Modelle
Ultralytics Platform bietet umfassendes Modellmanagement für das Training, die Analyse und die Bereitstellung von YOLO-Modellen. Laden Sie vortrainierte Modelle hoch oder trainieren Sie neue direkt auf der Plattform.
Modell hochladen
Laden Sie vorhandene Modellgewichte auf die Plattform hoch:
- Navigieren Sie zu Ihrem Projekt
- Klicken Sie auf Modell hochladen
- Wählen Sie Ihr
.ptDatei definiert - Namen und Beschreibung hinzufügen
- Klicken Sie auf Hochladen
Unterstützte Modellformate:
| Format | Erweiterung | Beschreibung |
|---|---|---|
| PyTorch | .pt | Natives Ultralytics-Format |
Nach dem Hochladen parst die Plattform die Modellmetadaten:
- Aufgabentyp (detect, segment, pose, obb, classify)
- Architektur (YOLO26n, YOLO26s usw.)
- Klassennamen und Anzahl
- Eingabegröße und Parameter
Modell trainieren
Ein neues Modell direkt auf der Plattform trainieren:
- Navigieren Sie zu Ihrem Projekt
- Klicken Sie auf Modell trainieren
- Datensatz auswählen
- Basismodell wählen
- Trainingsparameter konfigurieren
- Training starten
Siehe Cloud Training für detaillierte Anweisungen.
Modellübersicht
Jede Modellseite zeigt an:
| Abschnitt | Inhalt |
|---|---|
| Überblick | Modell-Metadaten, Aufgabentyp, Architektur |
| Metriken | Trainingsverlust und Leistungsdiagramme |
| Diagramme | Konfusionsmatrix, PR-Kurven, F1-Kurven |
| Test | Interaktives Inferenz-Testing |
| Bereitstellung | Endpunkt-Erstellung und -Verwaltung |
| Export | Formatkonvertierung und Download |
Trainingsmetriken
Echtzeit- und historische Trainingsmetriken anzeigen:
Verlustkurven
| Verlust | Beschreibung |
|---|---|
| Box | Verlust der Bounding-Box-Regression |
| Klasse | Klassifikationsverlust |
| DFL | Distribution Focal Loss |
Leistungsmetriken
| Metrik | Beschreibung |
|---|---|
| mAP50 | Mittlere durchschnittliche Präzision bei IoU 0.50 |
| mAP50-95 | Mittlere durchschnittliche Präzision bei IoU 0.50-0.95 |
| Präzision | Verhältnis der korrekt positiven Vorhersagen |
| Recall | Verhältnis der tatsächlich identifizierten Positiven |
Validierungsdiagramme
Nach Abschluss des Trainings detaillierte Validierungsanalyse anzeigen:
Konfusionsmatrix
Interaktive Heatmap, die die Vorhersagegenauigkeit pro Klasse zeigt:
PR/F1-Kurven
Leistungskurven bei verschiedenen Konfidenzschwellenwerten:
| Kurve | Beschreibung |
|---|---|
| Precision-Recall | Kompromiss zwischen Präzision und Recall |
| F1-Konfidenz | F1-Score bei verschiedenen Konfidenzniveaus |
| Präzision-Konfidenz | Präzision bei verschiedenen Konfidenzniveaus |
| Recall-Konfidenz | Recall bei verschiedenen Konfidenzniveaus |
Modell exportieren
Exportieren Sie Ihr Modell in 17 Bereitstellungsformate:
- Navigieren Sie zum Tab Export
- Zielformat auswählen
- Klicken Sie auf Exportieren
- Nach Abschluss herunterladen
Unterstützte Formate (insgesamt 17)
| # | Format | Dateiendung | Anwendungsfall |
|---|---|---|---|
| 1 | ONNX | .onnx | Plattformübergreifend, Web, die meisten Laufzeiten |
| 2 | TorchScript | .torchscript | PyTorch ohne Python |
| 3 | OpenVINO | .xml, .bin | Intel , GPUs, VPUs |
| 4 | TensorRT | .engine | NVIDIA (schnellste Inferenz) |
| 5 | CoreML | .mlpackage | Apple iOS, macOS, watchOS |
| 6 | TF Lite | .tflite | Mobil (Android, iOS), Edge |
| 7 | TF SavedModel | saved_model/ | TensorFlow |
| 8 | TF GraphDef | .pb | TensorFlow .x |
| 9 | TF Edge TPU | .tflite | Google -Geräte |
| 10 | TF.js | .json, .bin | Browser-Inferenz |
| 11 | PaddlePaddle | .pdmodel | Baidu PaddlePaddle |
| 12 | NCNN | .param, .bin | Mobil (iOS), optimiert |
| 13 | MNN | .mnn | Alibaba Mobile Runtime |
| 14 | RKNN | .rknn | Rockchip-NPUs |
| 15 | IMX500 | .imx | Sony IMX500-Sensor |
| 16 | Axelera | .axelera | Axelera KI-Beschleuniger |
Format-Auswahlhilfe
Für NVIDIA : Verwenden Sie TensorRT für maximale Geschwindigkeit
Für Intel : Verwenden Sie OpenVINO für Intel , -GPUs und -VPUs
Für Apple-Geräte: Verwenden Sie CoreML für iOS, macOS, Apple Silicon
Für Android: Verwenden Sie TF oder NCNN für beste Leistung.
Für Webbrowser: Verwenden Sie TF.js oder ONNX (mit ONNX Web)
Für Edge-Geräte: Verwenden Sie TF TPU für Coral und RKNN für Rockchip.
Für allgemeine Kompatibilität: Verwenden Sie ONNX – funktioniert mit den meisten Inferenz-Laufzeitumgebungen
Exportzeit
Die Exportzeit variiert je nach Format. TensorRT-Exporte können aufgrund der Engine-Optimierung mehrere Minuten dauern.
Dataset-Verknüpfung
Modelle können mit ihrem Quelldatensatz verknüpft werden:
- Anzeigen, welcher Datensatz für das Training verwendet wurde
- Auf Datensatz von der Modellseite zugreifen
- Datenherkunft verfolgen
Beim Training mit Plattform-Datensätzen unter Verwendung des ul:// URI-Formats erfolgt die Verknüpfung automatisch.
Sichtbarkeitseinstellungen
Kontrollieren Sie, wer Ihr Modell sehen kann:
| Einstellung | Beschreibung |
|---|---|
| Privat | Nur Sie können zugreifen |
| Öffentlich | Jeder kann auf der Explore-Seite anzeigen |
Um die Sichtbarkeit zu ändern:
- Modell-Aktionsmenü öffnen
- Klicken Sie auf Bearbeiten
- Sichtbarkeit umschalten
- Klicken Sie auf Speichern
Modell löschen
Entfernen Sie ein Modell, das Sie nicht mehr benötigen:
- Modell-Aktionsmenü öffnen
- Klicken Sie auf Löschen
- Löschung bestätigen
Papierkorb und Wiederherstellen
Gelöschte Modelle werden für 30 Tage in den Papierkorb verschoben. Wiederherstellung über Einstellungen > Papierkorb.
FAQ
Welche Modellarchitekturen werden unterstützt?
Die Ultralytics Platform unterstützt alle YOLO-Architekturen:
- YOLO26: Varianten n, s, m, l, x (empfohlen)
- YOLO11: n, s, m, l, x Varianten
- YOLOv10: Legacy-Support
- YOLOv8: Legacy-Support
- YOLOv5: Legacy-Support
Kann ich mein trainiertes Modell herunterladen?
Ja, laden Sie Ihre Modellgewichte von der Modellseite herunter:
- Klicken Sie auf das Download-Symbol
- Format auswählen (original
.ptoder exportiert) - Download startet automatisch
Wie vergleiche ich Modelle projektübergreifend?
Derzeit ist der Modellvergleich innerhalb von Projekten möglich. Um Modelle projektübergreifend zu vergleichen:
- Modelle in ein einzelnes Projekt übertragen, oder
- Metriken exportieren und extern vergleichen
Wie groß ist die maximale Modellgröße?
Es gibt keine strikte Begrenzung, aber sehr große Modelle (>2GB) können längere Upload- und Verarbeitungszeiten aufweisen.
Kann ich vortrainierte Modelle feinabstimmen?
Ja! Laden Sie ein vortrainiertes Modell hoch und beginnen Sie dann das Training ab diesem Checkpoint mit Ihrem Datensatz. Die Plattform verwendet das hochgeladene Modell automatisch als Ausgangspunkt.
