Ultralytics Platform Schnellstart

Die Ultralytics Platform ist benutzerfreundlich und intuitiv gestaltet, sodass Benutzer ihre Datasets schnell hochladen und neue YOLO-Modelle trainieren können. Sie bietet eine Reihe von vortrainierten Modellen zur Auswahl, was den Einstieg für Benutzer erleichtert. Sobald ein Modell trainiert ist, kann es direkt im Browser getestet und mit einem einzigen Klick in der Produktion bereitgestellt werden.

journey
    title Your First Model in 5 Minutes
    section Sign Up
      Create account: 5: User
      Select region: 5: User
    section Prepare Data
      Upload dataset: 5: User
      Review images: 4: User
    section Train
      Configure training: 5: User
      Monitor progress: 3: Platform
    section Deploy
      Test model: 5: User
      Deploy endpoint: 5: User

Los geht's

Ultralytics bietet eine Vielzahl einfacher Anmeldemöglichkeiten. Sie können sich mit Ihrem Google GitHub-Konto oder mit Ihrer E-Mail-Adresse registrieren und anmelden.

Regionsauswahl

Während der Einarbeitung werden Sie gebeten, Ihre Datenregion auszuwählen. Die Plattform misst automatisch die Latenz zu jeder Region und empfiehlt die nächstgelegene. Dies ist eine wichtige Entscheidung, da sie bestimmt, wo Ihre Daten, Modelle und Bereitstellungen gespeichert werden.

Kostenlose Credits

Jedes neue Konto erhält kostenlose Credits für GPU :

Profil vervollständigen

Bevor Sie Ihre Region auswählen, vervollständigen Sie Ihr Profil mit einem Anzeigenamen, einem Benutzernamen, optional Ihrem Unternehmen und dem primären Anwendungsfall. Der Onboarding-Prozess umfasst drei Schritte: Profil, Datenregion und Fertigstellen.

Home-Dashboard

Nach der Anmeldung werden Sie zur Startseite der Ultralytics weitergeleitet, auf der Sie eine Willkommenskarte mit Arbeitsbereichsstatistiken, Schnellzugriff auf Datensätze, Projekte und Speicher sowie einen Feed mit den letzten Aktivitäten finden.

Seitenleiste Navigation

Die Seitenleiste bietet Zugriff auf alle Bereiche der Plattform:

Willkommenskarte

Die Willkommenskarte zeigt auf einen Blick Ihr Profil, Ihr Plan-Abzeichen und Ihre Arbeitsbereichsstatistiken:

Schnellaktionen

Unterhalb der Willkommenskarte zeigt das Dashboard drei Karten an:

• Datensätze: Erstellen Sie einen neuen Datensatz oder ziehen Sie Bilder, Videos oder ZIP-Dateien zum Hochladen hinein. Zeigt Ihre letzten Datensätze an.
• Projekte: Neues Projekt erstellen oder ablegen .pt Modelldateien zum Hochladen. Zeigt Ihre letzten Projekte an.
• Speicher: Übersicht über Ihre Speichernutzung (Datensätze, Modelle, Exporte) mit Planlimits.

Die Tabelle „Aktuelle Aktivitäten “ unten zeigt Ihre neuesten Datensätze, Modelle und Trainingsläufe an.

Ihr erstes Dataset hochladen

Navigieren zu Annotate in der Seitenleiste und klicken Sie auf New Dataset um Ihre Trainingsdaten hinzuzufügen. Sie können Dateien auch direkt per Drag & Drop auf die Karte „Datensätze” im Start-Dashboard ziehen.

Ultralytics unterstützt mehrere Upload-Formate (ausführliche Informationen finden Sie unter „Datensätze“):

graph LR
    A[Drop Files] --> B[Auto-Package ZIP]
    B --> C[Upload to Storage]
    C --> D[Backend Worker]
    D --> E[Resize & Thumbnail]
    E --> F[Parse Labels]
    F --> G[Compute Statistics]
    G --> H[Dataset Ready]

Nach dem Hochladen verarbeitet die Plattform Ihre Daten automatisch:

1. Bilder, die größer als 4096px sind, werden in der Größe angepasst (unter Beibehaltung des Seitenverhältnisses).
2. Für schnelles Browsen werden 256px-Miniaturansichten generiert.
3. Labels werden analysiert und validiert (YOLO .txt Format)
4. Statistiken werden berechnet (Klassenverteilung, Heatmaps, Dimensionen)

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.

Ihr erstes Projekt erstellen

Projekte helfen Ihnen, zusammengehörige Modelle und Experimente zu organisieren. Navigieren Sie zu „Projekte“ und klicken Sie auf „Projekt erstellen“.

Geben Sie einen Namen und eine optionale Beschreibung für Ihr Projekt ein. Projekte enthalten:

• Modelle: Trainierte Checkpoints
• Aktivitätsprotokoll: Verlauf der Änderungen

Erfahren Sie mehr über Projekte.

Ihr erstes Modell trainieren

Klicken Sie in Ihrem Projekt auf Train Model um mit dem Cloud-Training zu beginnen.

Trainingskonfiguration

1. Datensatz auswählenWählen Sie aus Ihren hochgeladenen Datensätzen (nur Datensätze mit einem train aufgeteilt werden angezeigt)
2. Modell auswählen: Wählen Sie ein Basismodell aus – offizielle Ultralytics oder Ihre eigenen trainierten Modelle.
3. Set Epochs: Anzahl der Trainingsiterationen (Standard: 100)
4. GPU auswählen: Wählen Sie die Rechenressourcen entsprechend Ihrem Budget und der Modellgröße aus.

Training überwachen

Sobald das Training beginnt, können Sie den Fortschritt in Echtzeit über drei Unterregisterkarten verfolgen:

Die Metriken werden in Echtzeit über SSE (Server-Sent Events) gestreamt. Nach Abschluss des Trainings werden Validierungsdiagramme erstellt, darunter Verwechslungsmatrix, PR-Kurven und F1-Kurven.

Lesen Sie mehr über Cloud-Training.

Ihr Modell testen

Nach Abschluss des Trainings können Sie Ihr Modell direkt im Browser testen:

1. Navigieren Sie zu Ihrem Modell Predict Registerkarte
2. Laden Sie ein Bild hoch, ziehen Sie es per Drag & Drop oder verwenden Sie Beispielbilder (automatische Erkennung beim Ablegen).
3. Anzeigen der Inferenz-Ergebnisse mit auf der Leinwand gerenderten Begrenzungsrahmen

Inferenzparameter anpassen:

Die Predict Die Registerkarte enthält gebrauchsfertige Code-Beispiele, in denen Ihr tatsächlicher API-Schlüssel bereits vorab eingegeben ist:

import requests

url = "https://platform.ultralytics.com/api/models/{model_id}/predict"
headers = {"Authorization": "Bearer your_api_key"}

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

print(response.json())

curl -X POST "https://platform.ultralytics.com/api/models/{model_id}/predict" \
  -H "Authorization: Bearer your_api_key" \
  -F "file=@image.jpg"

Lesen Sie mehr über Inferenz.

In Produktion bereitstellen

Stellen Sie Ihr Modell für den Produktionseinsatz auf einem dedizierten Endpunkt bereit:

1. Navigieren Sie zu Ihrem Modell Deploy Registerkarte
2. Wählen Sie eine Region aus der interaktiven Weltkarte aus (43 verfügbare Regionen).
3. The map shows real-time latency measurements with traffic light colors (green < 100ms, yellow < 200ms, red > 200ms)
4. Klicken Deploy um Ihren Endpunkt zu erstellen

graph LR
    A[Select Region] --> B[Deploy]
    B --> C[Provisioning ~1 min]
    C --> D[Running]
    D --> E{Lifecycle}
    E --> F[Stop]
    E --> G[Delete]
    F --> H[Resume]
    H --> D

Ihr Endpunkt ist in etwa einer Minute bereit mit:

• Eindeutige URL: HTTPS-Endpunkt für API-Aufrufe
• Auto-Scaling: Skaliert automatisch mit dem Traffic
• Monitoring: Metriken und Protokolle abrufen

Nach der Bereitstellung können Sie alle Ihre Endpunkte über die Deploy Abschnitt in der Seitenleiste, der eine globale Karte mit aktiven Bereitstellungen, Übersichtsmetriken und einer Liste aller Endpunkte anzeigt.

Erfahren Sie mehr über Endpunkte.

Fernschulung (optional)

Wenn Sie lieber auf Ihrer eigenen Hardware trainieren möchten, können Sie Metriken mit Ihrem API-Schlüssel auf die Plattform streamen. Das funktioniert wie Weights & Biases trainieren Sie überall, überwachen Sie auf der Plattform.

1. API-Schlüssel generieren in Settings > Profile (Abschnitt „API-Schlüssel“)
2. Setzen Sie die Umgebungsvariable und trainieren Sie mit einem project/name Format:

export ULTRALYTICS_API_KEY="ul_your_api_key_here"

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

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

Feedback

Ihr Feedback ist uns wichtig! Nutzen Sie den Feedback-Button, um uns bei der Verbesserung der Plattform zu unterstützen.

Brauchen Sie Hilfe?

Wenn Sie auf Probleme stoßen oder Fragen haben:

• Dokumentation: Durchsuchen Sie diese Dokumentation für detaillierte Anleitungen
• Discord: Treten Sie unserer Discord-Community für Diskussionen bei
• GitHub: Melden Sie Probleme auf GitHub

📅 Erstellt vor 1 Monat ✏️ Aktualisiert vor 4 Tagen

Kommentare