Ultralytics Platform – Schnellstart#

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

Das folgende interaktive Diagramm veranschaulicht die vier Hauptphasen des Arbeitsablaufs auf der Ultralytics Platform. Klicke auf eine Phase oder einen Teilschritt, um detaillierte Anleitungen für den jeweiligen Bereich zu erhalten.

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 eine Vielzahl einfacher Anmeldeoptionen. Du kannst dich mit deinem Google- oder GitHub-Konto oder einfach mit deiner E-Mail-Adresse registrieren und anmelden.

Regionsauswahl#

Während des Onboardings wirst du aufgefordert, deine Datenregion auszuwählen. Die Plattform 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 separat ausgewählt, wenn du ein Modell bereitstellst.

Kostenloses Guthaben#

Jedes neue Konto erhält kostenloses Guthaben für das Cloud-GPU-Training:

Vervollständige dein Profil#

Der Onboarding-Prozess führt dich durch drei Schritte:

1. Profil – Gib deinen Anzeigenamen, deinen eindeutigen Benutzernamen (permanent, kann später nicht mehr geändert werden), dein Unternehmen (optional) und deinen Hauptanwendungsfall ein.
2. Datenregion – Wähle US, EU oder AP mithilfe einer Weltkarte, die die Latenz anzeigt.
3. Abschluss – Überprüfe deine Angaben, löse bei Bedarf einen Aktionscode ein und schließe die Anmeldung ab, um dein Willkommensguthaben zu erhalten.

Home-Dashboard#

Nach der Anmeldung wirst du auf die Startseite der Ultralytics Platform geleitet. Dort findest du eine Willkommenskarte mit Arbeitsbereich-Statistiken, schnellen Zugriff auf Datensätze, Projekte und Speicher sowie einen Feed mit kürzlich erfolgten Aktivitäten.

Seitenleiste-Navigation#

Die Seitenleiste bietet Zugriff auf alle Bereiche der Plattform:

Willkommenskarte#

Die Willkommenskarte zeigt auf einen Blick dein Profil, deinen Plan-Status und Arbeitsbereich-Statistiken:

Schnellaktionen#

Unter der Willkommenskarte zeigt das Dashboard drei Karten:

• Datensätze: Erstelle einen neuen Datensatz oder lade Bilder, Videos oder Datensatzdateien per Drag-and-Drop hoch. Zeigt deine kürzlichen Datensätze an.
• Projekte: Erstelle ein neues Projekt oder lade .pt-Modelldateien per Drag-and-Drop hoch. Zeigt deine kürzlichen Projekte an.
• Speicher: Übersicht deiner Speichernutzung (Datensätze, Modelle, Exporte) inklusive Plan-Limits.

Eine Tabelle für Aktuelle Aktivitäten am unteren Rand zeigt deine neuesten Datensätze, Modelle und Trainingsläufe an.

Globale Suche#

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

KI-Chat-Assistent#

Auf jeder Seite ist ein schwebendes Chat-Widget verfügbar. Klicke darauf, um Fragen zum YOLO-Training, zur Annotation, zum Deployment oder zu anderen Plattform-Funktionen zu stellen. Der Assistent bietet kontextbezogene Hilfe basierend auf der aktuellen Seite.

Onboarding-Touren#

Die Plattform bietet geführte Touren, die wichtige Funktionen vorstellen, während du die verschiedenen Bereiche erkundest:

Touren neu starten#

So wiederholst du eine Tour:

• Button „Tour wiederholen“ – Klicke auf dein Profil-Avatar (unten links in der Seitenleiste), um das Benutzermenü zu öffnen, und wähle dann Tour wiederholen. Dies setzt alle Touren zurück, sodass sie bei deinem nächsten Besuch in jedem Bereich erneut abgespielt werden.
• URL-Parameter – Navigiere zu platform.ultralytics.com/home?tour=nav, um die Navigationstour direkt neu zu starten.

Lade deinen ersten Datensatz hoch#

Navigiere in der Seitenleiste zu Annotate und klicke auf New Dataset, um deine Trainingsdaten hinzuzufügen. Du kannst Dateien auch direkt per Drag-and-Drop auf die Datensatz-Karte auf dem Home-Dashboard ziehen.

Ultralytics Platform unterstützt mehrere Upload-Formate (vollständige Details unter Datasets):

graph LR
    A[Drop Files]:::start --> B[Auto-Package ZIP]:::proc
    B --> C[Upload to Storage]:::proc
    C --> D[Backend Worker]:::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, die größer als 4096px sind, werden in der Größe angepasst (unter Beibehaltung des Seitenverhältnisses)
2. Für schnelles Durchsuchen werden 256px-Thumbnails generiert
3. YOLO-, COCO- und Ultralytics NDJSON-Labels werden geparst und validiert
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/

Lies mehr über Datensätze und unterstützte Formate für detect, segment, pose, OBB und classify.

Erstelle dein erstes Projekt#

Projekte helfen dir, zusammenhängende Modelle und Experimente zu organisieren. Navigiere zu Projekten und klicke auf New Project.

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

Lies mehr über Projekte.

Trainiere dein erstes Modell#

Klicke in deinem Projekt auf New Model, um das Cloud-Training zu starten.

Trainingskonfiguration#

1. Dataset auswählen: Wähle einen vorbereiteten Datensatz mit mindestens einem Trainingsbild, mindestens einem Validierungs- oder Testbild und mindestens einem beschrifteten Bild
2. Modell wählen: Wähle ein Basismodell – offizielle Ultralytics-Modelle oder deine eigenen trainierten Modelle
3. Epochen festlegen: Anzahl der Trainingsiterationen (Standard: 100)
4. GPU auswählen: Wähle Rechenressourcen basierend auf deinem Budget und der Modellgröße aus. Die Standardeinstellung ist RTX PRO 6000 (96 GB Blackwell, $2,09/Std.), die jede YOLO26-Variante verarbeiten kann. Siehe die vollständige GPU-Preistabelle oder den Cloud-Training-GPU-Schritt für die vollständige Liste und die Ebenenbeschränkungen.

Training überwachen#

Sobald das Training beginnt, kannst du den Fortschritt in Echtzeit über drei Unter-Tabs überwachen:

Metriken werden in Echtzeit über SSE (Server-Sent Events) gestreamt. Nach Abschluss des Trainings werden Validierungsdiagramme generiert, einschließlich Konfusionsmatrix, PR-Kurven und F1-Kurven.

Lies mehr über Cloud-Training.

Teste dein Modell#

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

1. Navigiere zum Predict-Tab deines Modells
2. Lade ein Bild hoch, verwende Drag-and-Drop oder nutze Beispielbilder (automatische Inferenz beim Ablegen)
3. Aufgabenangemessene Vorhersage-Overlays und die rohe JSON-Antwort anzeigen

Inferenzparameter anpassen:

Der Tab Predict zeigt auch Beispiel-Bereitstellungscode. Stelle das Modell zuerst bereit, ersetze dann die Platzhalter-URL und den Schlüssel durch die Werte von deinem Endpunkt:

import requests

url = "https://your-deployment-url.run.app/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())

Lies mehr über Inferenz.

In die Produktion deployen#

Deploye dein Modell auf einen dedizierten Endpunkt für den produktiven Einsatz:

1. Navigiere zum Deploy-Tab deines Modells
2. Wähle eine Region auf der interaktiven Weltkarte aus (42 Regionen verfügbar)
3. Die Karte zeigt Latenzmessungen in Echtzeit mit Farben in einem Grün-zu-Rot-Verlauf (niedrigere Latenz ist grüner, höhere Latenz ist roter)
4. Klicke 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
• Scale-to-Zero-Verhalten: Imjezente Endpunkte skalieren auf Null herunter (Bereitstellungen führen derzeit eine einzelne aktive Instanz aus)
• Überwachung: Anfragemetriken und Protokolle

Nach dem Deployment kannst du alle deine Endpunkte über den Bereich Deploy in der Seitenleiste verwalten, der eine globale Karte mit aktiven Deployments, Übersichtskennzahlen und eine Liste aller Endpunkte anzeigt.

Lies mehr über Endpunkte.

Remote-Training (Optional)#

Wenn du es vorziehst, auf deiner eigenen Hardware zu trainieren, kannst du deinen API-Schlüssel verwenden, um überall zu trainieren und Metriken an Ultralytics Platform zu streamen.

1. Generiere einen API-Schlüssel unter Settings > API Keys
2. Setze die Umgebungsvariable und trainiere mit einem project/name-Format:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

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

Lies mehr über API keys, dataset URIs und remote training.

Feedback & Hilfe#

Die Help-Seite in der Fußzeile der Seitenleiste enthält ein In-App-Feedbackformular. Du kannst deine Erfahrung bewerten, einen Feedback-Typ (Fehler, Funktionsanfrage oder Allgemeines) auswählen und Screenshots anhängen.

Wenn du weitere Hilfe benötigst:

• AI Chat: Klicke auf das schwebende Chat-Widget auf einer beliebigen Seite für sofortige Hilfe
• Documentation: Durchstöbere diese Dokumentation für detaillierte Anleitungen zu datasets, annotation, training, deployment und billing
• Discord: Tritt unserer Discord community für Diskussionen bei
• GitHub: Melde Probleme auf GitHub
• REST API: Sieh dir die API reference an oder probiere die interactive API docs für den programmatischen Zugriff auf alle Platform-Funktionen aus