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:

Übersicht-Tab#

Zeigt Modell-Metadaten und Schlüsselmetriken an:

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

Training-Tab#

Der Training-Tab hat drei Unter-Tabs:

Charts-Unter-Tab#

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

Konsole-Unter-Tab#

Live-Konsolenausgabe des Trainingsprozesses:

• Echtzeit-Log-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
• 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 kannst du eine detaillierte Validierungsanalyse einsehen:

Konfusionsmatrix#

Interaktive Heatmap, die die Vorhersagegenauigkeit pro Klasse zeigt:

PR/F1-Kurven#

Wenn der Trainingslauf sie bereitstellt, zeigt die Unterregisterkarte Validierung auch Leistungskurven bei verschiedenen Konfidenzschwellenwerten an. Verfügbare Validierungsdiagramme hängen von den Artefakten ab, die der Lauf erzeugt.

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 an. Seit Juli 2026 verwenden die Jetson-Export-Worker 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 im Export-Container.

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 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 Modell klonen
3. Wähle das Zielprojekt aus
4. Klicke auf Modell klonen

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. 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:

Um die Sichtbarkeit zu ändern, klicke auf das Sichtbarkeitsbadge (z. B. private oder public) im Seitenkopf. Die Sichtbarkeit wird auf Projektebene festgelegt, sodass dies alle Modelle im Projekt steuert. Das Umschalten auf privat wird sofort wirksam. Das Umschalten auf öffentlich zeigt vor dem Anwenden einen Bestätigungsdialog an.

Modell löschen#

Entferne ein Modell, das du nicht mehr benötigst:

1. Klicke auf das Mülleimer-Symbol Modell löschen im Modellkopfbereich
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#

Welche Modellarchitekturen werden unterstützt?#

Die Ultralytics Platform unterstützt vollständig alle YOLO-Architekturen 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

YOLO26 unterstützt 7 Aufgabentypen: detect, segment, semantic, depth, classify, pose und OBB. YOLO11 und YOLOv8 unterstützen dieselben Typen mit Ausnahme von semantischer Segmentierung und Tiefenbestimmung, während YOLOv5 detect, segment und classify unterstützt.

Kann ich mein trainiertes Modell herunterladen?#

Ja, lade deine Modellgewichte von der Modellseite herunter:

1. Klicke auf das Download-Symbol auf dem Reiter „Overview“
2. Der primäre .pt-Prüfpunkt des Modells wird automatisch heruntergeladen.
3. Exportierte Formate können vom Reiter „Export“ heruntergeladen werden

Wie vergleiche ich Modelle projektübergreifend?#

Aktuell ist der Modellvergleich auf Projekte beschränkt. Um projektübergreifend zu vergleichen:

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

Was ist die maximale Modellgröße?#

Hochgeladene .pt-Modelldateien sind auf 1 GB begrenzt, und Modelle nahe diesem Limit können länger zum Hochladen und Verarbeiten benötigen.

Kann ich vortrainierte Modelle feinabstimmen?#

Ja. Wähle ein kompatibles Modell aus den offiziellen Projekten YOLO26, YOLO11, YOLOv8 oder YOLOv5 aus oder wähle einen deiner eigenen abgeschlossenen oder hochgeladenen Checkpunkte unter Meine Modelle im Trainingsdialog aus.