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#

Ultralytics Platform bietet eine Vielzahl einfacher Registrierungsoptionen. Du kannst dich mit deinen Google- oder GitHub-Konten oder 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 gelangst du zur Startseite von Ultralytics Platform. Diese bietet eine Willkommenskarte mit Workspace-Statistiken, einem Übersichtsvideo, Schnellzugriff auf Datasets, Projekte und Speicher sowie einen Feed mit letzten Aktivitäten.

Seitenleiste-Navigation#

Die Seitenleiste bietet Zugriff auf alle Bereiche der Plattform:

Jeder Inhaltsabschnitt listet deine fünf neuesten Elemente mit einem Link zum Rest auf. Wenn du mit der Maus über ein Element fährst, wird eine Löschaktion angezeigt, die es in den Papierkorb verschiebt; der Papierkorb selbst ist über die Suche (Cmd+K) oder durch das Öffnen von platform.ultralytics.com/trash erreichbar.

Willkommenskarte#

Die Willkommenskarte zeigt auf einen Blick dein Profil, das Plan-Badge (das zu dem Tarifvergleich verlinkt) und die Workspace-Statistiken. Jede Statistik verlinkt auf die entsprechende Workspace-Ansicht:

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.
• Projects: Erstelle ein neues Projekt oder ziehe .pt-Modelldateien per Drag-and-Drop zum Hochladen hinein. Zeigt deine letzten Projekte an.
• Speicher: Übersicht deiner Speichernutzung (Datensätze, Modelle, Exporte) inklusive Plan-Limits.

Eine Aktivitätsverlauf-Tabelle unten zeigt deine neuesten Datasets, Projekte und Deployments mit ihrem Status und der letzten Aktualisierungszeit.

Globale Suche#

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

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:

• Tour wiederholen-Schaltfläche – Klicke auf dein Profil-Avatar (unten links in der Seitenleiste), um das Kontomenü zu öffnen, und wähle dann Tour wiederholen. Dadurch werden alle Touren zurückgesetzt, sodass sie bei deinem nächsten Besuch in jedem Bereich erneut abgespielt werden.
• URL-Parameter – Hänge ?tour= mit der Tour-ID an, um eine direkt neu zu starten: ?tour=nav auf der Startseite, ?tour=project auf einer Projektseite oder ?tour=dataset auf einer Dataset-Seite.

Lade deinen ersten Datensatz hoch#

Öffne Annotate in der Seitenleiste und klicke auf +, um ein neues Dataset zu erstellen. Du kannst Dateien auch per Drag & Drop direkt auf die Dataset-Karte im Home-Dashboard ziehen.

Der Neues Dataset-Dialog bietet vier Quellen. Dieser Schnellstart verwendet Hochladen; die anderen werden unter Datasets und Integrationen behandelt:

Uploads unterstützen mehrere Formate (vollständige Details unter Datasets):

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, 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 datasets und unterstützte Formate für detect, segment, pose, OBB und classify.

Erstelle dein erstes Projekt#

Projekte helfen dir, verwandte Modelle und Experimente zu 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 ein Projekt zu erstellen und sie in einem Schritt zu importieren.

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 projects.

Trainiere dein erstes Modell#

Klicke in deinem Projekt auf New Model, um den Neues Modell trainieren-Dialog zu öffnen. Du kannst auch von einer Dataset-Seite aus starten; in diesem Fall ist das Dataset fixiert und du wählst stattdessen das Zielprojekt aus.

Trainingskonfiguration#

1. Basismodell: Wähle offizielle Ultralytics-Gewichte oder eines deiner eigenen trainierten Modelle aus. Der Dialog warnt, wenn Modellaufgabe und Dataset-Aufgabe nicht übereinstimmen.
2. Dataset: Wähle ein fertiges Dataset mit mindestens einem Trainingsbild, mindestens einem Validierungs- oder Testbild und mindestens einem beschrifteten Bild aus
3. Parameter: Lege Epochen (Standard 100), Batch-Größe (leer bedeutet automatisch), Bildgröße (Standard 640) und einen optionalen Run-Namen fest. Erweitere Erweiterte Einstellungen, um jedes andere Ultralytics-Trainingargument in einem YAML-Editor zu bearbeiten.
4. GPU auswählen: Wähle auf dem Reiter Cloud-Training Rechenleistung basierend auf deinem Budget und der Modellgröße aus. Der Standard 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 Tarifabstufung.
5. Training starten: Überprüfe die geschätzten Kosten und die Dauer neben deinem Guthaben und klicke dann auf Start Training.

Training überwachen#

Sobald das Training beginnt, öffne den Train-Reiter des Modells, um den Fortschritt in Echtzeit über drei Unterreiter zu überwachen:

Metriken werden in Echtzeit über SSE (Server-Sent Events) gestreamt. Sobald Validierungsartefakte vorhanden sind, teilt sich der Diagramme-Untereiter in Training- und Validierungs-Ansichten auf, wobei die Konfusionsmatrix, PR-Kurven und F1-Kurven unter Validierung zu finden sind.

Lies mehr über cloud training.

Teste dein Modell#

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

1. Navigiere zum Reiter Predict deines Modells
2. Lade ein Bild hoch, ziehe es per Drag & Drop hinein, erfasse eines über deine Webcam oder klicke auf ein Beispielbild (automatische Inferenz beim Ablegen)
3. Zeige aufgabenangemessene Vorhersage-Overlays, Zeiten pro Phase (Vorverarbeitung, Inferenz, Nachverarbeitung, Netzwerk) und die rohe JSON-Antwort an

Inferenzparameter anpassen:

Unter API-Doku zeigt der Predict-Reiter Beispielcode in Python, JavaScript und cURL, vorab ausgefüllt mit den Parametern, die du oben ausgewählt hast. Stelle das Modell zuerst bereit und ersetze dann die Platzhalter-URL und den Schlüssel durch die Werte von deinem Endpunkt:

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())

Lies mehr über inference.

In die Produktion deployen#

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

1. Navigiere zum Reiter Deploy deines Modells
2. Die Platform misst die Latenz zu allen 42 Regionen und plottet sie auf einer Weltkarte, eingefärbt in einem Farbverlauf von Grün nach Rot (geringere Latenz ist grüner, höhere Latenz ist roter)
3. Finde in der Regionslatenz-Tabelle unterhalb der Karte – sortiert nach Latenz von deinem Standort aus – die gewünschte Region. Verwende Rescan, um jederzeit eine Neumessung durchzuführen.
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

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 Deploy-Bereich in der Seitenleiste verwalten. Das Deployments-Dashboard zeigt eine globale Karte mit deinen aktiven Deployments, 24-Stunden-Metriken (Gesamtanfragen, aktive Deployments, Fehlerrate und P95-Latenz) sowie eine Liste aller Endpunkte.

Lies mehr über endpoints.

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.

Der schnellste Weg ist der Reiter Lokales Training im Trainingsdialog: Er erstellt den vollständigen Befehl für dein ausgewähltes Modell, Dataset und deine Parameter und füllt einen API-Schlüssel ein (erstellt einen, falls du noch keinen hast). Kopiere ihn und führe ihn in deinem Terminal aus.

Um den Befehl selbst zusammenzustellen:

1. Generiere einen API-Schlüssel in Settings > API Keys
2. Setze die Umgebungswariable 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

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

Feedback & Hilfe#

Die Hilfe-Seite in der Fußzeile der Seitenleiste sammelt Dokumentationslinks, Video-Walkthroughs und Community-Ressourcen und enthält ein In-App-Feedbackformular. Du kannst deine Erfahrung von 1 bis 5 Sternen bewerten, einen Feedback-Typ (Bug, Feature oder Allgemein) auswählen und einen Screenshot 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 Leitfäden zu datasets, annotation, training, deployment und billing
• Discord: Tritt unserer Discord community für Diskussionen bei
• GitHub: Melde Probleme auf GitHub
• REST API und Python SDK: Siehe die API-Referenz, installiere den ultralytics-platform-Client oder probiere die interaktiven API-Dokumente für den programmatischen Zugriff auf alle Platform-Funktionen aus