Modelle
Ultralytics bietet umfassendes Modellmanagement für das Trainieren, Analysieren und Bereitstellen von YOLO . Laden Sie vortrainierte Modelle hoch oder trainieren Sie neue Modelle 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 Ihre
.ptDatei definiert - Name und Beschreibung hinzufügen
- Klicken Sie auf „Hochladen“
Unterstützte Modellformate:
| Format | Verlängerung | Beschreibung |
|---|---|---|
| PyTorch | .pt | Natives Ultralytics |
Nach dem Hochladen analysiert die Plattform die Metadaten des Modells:
- Aufgabentyp (detect, segment, Pose, OBB, classify)
- Architektur (YOLO11n, YOLO11s usw.)
- Klassennamen und Anzahl
- Eingabegröße und Parameter
Modell trainieren
Trainieren Sie ein neues Modell direkt auf der Plattform:
- Navigieren Sie zu Ihrem Projekt
- Klick -Zugmodell
- Datensatz auswählen
- Basismodell auswählen
- Trainingsparameter konfigurieren
- Mit dem Training beginnen
Ausführliche Anweisungen finden Sie unter Cloud-Schulung.
Modellübersicht
Jede Modellseite zeigt Folgendes an:
| Abschnitt | Inhalt |
|---|---|
| Überblick | Modell-Metadaten, Aufgabentyp, Architektur |
| Metriken | Trainingsverlust- und Leistungsdiagramme |
| Grundstücke | Verwechslungsmatrix, PR-Kurven, F1-Kurven |
| Test | Interaktive Inferenzprüfung |
| Bereitstellen | Erstellung und Verwaltung von Endpunkten |
| Export | Formatkonvertierung und Download |
Trainingsmetriken
Echtzeit- und historische Trainingsmetriken anzeigen:
Verlustkurven
| Verlust | Beschreibung |
|---|---|
| Kasten | Bounding-Box-Regressionsverlust |
| Klasse | Klassifizierungsverlust |
| DFL | Verteilungsfokussverlust |
Leistungsmetriken
| Metrik | Beschreibung |
|---|---|
| mAP50 | Mittlere durchschnittliche Genauigkeit bei IoU ,50 |
| mAP50 | Mittlere durchschnittliche Genauigkeit bei IoU ,50–0,95 |
| Präzision | Verhältnis korrekter positiver Vorhersagen |
| Recall | Verhältnis der tatsächlich identifizierten positiven Fälle |
Validierungsdiagramme
Nach Abschluss des Trainings detaillierte Validierungsanalyse anzeigen:
Konfusionsmatrix
Interaktive Heatmap, die die Vorhersagegenauigkeit pro Klasse anzeigt:
PR/F1-Kurven
Leistungskurven bei verschiedenen Konfidenzschwellen:
| Kurve | Beschreibung |
|---|---|
| Präzision-Rückruf | Abwägung zwischen Präzision und Recall |
| F1-Vertrauen | F1-Score bei verschiedenen Konfidenzniveaus |
| Präzision – Vertrauen | Genauigkeit bei unterschiedlichen Konfidenzniveaus |
| Rückruf-Vertrauen | Rückruf bei unterschiedlichen Konfidenzniveaus |
Exportmodell
Exportieren Sie Ihr Modell in 17 Bereitstellungsformate:
- Navigieren Sie zur Registerkarte „Exportieren “.
- Zielformat auswählen
- Klicken Sie auf „Exportieren“.
- Nach Fertigstellung herunterladen
Unterstützte Formate
| Format | Beschreibung | Anwendungsfall |
|---|---|---|
| ONNX | Offener Austausch neuronaler Netze | Plattformübergreifende Bereitstellung |
| TorchScript | Serialisierter PyTorch | PyTorch |
| OpenVINO | Intel | Intel |
| TensorRT | NVIDIA | NVIDIA |
| CoreML | Apple-Optimierung | iOS |
| TFLite | TensorFlow Lite | Mobil/eingebettet |
| TF SavedModel | TensorFlow | TensorFlow |
| TF GraphDef | TensorFlow | Legacy TensorFlow |
| PaddlePaddle | Baidu-Framework | PaddlePaddle |
| NCNN | Mobile Inferenz | Android |
| Edge TPU | Google TPU | Korallengeräte |
| TF.js | TensorFlow.js | Browser-Bereitstellung |
| MNN | Alibaba-Framework | Mobile Optimierung |
| RKNN | Rockchip-NPU | Rockchip-Geräte |
| IMX | NXP i.MX | NXP-Plattformen |
| Axelera | Metis KI | Edge-KI-Beschleuniger |
| ExecuTorch | Meta-Framework | Meta-Plattformen |
Exportzeit
Die Exportdauer variiert je nach Format. TensorRT können aufgrund der Engine-Optimierung mehrere Minuten dauern.
Verknüpfung von Datensätzen
Modelle können mit ihrem Quelldatensatz verknüpft werden:
- Anzeigen, welcher Datensatz für das Training verwendet wurde
- Zugriff auf Datensatz von der Modellseite
- Datenherkunft verfolgen
Beim Training mit Plattform-Datensätzen unter Verwendung der ul:// URI-Format, Verknüpfung erfolgt automatisch.
Sichtbarkeitseinstellungen
Steuern Sie, wer Ihr Modell sehen kann:
| Einstellung | Beschreibung |
|---|---|
| Privat | Nur Sie haben Zugriff darauf. |
| Öffentlich | Jeder kann die Seite „Entdecken“ anzeigen. |
Um die Sichtbarkeit zu ändern:
- Menü „Modellaktionen“ öffnen
- Klicken Sie auf „Bearbeiten“
- Sichtbarkeit umschalten
- Klicken Sie auf „Speichern“.
Modell löschen
Entfernen Sie ein Modell, das Sie nicht mehr benötigen:
- Menü „Modellaktionen“ öffnen
- Auf „Löschen“ klicken
- Löschen bestätigen
Löschen und wiederherstellen
Gelöschte Modelle werden 30 Tage lang im Papierkorb gespeichert. Sie können sie über „Einstellungen“ > „Papierkorb“ wiederherstellen.
FAQ
Welche Modellarchitekturen werden unterstützt?
Ultralytics unterstützt alle YOLO :
- YOLO11: n, s, m, l, x Varianten
- YOLO26: Neueste Generation (sobald verfügbar)
- YOLOv10: Legacy-Unterstützung
- YOLOv8: Legacy-Unterstützung
- YOLOv5: Legacy-Unterstützung
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) - Der Download startet automatisch.
Wie vergleiche ich Modelle projektübergreifend?
Derzeit erfolgt der Modellvergleich innerhalb von Projekten. Um einen projektübergreifenden Vergleich durchzuführen:
- Modelle in ein einzelnes Projekt übertragen oder
- Metriken exportieren und extern vergleichen
Was ist die maximale Modellgröße?
Es gibt keine strenge Begrenzung, aber sehr große Modelle (>2 GB) können längere Upload- und Verarbeitungszeiten haben.
Kann ich vortrainierte Modelle feinabstimmen?
Ja! Laden Sie ein vortrainiertes Modell hoch und beginnen Sie dann mit dem Training anhand dieses Checkpoints und Ihres Datensatzes. Die Plattform verwendet das hochgeladene Modell automatisch als Ausgangspunkt.
