Schnellstart für die Ultralytics Platform#

Die Ultralytics Platform bietet einen geführten Arbeitsablauf zum Hochladen von Datensätzen, Trainieren neuer YOLO-Modelle mit vortrainierten Gewichten, Testen fertiger Modelle im Browser und Konfigurieren dedizierter Inferenz-Endpunkte.

Das folgende interaktive Diagramm zeigt die vier wichtigsten Phasen des Arbeitsablaufs der Ultralytics Platform. Klicke auf eine beliebige Phase oder einen Unterschritt, um detaillierte Anweisungen für diesen Abschnitt 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 Optionen zur Registrierung. Du kannst dich mit deinem Google- oder GitHub-Konto oder mit deiner E-Mail-Adresse registrieren und anmelden.

Auswahl der Region#

Während der Einrichtung wirst du aufgefordert, deine Datenregion auszuwählen. Die Platform misst automatisch die Latenz zu jeder Region und empfiehlt die nächstgelegene. Diese Auswahl bestimmt, wo deine Datensätze, Modelle und verwalteten Trainingsdaten gespeichert werden. Regionen für dedizierte Endpunkte werden bei der Bereitstellung eines Modells separat ausgewählt.

Kostenlose Guthaben#

Jedes neue Konto erhält kostenlose Guthaben für das Training mit Cloud-GPUs:

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 US, EU oder AP anhand einer visuellen Weltkarte mit angezeigter Latenz aus.
3. Abschluss – Überprüfe deine Auswahl, wende optional einen Aktionscode an und schließe die Registrierung ab, um dein Willkommensguthaben zu erhalten.

Startseite#

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

Seitennavigation#

Über die Seitenleiste erreichst du alle Bereiche der Platform:

Jeder Inhaltsbereich listet deine fünf neuesten Elemente mit einem Link zu den übrigen auf. Wenn du den Mauszeiger über ein Element bewegst, wird eine Löschaktion angezeigt, die es in den Papierkorb verschiebt. Den Papierkorb erreichst du über die Suche (Cmd+K) oder durch Öffnen von platform.ultralytics.com/trash.

Willkommenskarte#

Die Willkommenskarte zeigt dein Profil, das Abzeichen deines Tarifs (mit Link zum Tarifvergleich) und die Statistiken deines Arbeitsbereichs auf einen Blick. 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 zum Hochladen hierher. Zeigt deine neuesten Datensätze an.
• Projekte: Erstelle ein neues Projekt oder ziehe .pt-Modelldateien zum Hochladen hierher. Zeigt deine neuesten Projekte an.
• Speicher: Übersicht über deine Speichernutzung (Datensätze, Modelle, Exporte) mit den Tariflimits.

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

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 Ask AI, um mit einem KI-Agenten zu arbeiten, der Aufgaben auf der Ultralytics Platform automatisiert. Der KI-Agent arbeitet direkt mit deinen Datensätzen und Modellen, um Bilder zu annotieren, Trainingsexperimente auszuführen, Ergebnisse zu vergleichen sowie Modelle zu exportieren oder bereitzustellen. Siehe AutoTrain mit Ask AI für Beispiel-Prompts und das Setup für deinen eigenen Coding-Agenten.

Einführungstouren#

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

Führungen neu starten#

So kannst du eine Führung erneut abspielen:

• Schaltfläche „Führung wiederholen“ — Klicke auf dein Profilbild (unten links in der Seitenleiste), um das Kontomenü zu öffnen, und wähle dann Führung wiederholen. Dadurch werden alle Führungen zurückgesetzt und bei deinem nächsten Besuch des jeweiligen Bereichs erneut abgespielt.
• URL-Parameter — Hänge ?tour= zusammen mit der ID der Führung an, um eine einzelne Führung direkt neu zu starten: ?tour=nav auf der Startseite, ?tour=project auf einer Projektseite oder ?tour=dataset auf einer Datensatzseite.

Deinen ersten Datensatz hochladen#

Öffne Annotate in der Seitenleiste und klicke auf +, um einen neuen Datensatz zu erstellen. Du kannst Dateien auch direkt per Drag-and-drop auf die Karte „Datensätze“ im Startseiten-Dashboard ziehen.

Der Dialog Neuer Datensatz bietet vier Quellen. Dieser Schnellstart verwendet Hochladen; die anderen werden in Datasets und Integrations behandelt:

Uploads unterstützen mehrere Formate (vollständige Details 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 Platform deine Daten automatisch:

1. Bilder mit einer Größe von mehr als 4096 px werden unter Beibehaltung des Seitenverhältnisses skaliert
2. Für schnelles Durchsuchen werden Vorschaubilder mit 256 px erzeugt
3. YOLO-, COCO- und Ultralytics-NDJSON-Beschriftungen werden analysiert 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/

Erfahre mehr über Datensätze und die unterstützten Formate für detect, segment, pose, OBB und classify.

Dein erstes Projekt erstellen#

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 Karte „Projekte“ im Startseiten-Dashboard ziehen, um in einem Schritt ein Projekt zu erstellen und die Gewichte zu importieren.

Gib einen Namen und eine optionale Beschreibung ein. Projekte organisieren Modellläufe und importierte oder geklonte Modellgewichte mit Diagrammen zum Vergleichen abgeschlossener Trainingsergebnisse.

Erfahre mehr über Projekte.

Dein erstes Modell trainieren#

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 festgelegt und du wählst stattdessen das Zielprojekt aus.

Trainingskonfiguration#

1. Basismodell: Wähle offizielle Ultralytics-Gewichte oder eines deiner eigenen trainierten Modelle aus. Der Dialog warnt dich, 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 beschrifteten Bild aus
3. Parameter: Lege Epochen (Standardwert 100), Batchgröße (leer bedeutet automatisch), Bildgröße (Standardwert 640) und optional einen Namen für den Lauf fest. Klappe Erweiterte Einstellungen auf, um weitere Ultralytics-Trainingsargumente in einem YAML-Editor zu bearbeiten.
4. GPU auswählen: Wähle auf der Registerkarte Cloud-Training die Rechenressourcen anhand deines Budgets und der Modellgröße aus. Standardmäßig ist RTX PRO 6000 (96 GB Blackwell, 2,09 $/Std.) ausgewählt; damit werden alle YOLO26-Varianten unterstützt. Die vollständige Liste und die Tarifbeschränkungen 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 die Registerkarte Train des Modells, um den Fortschritt in Echtzeit über drei Unterregisterkarten zu überwachen:

Metriken werden in Echtzeit über SSE (Server-Sent Events) gestreamt. Sobald Validierungsartefakte vorhanden sind, teilt sich die Registerkarte „Diagramme“ in eine Trainings- und eine Validierungsansicht auf, wobei sich die Konfusionsmatrix, PR-Kurven und F1-Kurven unter „Validierung“ befinden.

Erfahre mehr über Cloud-Training.

Dein Modell testen#

Nach Abschluss des Trainings kannst du dein Modell direkt im Browser testen:

1. Öffne die Registerkarte 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. Zeige aufgabenspezifische Vorhersageüberlagerungen, Zeitmessungen für die einzelnen Stufen (Vorverarbeitung, Inferenz, Nachverarbeitung, Netzwerk) und die rohe JSON-Antwort an

Inferenzparameter anpassen:

Unter API-Dokumentation zeigt die Registerkarte Predict Beispielcode in Python, JavaScript und cURL, der bereits mit den oben ausgewählten Parametern ausgefüllt ist. Stelle das Modell zunächst 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())

Erfahre mehr über Inferenz.

Für den Produktiveinsatz bereitstellen#

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

1. Öffne die Registerkarte Deploy deines Modells
2. Die Platform misst die Latenz zu allen 42 Regionen und stellt sie auf einer Weltkarte dar, eingefärbt mit einem Verlauf von Grün zu Rot (geringere Latenz ist grüner, höhere Latenz ist röter).
3. Finde in der Latenztabelle der Regionen unterhalb der Karte die gewünschte Region. Die Tabelle ist nach der Latenz von deinem Standort aus sortiert. Verwende Rescan, um die Messung jederzeit zu wiederholen.
4. Klicke in dieser 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

Nach Abschluss der Bereitstellung bietet dein Endpunkt Folgendes:

• Eindeutige URL: HTTPS-Endpunkt für API-Aufrufe
• Verhalten beim Herunterskalieren auf null: Inaktive Endpunkte werden auf null herunterskaliert (Bereitstellungen laufen derzeit mit einer einzigen aktiven Instanz)
• Überwachung: Anfragemetriken und Protokolle

Nach der Bereitstellung kannst du alle deine Endpunkte im Bereich Deploy in der Seitenleiste verwalten. Das Bereitstellungs-Dashboard zeigt eine globale Karte mit deinen aktiven Bereitstellungen, 24-Stunden-Metriken (Gesamtzahl der Anfragen, aktive Bereitstellungen, Fehlerquote und P95-Latenz) sowie eine Liste aller Endpunkte.

Erfahre mehr über Endpunkte.

Remote-Training (optional)#

Wenn du lieber auf deiner eigenen Hardware trainierst, kannst du deinen API-Schlüssel verwenden, um überall zu trainieren und Metriken an die Ultralytics Platform zu übertragen.

Der schnellste Weg führt über den Tab Lokales Training im Trainingsdialog: Er erstellt den vollständigen Befehl für dein ausgewähltes Modell, deinen Datensatz und deine Parameter und trägt einen API-Schlüssel ein (oder erstellt einen, falls du noch keinen hast). Kopiere ihn und führe ihn in deinem Terminal aus.

So stellst du den Befehl selbst zusammen:

1. Erstelle einen API-Schlüssel in Settings > API Keys
2. Setze die Umgebungsvariable und trainiere mit einem Wert von username/project 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 & Hilfe#

Die Seite Hilfe in der Fußzeile der Seitenleiste enthält Links zur Dokumentation, Videoanleitungen und Community-Ressourcen sowie ein Formular für Feedback innerhalb der Anwendung. Du kannst deine Erfahrung mit 1 bis 5 Sternen bewerten, eine Feedbackart (Fehler, Funktion oder Allgemein) auswählen und einen Screenshot anhängen.

Wenn du weitere Hilfe benötigst:

• KI-Chat: Klicke auf einer beliebigen Seite auf das schwebende Chat-Widget, um sofort Hilfe zu erhalten
• Dokumentation: Durchsuche diese Dokumentation nach ausführlichen Anleitungen zu Datensätzen, Annotation, Training, Bereitstellung und Abrechnung
• Discord: Tritt für Diskussionen unserer Discord-Community bei
• GitHub: Melde Probleme auf GitHub
• REST API und Python SDK: Sieh dir die API-Referenz an, installiere den Client ultralytics-platform oder probiere die interaktive API-Dokumentation aus, um programmgesteuert auf alle Funktionen der Platform zuzugreifen

FAQ#