    C -.- C1["<a href='#training-configuration'>Configure training</a><br/><a href='#monitor-training'>Monitor progress</a>"]:::proc
    D -.- D1["<a href='#test-your-model'>Test model</a><br/><a href='#deploy-to-production'>Deploy endpoint</a>"]:::proc

    click A "#get-started"
    click B "#upload-your-first-dataset"
    click C "#train-your-first-model"
    click D "#deploy-to-production"

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

Erste Schritte#

Die Ultralytics Platform bietet verschiedene einfache Möglichkeiten zur Registrierung. Du kannst dich mit deinem Google- oder GitHub-Konto oder mit deiner E-Mail-Adresse registrieren und anmelden.

Region auswählen#

Während der Einrichtung wirst du aufgefordert, deine Datenregion auszuwählen. Die Platform misst automatisch die Latenz zu jeder Region und empfiehlt die nächstgelegene. Diese Auswahl legt fest, wo deine Datensätze, Modelle und verwalteten Trainingsdaten gespeichert werden. Die Regionen für dedizierte Endpunkte wählst du beim Bereitstellen eines Modells separat aus.

Kostenloses Guthaben#

Jedes neue Konto erhält kostenlose Credits für das Cloud-GPU-Training:

Vervollständige dein Profil#

Der Einrichtungsprozess führt dich durch drei Schritte:

1. Profil – Gib deinen Anzeigenamen, einen eindeutigen Benutzernamen (dauerhaft und später nicht änderbar), deine Organisation (optional) und deinen hauptsächlichen Anwendungsfall ein
2. Datenregion – Wähle USA, EU oder AP anhand einer Weltkarte, die die Latenz anzeigt
3. Abschließen – Überprüfe deine Auswahl, gib optional einen Aktionscode ein und schließe die Registrierung ab, um deine Willkommens-Credits zu erhalten

Startseiten-Dashboard#

Nach der Anmeldung gelangst du zur Startseite der Ultralytics Platform. Dort findest du eine Willkommenskarte mit Statistiken zum Arbeitsbereich, ein Übersichtsvideo, Schnellzugriffe auf Datensätze, Projekte und Speicher sowie einen Feed mit den letzten Aktivitäten.

Navigation in der Seitenleiste#

Über die Seitenleiste erreichst du alle Bereiche der Platform:

In jedem Inhaltsbereich werden deine fünf zuletzt verwendeten Elemente mit einem Link zu den übrigen angezeigt. Wenn du auf ein Element zeigst, erscheint eine Löschaktion, die es in den Papierkorb verschiebt. Bereitstellungen werden dagegen nach einer Bestätigung endgültig gelöscht. Den Papierkorb selbst erreichst du über die Suche (Cmd+K) oder durch Öffnen von platform.ultralytics.com/trash.

Willkommenskarte#

Die Willkommenskarte zeigt auf einen Blick dein Profil, das Abzeichen deines Tarifs (mit einem Link zum Tarifvergleich) und Statistiken zu deinem Arbeitsbereich. Jede Statistik verlinkt zur entsprechenden Ansicht des Arbeitsbereichs:

Schnellaktionen#

Unter der Willkommenskarte zeigt das Dashboard drei Karten:

• Datensätze: Erstelle einen neuen Datensatz oder ziehe Bilder, Videos oder Datensatzdateien hierher, um sie hochzuladen. Zeigt deine letzten Datensätze an.
• Projekte: Erstelle ein neues Projekt oder ziehe Modelldateien .pt hierher, um sie hochzuladen. Zeigt deine letzten Projekte an.
• Speicher: Übersicht über deine Speichernutzung (Datensätze, Modelle, Exporte) und die Tariflimits.

Eine Tabelle Letzte Aktivitäten am unteren Rand zeigt deine neuesten Datensätze, Projekte und Bereitstellungen mit ihrem Status und Zeitpunkt der letzten Aktualisierung.

Globale Suche#

Drücke Cmd+K (Mac) oder Ctrl+K (Windows/Linux), um die Suchleiste zu öffnen. Durchsuche sofort Seiten, Projekte, Datensätze und Bereitstellungen.

KI-Chatassistent#

Klicke auf KI fragen, um mit einem KI-Agenten zu arbeiten, der Aufgaben in der Ultralytics Platform automatisiert. Er arbeitet direkt mit deinen Datensätzen und Modellen, um Bilder zu annotieren, Trainingsexperimente auszuführen, Ergebnisse zu vergleichen sowie Modelle zu exportieren oder bereitzustellen. Unter Automatisches Training mit KI fragen findest du Beispiel-Prompts und Anleitungen zur Einrichtung deines eigenen Programmieragenten.

Einführungstouren#

Die Platform bietet geführte Touren, die dir beim Erkunden der verschiedenen Bereiche wichtige Funktionen vorstellen:

Touren erneut starten#

So kannst du eine Tour wiederholen:

• Schaltfläche „Tour wiederholen“ — Klicke auf deinen Profilavatar (unten links in der Seitenleiste), um das Kontomenü zu öffnen, und wähle anschließend Tour wiederholen. Dadurch werden alle Touren zurückgesetzt, sodass sie beim nächsten Besuch der jeweiligen Bereiche erneut starten.
• URL-Parameter — Hänge ?tour= mit der Tour-ID an, um eine Tour direkt neu zu starten: ?tour=nav auf der Startseite, ?tour=project auf einer Projektseite oder ?tour=dataset auf einer Datensatzseite.

Lade deinen ersten Datensatz hoch#

Öffne Annotate in der Seitenleiste und klicke auf +, um einen neuen Datensatz zu erstellen. Du kannst Dateien auch direkt auf die Datensatzkarte im Startseiten-Dashboard ziehen.

Der Dialog Neuer Datensatz bietet vier Quellen. In dieser Schnellstartanleitung verwenden wir Upload; die anderen Quellen werden unter Datensätze und Integrationen behandelt:

Uploads unterstützen mehrere Formate (alle Einzelheiten findest du unter Datensätze):

graph LR
    A[Drop Files]:::start --> B[Auto-Package ZIP]:::proc
    B --> C[Upload to Storage]:::proc
    C --> D[Process Data]:::proc
    D --> E[Resize & Thumbnail]:::proc
    E --> F[Parse Labels]:::proc
    F --> G[Compute Statistics]:::proc
    G --> H[Dataset Ready]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

Nach dem Upload verarbeitet die Plattform deine Daten automatisch:

1. Bilder mit mehr als 4096 px werden verkleinert (das Seitenverhältnis bleibt erhalten; TIFF-Originale werden so gespeichert, wie sie hochgeladen wurden)
2. Zur schnellen Anzeige werden Miniaturansichten mit 256 px erstellt
3. YOLO-, COCO-, LabelMe- und Ultralytics- oder Labelbox-NDJSON-Labels werden eingelesen und validiert
4. Statistiken werden berechnet (Klassenverteilung, Heatmaps, Abmessungen)

my-dataset.zip
├── data.yaml          # Class names and splits
├── train/
│   ├── images/
│   │   ├── img001.jpg
│   │   └── img002.jpg
│   └── labels/
│       ├── img001.txt
│       └── img002.txt
└── val/
    ├── images/
    └── labels/

Weitere Informationen zu Datensätzen und unterstützten Formaten für detect, segment, pose, OBB und classify.

Erstelle dein erstes Projekt#

Mit Projekten kannst du zusammengehörige Modelle und Experimente organisieren. Öffne Train in der Seitenleiste und klicke auf +, um ein Projekt zu erstellen. Du kannst auch .pt-Gewichte auf die Projektkarte im Home-Dashboard ziehen, um in einem Schritt ein Projekt zu erstellen und die Gewichte zu importieren.

Gib einen Namen und optional eine Beschreibung ein. In Projekten organisierst du Trainingsläufe sowie importierte oder geklonte Modellgewichte. Diagramme helfen dir, abgeschlossene Trainingsergebnisse zu vergleichen.

Weitere Informationen zu Projekten.

Trainiere dein erstes Modell#

Klicke in deinem Projekt auf New Model, um den Dialog Neues Modell trainieren zu öffnen. Du kannst auch auf einer Datensatzseite beginnen. In diesem Fall ist der Datensatz bereits ausgewählt und du legst stattdessen das Zielprojekt fest.

Trainingskonfiguration#

1. Basismodell: Wähle offizielle Ultralytics-Gewichte oder eines deiner selbst trainierten Modelle aus. Der Dialog weist dich darauf hin, wenn die Modellaufgabe und die Datensatzaufgabe nicht übereinstimmen.
2. Datensatz: Wähle einen fertigen Datensatz mit mindestens einem Trainingsbild, mindestens einem Validierungs- oder Testbild und mindestens einem annotierten Bild aus.
3. Parameter: Lege Epochen (Standardwert: 100), Batchgröße (leer bedeutet automatisch), Bildgröße (Standardwert: 640) und optional einen Namen für den Trainingslauf fest. Klappe Erweiterte Einstellungen aus, um andere Ultralytics-Trainingsargumente in einem YAML-Editor zu bearbeiten.
4. GPU auswählen: Wähle im Tab Cloud-Training die Rechenleistung passend zu deinem Budget und deiner Modellgröße aus. Standardmäßig ist RTX PRO 6000 ausgewählt (96 GB Blackwell, 2,09 $/Std.); sie bewältigt alle YOLO26-Varianten. Die vollständige Liste und die Verfügbarkeit je Tarif findest du in der GPU-Preistabelle oder unter Cloud-Training: GPU-Schritt.
5. Training starten: Prüfe die geschätzten Kosten und die Dauer neben deinem Guthaben und klicke dann auf Start Training.

Training überwachen#

Sobald das Training beginnt, öffne den Tab Train des Modells, um den Fortschritt in Echtzeit über drei Untertabs zu überwachen:

Messwerte werden in Echtzeit per SSE (Server-Sent Events) übertragen. Sobald Validierungsartefakte vorliegen, wird der Untertab „Diagramme“ in die Ansichten Training und Validierung aufgeteilt. Unter „Validierung“ findest du die Konfusionsmatrix, PR-Kurven und F1-Kurven.

Weitere Informationen zum Cloud-Training.

Teste dein Modell#

Sobald das Training abgeschlossen ist, kannst du dein Modell direkt im Browser testen:

1. Wechsle zum Tab Predict deines Modells
2. Lade ein Bild hoch, ziehe es per Drag-and-drop hinein, nimm eines mit deiner Webcam auf oder klicke auf ein Beispielbild (automatische Inferenz beim Ablegen).
3. Sieh dir aufgabenbezogene Vorhersageüberlagerungen, die Zeiten der einzelnen Phasen (Vorverarbeitung, Inferenz, Nachverarbeitung, Netzwerk) und die unformatierte JSON-Antwort an

Passe die Inferenzparameter an:

Im Bereich API-Dokumentation zeigt der Tab Predict Beispielcode in Python, JavaScript und cURL an, der bereits die oben ausgewählten Parameter enthält. Stelle das Modell zuerst bereit und ersetze dann die Platzhalter-URL und den Platzhalter-Schlüssel durch die Werte deines Endpunkts:

import requests

url = "https://your-deployment-url.run.app/predict"
api_key = "YOUR_API_KEY"
args = {"conf": 0.25, "iou": 0.7, "imgsz": 640}

with open("image.jpg", "rb") as f:
    response = requests.post(
        url,
        headers={"Authorization": f"Bearer {api_key}"},
        data=args,
        files={"file": f},
    )

print(response.json())

Weitere Informationen zur Inferenz.

In der Produktion bereitstellen#

Stelle dein Modell für den Produktionseinsatz an einem dedizierten Endpunkt bereit:

1. Wechsle zum Tab Deploy deines Modells
2. Die Platform misst die Latenz in allen 42 Regionen und zeigt die Ergebnisse auf einer Weltkarte mit einem Farbverlauf von Grün bis Rot an (geringere Latenz erscheint grüner, höhere Latenz röter).
3. Suche in der Tabelle Regionale Latenz unter der Karte die gewünschte Region. Die Tabelle ist nach der Latenz von deinem Standort aus sortiert. Mit Rescan kannst du die Messung jederzeit wiederholen.
4. Klicke in der entsprechenden Zeile auf Deploy, um deinen Endpunkt zu erstellen

graph LR
    A[Select Region]:::start --> B[Deploy]:::proc
    B --> C[Provisioning]:::proc
    C --> D[Running]:::out
    D --> E{Lifecycle}:::decide
    E --> F[Stop]:::error
    E --> G[Delete]:::error
    F --> H[Resume]:::proc
    H --> D

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,color:#fff
    classDef error fill:#F44336,color:#fff

Sobald die Bereitstellung abgeschlossen ist, bietet dein Endpunkt:

• Eindeutige URL: HTTPS-Endpunkt für API-Aufrufe
• Verhalten beim Herunterskalieren auf null: Inaktive Endpunkte mit Standardgröße werden auf null herunterskaliert; benutzerdefinierte Größen bleiben aktiv und werden nach stündlicher Laufzeit abgerechnet (Bereitstellungen verwenden derzeit eine einzelne aktive Instanz).
• Überwachung: Anfragemesswerte und Protokolle

Nach der Bereitstellung kannst du alle deine Endpunkte im Tab Bereitstellungen deines Profils verwalten. Du erreichst ihn über den Bereich Deployments in der Seitenleiste. Der Tab zeigt eine Weltkarte mit deinen aktiven Bereitstellungen, Messwerte der letzten 24 Stunden (aktive Bereitstellungen, Gesamtzahl der Anfragen, Fehlerrate und P95-Latenz) sowie eine Liste aller Endpunkte.

Weitere Informationen zu Endpunkten.

Remote-Training (optional)#

Wenn du lieber auf deiner eigenen Hardware trainierst, kannst du mit deinem API-Schlüssel überall trainieren und Messwerte an die Ultralytics Platform übertragen.

Am schnellsten geht es über den Tab Lokales Training im Trainingsdialog: Dort wird der vollständige Befehl für das ausgewählte Modell, den Datensatz und die Parameter erstellt und ein API-Schlüssel eingefügt (oder ein neuer erstellt, falls du noch keinen hast). Kopiere den Befehl und führe ihn in deinem Terminal aus.

So stellst du den Befehl selbst zusammen:

1. Erstelle einen API-Schlüssel unter Settings > API Keys
2. Lege die Umgebungsvariable fest und trainiere mit einem username/project-Wert für project:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

yolo train model=yolo26n.pt data=coco.yaml epochs=100 project=username/my-project name=exp1

Weitere Informationen findest du zu API-Schlüsseln, Datensatz-URIs und Remote-Training.

Feedback und Hilfe#

Auf der Seite Hilfe in der Fußzeile der Seitenleiste findest du Links zur Dokumentation, Videoanleitungen und Community-Ressourcen. Außerdem gibt es dort ein Feedbackformular in der App. Du kannst deine Erfahrung mit 1 bis 5 Sternen bewerten, eine Feedbackkategorie (Fehler, Feature oder Allgemein) auswählen und einen Screenshot anhängen.

Wenn du weitere Hilfe brauchst:

• KI-Chat: Klicke auf einer beliebigen Seite auf das schwebende Chat-Widget, um sofort Hilfe zu erhalten
• Dokumentation: In diesen Dokumenten findest du ausführliche Anleitungen zu Datensätzen, Annotationen, Training, Bereitstellung und Abrechnung
• Discord: Tritt unserer Discord-Community bei, um dich auszutauschen
• GitHub: Melde Probleme auf GitHub
• REST API und Python SDK: Sieh dir die API-Referenz an, installiere den ultralytics-platform-Client oder probiere die interaktive API-Dokumentation aus, um programmgesteuert auf alle Platform-Funktionen zuzugreifen

Häufig gestellte Fragen#