Modelle

Die Ultralytics Platform bietet ein umfassendes Modellmanagement für das Training, die Analyse und die Bereitstellung von YOLO-Modellen. Lade vortrainierte Modelle hoch oder trainiere direkt auf der Plattform neue Modelle.

Modell hochladen

Lade vorhandene Modellgewichte auf die Plattform hoch:

1. Navigiere zu deinem Projekt
2. Ziehe .pt-Dateien per Drag-and-drop auf die Projektseite oder in die Modell-Seitenleiste
3. Modellmetadaten werden automatisch aus der Datei ausgelesen

Mehrere Dateien können gleichzeitig hochgeladen werden (bis zu 3 gleichzeitig).

Unterstützte Modellformate:

Nach dem Hochladen analysiert die Plattform die Modellmetadaten:

• Aufgabentyp (detect, segment, pose, OBB, classify)
• Architektur (YOLO26n, YOLO26s, etc.)
• Klassennamen und Anzahl
• Eingabegröße und Parameter
• Trainingsergebnisse und Metriken (falls im Checkpoint enthalten)

Modell trainieren

Trainiere ein neues Modell direkt auf der Plattform:

1. Navigiere zu deinem Projekt
2. Klicke auf Neues Modell
3. Wähle Basismodell und Datensatz aus
4. Konfiguriere die Trainingsparameter
5. Wähle zwischen Cloud- oder lokalem Training
6. Starte das Training

Detaillierte Anweisungen findest du unter Cloud Training.

Modell-Lebenszyklus

graph LR
    A[Upload .pt] --> B[Overview]
    C[Train] --> B
    B --> D[Predict]
    B --> E[Export]
    B --> F[Deploy]
    E --> G[17+ Formats]
    F --> H[Endpoint]

    style A fill:#4CAF50,color:#fff
    style C fill:#FF9800,color:#fff
    style E fill:#2196F3,color:#fff
    style F fill:#9C27B0,color:#fff

Modellseiten-Tabs

Jede Modellseite verfügt über folgende Tabs:

Übersicht-Tab

Zeigt Modellmetadaten und wichtige Kennzahlen an:

• Modellname (bearbeitbar), Status-Badge, Aufgabentyp
• Abschließende Metriken (mAP50, mAP50-95, Präzision, Trefferquote)
• Metric-Sparkline-Diagramme zeigen den Trainingsfortschritt
• Trainingsargumente (Epochen, Batch-Größe, Bildgröße etc.)
• Link zum Datensatz (bei Training mit einem Plattform-Datensatz)
• Download-Button für Modellgewichte

Training-Tab

Der Training-Tab enthält drei Unter-Tabs:

Diagramme-Unter-Tab

Interaktive Trainingsmetrik-Diagramme, die Verlustkurven und Leistungsmetriken über Epochen hinweg anzeigen:

Konsole-Unter-Tab

Live-Konsolenausgabe des Trainingsprozesses:

• Echtzeit-Protokoll-Streaming während des Trainings
• Epochen-Fortschrittsbalken und Validierungsergebnisse
• Fehlererkennung mit hervorgehobenen Fehlerbannern
• ANSI-Farbunterstützung für formatierte Ausgaben

System-Unter-Tab

GPU- und Systemmetriken während des Trainings:

Vorhersage-Tab

Führe interaktive Inferenz direkt im Browser aus:

• Lade ein Bild hoch, verwende Beispielbilder oder nutze die Webcam
• Ergebnisanzeige mit Begrenzungsrahmen, Masken oder Schlüsselpunkten
• Automatische Inferenz, sobald ein Bild bereitgestellt wird
• Unterstützt alle Aufgabentypen (detect, segment, pose, OBB, classify)

Export-Tab

Exportiere dein Modell in über 17 Bereitstellungsformate. Siehe Modell exportieren unten und den zentralen Export-Modus-Leitfaden für vollständige Details.

Bereitstellen-Tab

Erstelle und verwalte dedizierte Inferenz-Endpunkte. Siehe Bereitstellungen für Details.

Validierungs-Plots

Nach Abschluss des Trainings kannst du eine detaillierte Validierungsanalyse einsehen:

Konfusionsmatrix

Interaktive Heatmap, die die Vorhersagegenauigkeit pro Klasse anzeigt:

PR/F1-Kurven

Leistungskurven bei verschiedenen Konfidenzschwellenwerten:

Modell exportieren

graph LR
    A[Select Format] --> B[Configure Args]
    B --> C[Export]
    C --> D{GPU Required?}
    D -->|Yes| E[Cloud GPU Export]
    D -->|No| F[CPU Export]
    E --> G[Download]
    F --> G

    style A fill:#2196F3,color:#fff
    style C fill:#FF9800,color:#fff
    style G fill:#4CAF50,color:#fff

Exportiere dein Modell in über 17 Bereitstellungsformate:

1. Navigiere zum Tab Export
2. Wähle das Zielformat
3. Konfiguriere Export-Argumente (Bildgröße, Halbpräzision, dynamisch etc.)
4. Wähle für GPU-erforderliche Formate (TensorRT) einen GPU-Typ
5. Klicke auf Export
6. Herunterladen nach Abschluss

Unterstützte Formate

Die Plattform unterstützt den Export in 17+ Bereitstellungsformate: ONNX, TorchScript, OpenVINO, TensorRT, CoreML, TF SavedModel, TF GraphDef, TF Lite, TF Edge TPU, TF.js, PaddlePaddle, NCNN, MNN, RKNN, IMX500, Axelera und ExecuTorch.

Leitfaden zur Formatauswahl

RKNN-Chip-Unterstützung

Wähle beim Export in das RKNN-Format dein Rockchip-Zielgerät aus:

Export-Job-Lebenszyklus

Export-Jobs durchlaufen die folgenden Status:

Massenexport-Aktionen

• Alle exportieren: Klicke auf Export All, um Export-Jobs für alle CPU-basierten Formate mit Standardeinstellungen zu starten.
• Alle Exporte löschen: Klicke auf Delete All, um alle Exporte für das Modell zu entfernen.

Formatbeschränkungen

Einige Exportformate haben Architektur- oder Aufgabenbeschränkungen:

Modell klonen

Klone ein Modell in ein anderes Projekt:

1. Öffne die Modellseite
2. Klicke auf die Clone-Schaltfläche
3. Wähle das Zielprojekt
4. Klicke auf Clone

Das Modell und seine Gewichte werden in das Zielprojekt kopiert.

Modell herunterladen

Lade deine Modellgewichte herunter:

1. Navigiere zum Overview-Tab des Modells
2. Klicke auf den Download-Button
3. Die ursprüngliche .pt-Datei wird automatisch heruntergeladen

Exportierte Formate können nach Abschluss des Exports über den Export-Tab heruntergeladen werden.

Dataset-Verknüpfung

Modelle können mit ihrem Quelldatensatz verknüpft werden:

• Sieh dir an, welcher Datensatz für das Training verwendet wurde
• Klicke auf die Datensatzkarte im Overview-Tab, um dorthin zu navigieren
• Datenherkunft verfolgen

Beim Training mit Platform-Datensätzen unter Verwendung des ul:// URI-Formats erfolgt die Verknüpfung automatisch.

# Train with a Platform dataset — linking is automatic
yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100

Sichtbarkeitseinstellungen

Steuere, wer dein Modell sehen kann:

Um die Sichtbarkeit zu ändern, klicke auf das Sichtbarkeits-Badge (z. B. private oder public) auf der Modellseite. Der Wechsel zu privat wird sofort wirksam. Beim Wechsel zu öffentlich wird vor der Anwendung ein Bestätigungsdialog angezeigt.

Modell löschen

Entferne ein Modell, das du nicht mehr benötigst:

1. Öffne das Aktionsmenü des Modells
2. Klicke auf Delete
3. Bestätige das Löschen

Siehe auch

• Inference: Teste Modelle im Browser mit dem Predict-Tab
• Endpoints: Stelle Modelle mit dedizierten Endpunkten in die Produktion bereit
• Cloud Training: Konfiguriere und starte Trainings-Jobs auf Cloud GPUs
• Export Formats: Vollständiger Leitfaden zu allen 17+ Exportformaten

FAQ

Welche Modellarchitekturen werden unterstützt?

Die Ultralytics Platform unterstützt alle YOLO-Architekturen vollständig mit dedizierten Projekten:

• YOLO26: n-, s-, m-, l-, x-Varianten (neueste, empfohlen) — platform.ultralytics.com/ultralytics/yolo26
• YOLO11: n-, s-, m-, l-, x-Varianten — platform.ultralytics.com/ultralytics/yolo11
• YOLOv8: n-, s-, m-, l-, x-Varianten — platform.ultralytics.com/ultralytics/yolov8
• YOLOv5: n-, s-, m-, l-, x-Varianten — platform.ultralytics.com/ultralytics/yolov5

Alle Architekturen unterstützen 5 Aufgabentypen: detect, segment, pose, OBB und classify.

Kann ich mein trainiertes Modell herunterladen?

Ja, lade deine Modellgewichte von der Modellseite herunter:

1. Klicke auf das Download-Symbol auf dem Overview-Tab
2. Die ursprüngliche .pt-Datei wird automatisch heruntergeladen
3. Exportierte Formate können vom Export-Tab heruntergeladen werden

Wie vergleiche ich Modelle zwischen Projekten?

Derzeit ist der Modellvergleich innerhalb von Projekten möglich. Um über Projekte hinweg zu vergleichen:

1. Kopiere Modelle in ein einzelnes Projekt oder
2. Exportiere Metriken und vergleiche sie extern

Was ist die maximale Modellgröße?

Es gibt kein striktes Limit, aber sehr große Modelle (>2 GB) können längere Upload- und Verarbeitungszeiten haben.

Kann ich vortrainierte Modelle feinabstimmen?

Ja! Du kannst jedes der offiziellen YOLO26-Modelle als Basis verwenden oder eines deiner eigenen abgeschlossenen Modelle aus der Modellauswahl im Trainingsdialog auswählen. Die Platform unterstützt das Fine-Tuning von jedem hochgeladenen Checkpoint.