Modelle#

Ultralytics Platform bietet umfassendes Modellmanagement für das Trainieren, Analysieren und Bereitstellen 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 die Modell-Seitenleiste oder klicke auf das Symbol Modelle hochladen.
3. Die Modell-Metadaten 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 Modell-Metadaten:

• Aufgabentyp (detect, segment, semantic, depth, classify, pose, OBB)
• Architektur (YOLO26n, YOLO26s, etc.)
• Klassennamen und -anzahl
• Eingabegröße und Parameter
• Trainingsergebnisse und Metriken (falls im Checkpoint vorhanden)

Modell trainieren#

Trainiere ein neues Modell direkt auf der Plattform:

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

Siehe Cloud Training für detaillierte Anweisungen.

Modelllebenszyklus#

graph LR
    A[Upload .pt]:::start --> B[Overview]:::proc
    C[Train]:::start --> B
    B --> D[Predict]:::proc
    B --> E[Export]:::proc
    B --> F[Deploy]:::proc
    E --> G[20 Formats]:::out
    F --> H[Endpoint]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

Modellseiten-Tabs#

Jede Modellseite hat die folgenden Tabs:

Modell-Header#

Oberhalb der Tabs zeigt der Header die Modellfarbe (bearbeitbar), den Namen (zum Umbenennen anklicken), das Task-Badge, die ultralytics-Version des Checkpoints und einen Lizenz-Auswahlbereich. Die Aktionen umfassen Modell klonen (bei abgeschlossenen Modellen mit Gewichten, die du noch nicht besitzt), Herunterladen, Mit Stern markieren, Teilen (öffentliche Modelle) sowie ein Menü Weitere Aktionen mit den Optionen Informationen, Aktualisieren und Modell löschen.

Direkt darunter zeigt jeweils eine Karte pro Task-Metrik den Endwert über einem Sparkline-Diagramm des Trainingsverlaufs – klicke auf eine beliebige Karte, um zu den Diagrammen zu springen – neben einer Karte, die auf den Datensatz verlinkt, mit dem das Modell trainiert wurde.

Übersicht-Tab#

Die Karte Run-Informationen protokolliert, wie der Run ausgeführt wurde: Status, Startzeit, Laufzeit, Rechenkosten mit GPU und Stundensatz, die ultralytics-Version, Host-Details (Hostname, Umgebung, Betriebssystem, Python, CPU, GPU), das Elternmodell, die angeheftete Datensatzversion, Git-Repository, Branch und Commit beim Melden des Runs sowie einen reproduzierbaren yolo train-Befehl, den du kopieren kannst.

Während ein Run aktiv ist, zeigt die Karte den Live-Fortschritt – Epochenzähler, Fortschrittsleiste, verstrichene Zeit, geschätzte Ankunftszeit (ETA), anfallende Kosten – sowie eine Schaltfläche zum Abbrechen. Wenn ein Run fehlschlägt, ersetzt ihn ein Fehler-Banner mit dem erfassten Fehler sowie den Aktionen Vollständige Konsolenprotokolle anzeigen und Training wiederholen.

Darunter listet Trainingskonfiguration jeden verwendeten Hyperparameter und Leistungsmetriken die finalen Evaluierungsergebnisse auf. Beide Tabellen sind durchsuchbar und verfügen über ein Menü zum Daten exportieren (JSON kopieren, CSV herunterladen, JSON herunterladen).

Training-Tab#

Der Training-Tab hat drei Unter-Tabs:

Charts-Unter-Tab#

Interaktive Metrik-Diagramme über Epochen, unterteilt in Training- und Validierungs-Ansichten, wenn der Run Validierungsartefakte erzeugt hat. Die Diagrammgruppen folgen den vom Run gemeldeten Metriken:

Jede Gruppe lässt sich einklappen, ihr Menü blendet einzelne Diagramme (und bei Verlusten die Trainings- oder Validierungsserie) ein oder aus, und Diagramme können per Drag-and-Drop in ein Layout verschoben und in der Größe angepasst werden, das sitzungsübergreifend erhalten bleibt.

Konsole-Unter-Tab#

Live-Konsolenausgabe des Trainingsprozesses:

• Echtzeit-Log-Streaming während des Trainings, wobei die letzten 2000 Zeilen beibehalten werden
• Epochen-Fortschrittsbalken und Validierungsergebnisse
• Erkennung von fatalen Fehlern, die den Run beendet und die Nachricht in einem Banner anzeigt
• ANSI-Farben-Unterstützung, eine optionale Zeitstempel-Spalte und Ein-Klick-Kopieren als Klartext

System-Unter-Tab#

Eine Host-Karte, die die Trainingsinstanz zusammenfasst (Hostname, CPU, GPU, RAM- und Festplattensummen sowie wann sie zuletzt gesehen wurde), gefolgt von Epochen-basierten Diagrammen:

GPU-, Netzwerk- und Festplattendiagramme werden nur angezeigt, wenn der Run diese Zähler gemeldet hat.

Vorhersage-Tab#

Führe interaktive Inferenz direkt im Browser aus:

• Lade ein Bild hoch, verwende Beispielbilder oder nutze die Webcam
• Ergebnisse werden mit Bounding Boxes, Masken, semantischen Klassenkarten oder Keypoints angezeigt
• Auto-Inferenz, sobald ein Bild bereitgestellt wird
• Unterstützt alle Aufgabentypen (detect, segment, semantic, depth, classify, pose, OBB)

Export-Tab#

Exportiere dein Modell in 20 Bereitstellungsformate. Weitere Details findest du unter Modell exportieren unten sowie in der zentralen Anleitung zum Exportmodus.

Bereitstellen-Tab#

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

Validierungs-Plots#

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

Konfusionsmatrix#

Interaktive Heatmap, die die Vorhersagegenauigkeit pro Klasse zeigt:

PR/F1-Kurven#

Wenn der Trainings-Run diese bereitstellt, zeigt die Validierungs-Ansicht auch Leistungskurven bei verschiedenen Konfidenzschwellenwerten an. Verfügbare Validierungsdiagramme hängen von den vom Run erzeugten Artefakten ab.

Pro-Bild-Diagnostik#

Mit einer gespeicherten Datensatzversion trainierte Erkennungsmodelle erhalten außerdem eine Pro-Bild-Validierungsanalyse, die auf die Daten hinter einem enttäuschenden Score hinweist:

• Am schlechtesten und am besten abschneidende Bilder, gereiht nach Pro-Bild-F1 und dargestellt mit ihren Ground-Truth-Boxen
• Merkmal-Explorer, der F1 mit Bildbreite, -höhe, Pixelanzahl, Seitenverhältnis und Instanzanzahl korreliert, wobei die stärkste Beziehung standardmäßig ausgewählt ist
• Mit Fehlern assoziierte Klassen, die einordnen, welche Klassen in den schwächsten Bildern am häufigsten vorkommen

Modell exportieren#

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

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,color:#fff

Exportiere dein Modell in 20 Bereitstellungsformate:

1. Navigiere zum Tab Export
2. Wähle das Zielformat aus
3. Konfiguriere Export-Argumente (Bildgröße, halbe Präzision, dynamisch, etc.)
4. Wähle bei Formaten, die eine GPU erfordern (TensorRT), einen GPU-Typ aus
5. Klicke auf Export starten
6. Lade es nach Abschluss herunter

Verbinde Slack-Benachrichtigungen, um eine Nachricht zu erhalten, wenn ein Export fertig oder fehlgeschlagen ist.

Unterstützte Formate#

Die Plattform unterstützt den Export in 20 Bereitstellungsformate: ONNX, TorchScript, OpenVINO, TensorRT, CoreML, TF SavedModel, TF GraphDef, LiteRT, TF Edge TPU, PaddlePaddle, NCNN, MNN, RKNN, Qualcomm (QNN), IMX500, Axelera, ExecuTorch, DeepX, Hailo und Huawei Ascend.

Leitfaden zur Formatauswahl#

NVIDIA Jetson TensorRT Ziele#

Ultralytics Platform bietet die folgenden Jetson-Zielauswahlen für TensorRT .engine-Exporte. Stand Juli 2026 werden Jetson-TensorRT-Exporte mit JetPack 7.2 / L4T r39.2, Python 3.12.3, NVIDIA PyTorch 2.12.0a0 (26.04-Build), CUDA 13.2 und TensorRT 10.16.1.11 erstellt.

Die Zeitangaben sind einmalig beobachtete End-to-End-Produktionsrouting-Tests vom Juli 2026, gerundet auf die nächste Sekunde; es handelt sich um Referenzmessungen, nicht um ein SLA oder einen pro-SKU-Leistungsbenchmark. Beide Thor-Auswahlen basieren auf einem T5000 Developer Kit im T4000-Kompatibilitätsprofil von NVIDIA. Die sechs Orin-Routen basieren auf einem AGX Orin 64GB, wobei jede resultierende Engine geladen und ausgeführt wurde.

RKNN Chip-Unterstützung#

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

Lebenszyklus von Export-Jobs#

Export-Jobs durchlaufen folgende Status:

Massen-Exportaktionen#

• Alle exportieren: Klicke auf Export All, um Exportaufträge für alle CPU-basierten Formate mit Standardeinstellungen zu starten. Formate, die eine GPU-Auswahl erfordern, für dieses Modell nicht verfügbar sind oder bereits einen Export besitzen, werden übersprungen und für dich aufgelistet.
• 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 Modell klonen
3. Wähle das Zielprojekt aus oder wähle Neues Projekt, um direkt eines zu erstellen
4. Gib dem Klon optional 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 du noch nicht besitzt.

Modell herunterladen#

Lade deine Modellgewichte herunter:

1. Navigiere zum Overview-Tab des Modells
2. Klicke auf den Download-Button
3. Der primäre .pt-Prüfpunkt des Modells wird automatisch heruntergeladen.

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

Datensatzverknüpfung#

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 Trainieren mit Plattform-Datensätzen über das ul://-URI-Format 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 Abschnitte zu überprüfen:

• Ultralytics-Metadaten: Schreibgeschützte Plattformdetails wie Modell-ID, Projekt, Quelldatensatz, Aufgabe, Status und Zeitstempel.
• Benutzerdefinierte Metadaten: Dein eigenes JSON-Objekt für Evaluierungskontext, Release-Tracking, Governance oder andere modellspezifische Daten.

Benutzerdefinierte Metadaten sind von den trainingsbezogenen 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 und jeder Schlüssel auf der obersten Ebene auf 128 Zeichen begrenzt. Speichere ein leeres Objekt ({}), um benutzerdefinierte Metadaten zu löschen.

Sichtbarkeitseinstellungen#

Steuere, wer dein Modell sehen kann:

Die Sichtbarkeit wird auf Projektebene festgelegt und steuert somit jedes Modell im Projekt. Um sie zu ändern, klicke auf das Sichtbarkeits-Badge (private oder public) neben dem Projektnamen im Breadcrumb oben auf der Seite. Der Wechsel zu „privat“ wird sofort wirksam. Der Wechsel zu „öffentlich“ zeigt vor dem Anwenden einen Bestätigungsdialog an.

Modell löschen#

Entferne ein Modell, das du nicht mehr benötigst:

1. Öffne das Menü Weitere Aktionen im Modell-Header und wähle Modell löschen
2. Bestätige das Löschen

Siehe auch#

• Inferenz: Teste Modelle im Browser mit der Registerkarte „Vorhersagen“ (Predict).
• Endpunkte: Stelle Modelle mit dedizierten Endpunkten in der Produktion bereit.
• Cloud Training: Konfiguriere und starte Trainings-Jobs auf Cloud-GPUs.
• Exportformate: Vollständiger Leitfaden zu allen 20 Exportformaten.

FAQ#