AutoTrain mit Ask AI#
AutoTrain nutzt Ask AI, um dir dabei zu helfen, Modelle durch eine Unterhaltung zu trainieren, zu vergleichen und zu verbessern. Starte mit einer Baseline, überprüfe die Ergebnisse und frage nach dem nächsten Experiment. Ask AI kann zudem Datensätze finden, Bilder annotieren, Modelle exportieren und diese bereitstellen.
Melde dich bei der Ultralytics Platform an, öffne deinen Datensatz oder dein Projekt und klicke auf Ask AI.
Um Platform-Aktionen zu nutzen, erstelle zuerst einen Ultralytics API key in den Settings > API Keys deines persönlichen Arbeitsbereichs. Ask AI verwendet deinen bestehenden persönlichen Schlüssel automatisch; du musst ihn nicht in die Unterhaltung einfügen. Füge den Projekt- oder Datensatz-Link ein, wenn du mit einem Team-Arbeitsbereich arbeitest.
Beispielfragen#
Füge deine Zielmetrik, dein Modell, das Epochenlimit und die Anzahl der Experimente in die Anfrage ein. Behalte für vergleichbare Ergebnisse den Datensatz, die Aufteilungen und den Zufallsstartwert (Random Seed) bei, während du jeweils eine Einstellung änderst. Cloud-Läufe verbrauchen deine Trainingsguthaben.
Öffne den relevanten Datensatz oder das relevante Projekt und frage:
| Ziel | Beispiel-Prompt |
|---|---|
| Projekt starten | Erstelle ein privates Projekt namens "Wildlife Lab". Finde und klone einen Wildlife-Erkennungsdatensatz und bereite dann einen Baseline-Trainingslauf vor. |
| Auflösungen vergleichen | Trainiere drei Modelle auf diesem Datensatz bei Bildgrößen von 640, 800 und 960. Halte alle anderen Einstellungen und Datensatz-Splits unverändert. |
| Datensatz erkunden | Finde Containerschiffe, Versandcontainer und Krane in xView. Ist das ein guter Ausgangspunkt für die Hafenlogistik? |
| Baseline erstellen | Trainiere YOLO26n auf diesem Datensatz und benenne den Lauf "xview-baseline". |
| Modelle vergleichen | Vergleiche die abgeschlossenen Modelle anhand von Validierungs-mAP50-95. Erkläre die Unterschiede und schlage das nächste Experiment vor. |
| Modell deployen | Deploie das abgeschlossene Modell mit der besten Validierungs-mAP in diesem Projekt. Gib mir seine Endpunkt-URL und seinen Status. |
| Automatisch annotieren | Verwende mein bestes kompatibles Modell, um unannotierte Bilder in diesem Datensatz zu annotieren. Behalte bestehende Annotationen bei. |
| Klassifikation überprüfen | Welches Modell hat die beste Klassifikationsgenauigkeit? Welche Rassen bleiben verwirrend und was sollten wir als Nächstes versuchen? |
| Modell exportieren | Exportiere dieses Modell nach ONNX und gib mir den Download-Link, wenn es bereit ist. |
Eigenen Coding-Agenten verwenden#
Ask AI verwendet die Platform CLI, ul cloud und das dazugehörige platform-cli skill. Du kannst dieselben Befehle von Claude Code, Codex oder einem anderen kompatiblen Coding-Agenten aus verwenden.
Installieren und verbinden#
Das folgende Setup ist für die Verwendung der Platform CLI mit deinem eigenen Coding-Agenten außerhalb der Platform.
Die ul CLI wird mit dem Ultralytics-Paket unter Python 3.11+ geliefert. Installiere oder aktualisiere sie:
pip install -U ultralyticsErstelle einen Platform API key und lege ihn in dem von deinem Agenten verwendeten Terminal fest. Überprüfe die Verbindung mit:
export ULTRALYTICS_API_KEY="YOUR_API_KEY"
ul cloud account summarySkill hinzufügen#
folge der Agent Skills installation guide für Claude Code- und Codex-Plugins. Für Agenten, die von der Skills-CLI unterstützt werden, installierst du den Platform-Skill mit:
npx skills add ultralytics/skills --skill platform-cliVerwende dann Prompts wie die obigen Beispiele und füge den Projekt- oder Datensatz-Link als Kontext hinzu.
Befehle direkt ausführen#
Verwende deine Projekt- und Modell-URL-Slugs in Befehlen. Diese Beispiele zielen auf deinen persönlichen Arbeitsbereich ab; füge owner=TEAM hinzu, um auf einen Team-Arbeitsbereich abzuzielen, zu dem du gehörst:
ul cloud datasets list
ul cloud models list project=license-plate
ul cloud models training project=license-plate model=baseline
ul cloud training start --helpVerwende ul cloud --help, um Befehle zu entdecken, und ul cloud <resource> <operation> --help für deren Argumente. Weitere Details findest du in der Platform API reference.