Modelle#

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

Modell hochladen#

Lade vorhandene Modellgewichte auf die Plattform hoch:

1. Rufe dein Projekt auf
2. Ziehe Dateien vom Typ .pt per Drag-and-drop auf die Projektseite oder in die Modell-Seitenleiste, oder klicke auf das Symbol Upload models
3. Metadaten des Modells werden automatisch aus der Datei ausgelesen

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

Unterstützte Modellformate:

Nach dem Hochladen liest die Plattform die Metadaten des Modells aus:

• Aufgabentyp (Erkennung, Segmentierung, Semantik, Tiefe, Klassifizierung, Pose, OBB)
• Architektur (YOLO26n, YOLO26s usw.)
• Klassennamen und Anzahl der Klassen
• Eingabegröße und Parameter
• Trainingsergebnisse und Metriken (falls im Checkpoint enthalten)

Modell trainieren#

Trainiere ein neues Modell direkt auf der Plattform:

1. Rufe dein Projekt auf
2. Klicke auf Neues Modell
3. Wähle das Basismodell und das Dataset aus
4. Lege die Trainingsparameter fest
5. Wähle Cloud- oder lokales Training
6. Starte das Training

Ausführliche Anleitungen findest du unter Cloud-Training.

Modelllebenszyklus#

Tabs auf der Modellseite#

Jede Modellseite enthält die folgenden Tabs:

Modell-Header#

Oberhalb der Tabs zeigt der Header die Modellfarbe (bearbeitbar), den Namen (zum Umbenennen anklicken), das Aufgabenabzeichen, die ultralytics-Version des Checkpoints und eine Lizenzauswahl. Zu den Aktionen gehören Clone Model (bei abgeschlossenen Modellen mit Gewichten, die dir noch nicht gehören), Download, Star, Share (öffentliche Modelle) und ein Menü More actions mit Information, Refresh und Delete Model.

Direkt darunter zeigt jeweils eine Karte pro Aufgabenmetrik den Endwert über einer Sparkline, die den Trainingsverlauf darstellt – klicke auf eine beliebige Karte, um zu den Diagrammen zu springen –, daneben befindet sich eine Karte mit einem Link zum Dataset, mit dem das Modell trainiert wurde.

Tab „Overview“#

Die Karte Run Information dokumentiert, wie der Lauf ausgeführt wurde: Status, Startzeit, Laufzeit, Rechenkosten mit GPU und Stundensatz, die Version von ultralytics, Hostdetails (Hostname, Umgebung, Betriebssystem, Python, CPU, GPU), das übergeordnete Modell, die festgelegte Dataset-Version, Git-Repository, Branch und Commit, sofern der Lauf diese Angaben gemeldet hat, sowie einen reproduzierbaren yolo train-Befehl, den du kopieren kannst.

Während ein Lauf aktiv ist, zeigt die Karte den aktuellen Fortschritt – Epochenzähler, Fortschrittsbalken, verstrichene Zeit, voraussichtliche Restzeit und auflaufende Kosten – sowie eine Schaltfläche Cancel. Schlägt ein Lauf fehl, wird die Karte durch ein Fehlerbanner mit dem erfassten Fehler und den Aktionen View full console logs und Retry Training ersetzt.

Darunter listet Training Configuration alle verwendeten Hyperparameter auf und Performance Metrics die endgültigen Evaluierungsergebnisse. Beide Tabellen sind durchsuchbar und bieten ein Menü Export data (JSON kopieren, CSV herunterladen, JSON herunterladen).

Tab „Train“#

Der Tab „Train“ hat drei Untertabs:

Untertab „Charts“#

Interaktive Metrikdiagramme über die Epochen hinweg, unterteilt in Ansichten für Training und Validierung, wenn beim Lauf Validierungsartefakte erstellt wurden. Die Diagrammgruppen richten sich nach den vom Lauf gemeldeten Metriken:

Jede Gruppe lässt sich einklappen. Über das Menü kannst du einzelne Diagramme (bei Verlusten auch die Trainings- oder Validierungsreihe) ein- und ausblenden. Außerdem kannst du Diagramme per Drag-and-drop verschieben und ihre Größe anpassen. Das Layout bleibt sitzungsübergreifend erhalten.

Untertab „Konsole“#

Live-Konsolenausgabe des Trainingsprozesses:

• Echtzeit-Streaming der Protokolle während des Trainings, wobei die letzten 2000 Zeilen beibehalten werden
• Fortschrittsbalken für Epochen und Validierungsergebnisse
• Erkennung schwerwiegender Fehler, die den Lauf beendet und die Meldung in einem Banner anzeigt
• Unterstützung für ANSI-Farben, eine optionale Zeitstempelspalte und Kopieren als reiner Text mit einem Klick

Untertab „System“#

Eine Hostkarte mit einer Zusammenfassung der Trainingsinstanz (Hostname, CPU, GPU, RAM- und Festplattenkapazität sowie Zeitpunkt der letzten Erfassung), gefolgt von Diagrammen pro Epoche:

GPU-, Netzwerk- und Festplattendiagramme werden nur angezeigt, wenn der Lauf entsprechende Zähler gemeldet hat.

Tab „Vorhersage“#

Führe interaktive Inferenz direkt im Browser aus:

• Lade ein Bild hoch, verwende Beispielbilder oder nutze die Webcam
• Die Ergebnisse werden mit Begrenzungsrahmen, Masken, semantischen Klassenzuordnungen oder Keypoints angezeigt
• Automatische Inferenz, sobald ein Bild bereitgestellt wird
• Unterstützt alle Aufgabentypen (Erkennung, Segmentierung, semantische Segmentierung, Tiefenschätzung, Klassifizierung, Posenschätzung, OBB)

Tab „Export“#

Exportiere dein Modell in 22 Bereitstellungsformate. Ausführliche Informationen findest du weiter unten unter Modell exportieren und im zentralen Leitfaden zum Exportmodus.

Tab „Bereitstellung“#

Erstelle und verwalte dedizierte Inferenz-Endpunkte. Weitere Informationen findest du unter Bereitstellungen.

Validierungsdiagramme#

Nach Abschluss des Trainings zeigt die Ansicht Validierung im Untertab „Diagramme“ eine detaillierte Analyse der letzten Epoche.

Konfusionsmatrix#

Interaktive Heatmap mit der Vorhersagegenauigkeit pro Klasse:

PR-/F1-Kurven#

Wenn der Trainingslauf entsprechende Daten bereitstellt, zeigt die Ansicht Validierung auch Leistungskurven für verschiedene Konfidenzschwellen. Welche Validierungsdiagramme verfügbar sind, hängt von den beim Lauf erstellten Artefakten ab.

Diagnose pro Bild#

Erkennungsmodelle, die mit einer gespeicherten Dataset-Version trainiert wurden, erhalten außerdem eine Validierungsanalyse pro Bild. Sie zeigt, welche Daten hinter einem enttäuschenden Score stecken:

• Bilder mit den schlechtesten und besten Ergebnissen, sortiert nach F1 pro Bild und mit eingezeichneten Ground-Truth-Boxen
• Merkmalsanalyse, die F1 mit Bildbreite, -höhe, Pixelanzahl, Seitenverhältnis und Anzahl der Instanzen in Beziehung setzt; standardmäßig wird die stärkste Beziehung ausgewählt
• Mit Fehlern verbundene Klassen, sortiert danach, welche Klassen am häufigsten in den Bildern mit den schlechtesten Ergebnissen vorkommen
• Ähnliche Bilder finden – in der Galerie der Bilder mit den schlechtesten Ergebnissen, bei einem einzelnen Bild in der Vollbildansicht und in einer Klassenzeile. Dabei werden öffentliche Datasets sowie deine eigenen und die Datasets deines Teams nach Bildern durchsucht, die den erfassten Fehlerbildern ähneln. Die von dir ausgewählten Bilder werden dem Trainings-Dataset als nicht beschriftete train-Bilder hinzugefügt (siehe Ähnliche Bilder finden); diese Funktion wird angezeigt, wenn du das Projekt bearbeiten kannst und das Trainings-Dataset ein nicht verbundenes Dataset desselben Arbeitsbereichs ist

Modell exportieren#

Exportiere dein Modell in 22 Bereitstellungsformate:

1. Wechsle zum Tab Export
2. Wähle das Zielformat aus
3. Konfiguriere die Exportargumente (Bildgröße, Genauigkeit, dynamisch usw.)
4. Wähle bei Formaten, die eine GPU erfordern (TensorRT), einen GPU-Typ aus
5. Klicke auf Export starten
6. Lade den Export nach Abschluss herunter

Richte Slack-Benachrichtigungen ein, um eine Nachricht zu erhalten, wenn ein Export bereit ist oder fehlschlägt.

Unterstützte Formate#

Die Plattform unterstützt den Export in 22 Bereitstellungsformate: TorchScript, ONNX, OpenVINO, TensorRT, CoreML, Apple Core AI, TF SavedModel, TF GraphDef, TF Edge TPU, LiteRT, PaddlePaddle, MNN, NCNN, IMX500, RKNN, ExecuTorch, Axelera, DeepX, Qualcomm (QNN), Hailo, Huawei Ascend und AMD Xilinx.

Leitfaden zur Formatauswahl#

TensorRT-Ziele für NVIDIA Jetson#

Die Ultralytics Platform bietet die folgenden Jetson-Zieloptionen für TensorRT-Exporte unter .engine. Die nachstehenden Validierungsmessungen vom Juli 2026 wurden mit JetPack 7.2 / L4T r39.2, Python 3.12.3, NVIDIA PyTorch 2.12.0a0 (Build 26.04), CUDA 13.2 und TensorRT 10.16.1.11 durchgeführt. Sie beziehen sich auf diese getestete Umgebung. Prüfe die aktuellen Laufzeitumgebungen des Workers und des Bereitstellungsgeräts, bevor du eine exportierte Engine erneut verwendest.

Die Zeitangaben stammen aus einzelnen beobachteten End-to-End-Tests des Produktionsroutings vom Juli 2026 und sind auf die nächste Sekunde gerundet; sie sind Referenzmessungen, kein SLA und kein Leistungsbenchmark pro SKU. Beide Thor-Konfigurationen wurden auf einem T5000 Developer Kit im T4000-Kompatibilitätsprofil von NVIDIA erstellt. Die sechs Orin-Routen wurden auf einem AGX Orin 64GB erstellt; jede daraus resultierende Engine wurde geladen und ausgeführt.

RKNN-Chipunterstützung#

Wähle beim Export ins RKNN-Format dein Rockchip-Zielgerät aus:

Ablauf eines Exportauftrags#

Exportaufträge durchlaufen die folgenden Status:

Aktionen für den Massenexport#

• Alle exportieren: Klicke auf Export All, um Exportaufträge für alle CPU-basierten Formate mit den Standardeinstellungen zu starten. Formate, für die eine GPU-Auswahl erforderlich ist, die für dieses Modell nicht verfügbar sind oder für die bereits ein Export vorliegt, werden übersprungen und aufgelistet.
• Alle Exporte löschen: Klicke auf Delete All, um alle Exporte des Modells zu entfernen.

Formatbeschränkungen#

Für einige Exportformate gelten Einschränkungen hinsichtlich Architektur oder Aufgabe:

Modelle zwischen Projekten verschieben#

Verschiebe bearbeitbare Modelle ohne sie zu kopieren in ein anderes Projekt desselben Arbeitsbereichs:

1. Öffne das Quellprojekt und wähle in der Modellliste ein oder mehrere Modelle aus
2. Klicke mit der rechten Maustaste und wähle Ausschneiden (Cmd/Ctrl+X)
3. Öffne das Zielprojekt, klicke mit der rechten Maustaste auf die Modellliste und wähle Einfügen (Cmd/Ctrl+V), oder ziehe die ausgewählten Modelle in der Seitenleiste auf das Zielprojekt

Verschobene Modelle behalten ihre Gewichte, Metriken, Exporte und Bereitstellungen und erhalten die URL des Zielprojekts. Ist der URL-Name eines Modells im Zielprojekt bereits vergeben, wird das Modell beim Verschieben umbenannt; noch trainierte Modelle können nicht verschoben werden, und Esc bricht einen ausstehenden Ausschneidevorgang ab. Um ein Modell, das dir nicht gehört, in eines deiner Projekte zu kopieren, verwende Modell klonen.

Modell klonen#

Klone ein Modell in ein anderes Projekt:

1. Öffne die Modellseite
2. Klicke auf Modell klonen
3. Wähle das Zielprojekt aus oder wähle Neues Projekt, um direkt ein neues Projekt zu erstellen
4. Gib dem Klon bei Bedarf einen anderen Namen
5. Klicke auf Modell klonen

Das Modell und seine Gewichte werden in das Zielprojekt kopiert. Modell klonen wird bei abgeschlossenen Modellen mit Gewichten angezeigt, die dir noch nicht gehören.

Modell herunterladen#

Lade deine Modellgewichte herunter:

1. Öffne die Modellseite
2. Klicke im Modellkopf auf das Downloadsymbol (auf jedem Tab verfügbar).
3. Der primäre Checkpoint des Modells .pt wird automatisch heruntergeladen.

Exportierte Formate kannst du nach Abschluss des Exports auf dem Tab Export herunterladen.

Datensatz verknüpfen#

Modelle können mit ihrem Quelldatensatz verknüpft werden:

• Sieh nach, welcher Datensatz für das Training verwendet wurde.
• Klicke auf dem Tab „Übersicht“ auf die Datensatzkarte, um den Datensatz aufzurufen.
• Verfolge die Herkunft der Daten.

Beim Training mit Platform-Datensätzen im Format ul:// URI 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

Benutzerdefinierte Metadaten#

Öffne Weitere Aktionen und wähle Informationen, um zwei Bereiche aufzurufen:

• Ultralytics-Metadaten: Schreibgeschützte Platform-Details wie Modell-ID, Projekt, Quelldatensatz, Aufgabe, Status und Zeitstempel
• Benutzerdefinierte Metadaten: Dein eigenes JSON-Objekt für den Evaluierungskontext, die Nachverfolgung von Releases, Governance oder andere modellspezifische Daten

Benutzerdefinierte Metadaten sind von den trainingsverwalteten Modellinformationen, Umgebungsdetails und Trainingsargumenten getrennt. Workspace-Betrachter können sie einsehen, während Mitglieder mit Bearbeitungszugriff das Objekt ersetzen können. Das serialisierte Metadatenobjekt ist auf 500.000 Zeichen begrenzt, und jeder Schlüssel auf der obersten Ebene darf höchstens 128 Zeichen lang sein. Speichere ein leeres Objekt ({}), um benutzerdefinierte Metadaten zu löschen.

Sichtbarkeitseinstellungen#

Lege fest, wer dein Modell sehen kann:

Die Sichtbarkeit wird auf Projektebene festgelegt und gilt daher für alle Modelle im Projekt. Um sie zu ändern, klicke auf das Sichtbarkeitssymbol (private oder public) neben dem Projektnamen im Breadcrumb oben auf der Seite. Der Wechsel zu „Privat“ wird sofort wirksam. Beim Wechsel zu „Öffentlich“ erscheint vor der Anwendung ein Bestätigungsdialog.

Modell löschen#

Entferne ein Modell, das du nicht mehr benötigst:

1. Öffne das Menü Weitere Aktionen im Modellkopf und wähle Modell löschen.
2. Bestätige den Löschvorgang.

Siehe auch#

• Inferenz: Teste Modelle im Browser auf dem Tab „Vorhersage“.
• Endpunkte: Stelle Modelle mit dedizierten Endpunkten in der Produktionsumgebung bereit.
• Cloud-Training: Konfiguriere und starte Trainingsaufträge auf Cloud-GPUs.
• Exportformate: Umfassender Leitfaden zu allen 22 Exportformaten

Häufig gestellte Fragen#