Modelle#

Die Ultralytics Platform bietet umfassende Modellverwaltung für das Trainieren, Analysieren und Bereitstellen 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. Öffne dein Projekt
2. Ziehe .pt-Dateien per Drag-and-drop auf die Projektseite oder in die Modell-Seitenleiste oder klicke auf das Symbol Modelle hochladen.
3. Die Modellmetadaten werden automatisch aus der Datei ausgelesen.

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

Unterstützte Modellformate:

Nach dem Upload liest die Plattform die Modellmetadaten aus:

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

Modell trainieren#

Trainiere ein neues Modell direkt auf der Plattform:

1. Öffne dein Projekt
2. Klicke auf Neues Modell
3. Basismodell und Datensatz auswählen
4. Konfiguriere die Trainingsparameter
5. Cloud- oder lokales Training auswählen
6. Starte das Training

Ausführliche Anweisungen findest du unter Cloud-Training.

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 verfügt über die folgenden Tabs:

Modellkopf#

Über den Tabs zeigt der Kopf die Modellfarbe (bearbeitbar), den Namen (zum Umbenennen anklicken), das Aufgaben-Badge, die ultralytics-Version des Checkpoints und eine Lizenz-Auswahl. Zu den Aktionen gehören Modell klonen (bei abgeschlossenen Modellen mit Gewichten, die dir noch nicht gehören), Herunterladen, Markieren, Teilen (öffentliche Modelle) sowie ein Menü Weitere Aktionen mit Informationen, Aktualisieren und Modell löschen.

Direkt darunter zeigt eine Karte pro Aufgabenmetrik den Endwert über einem Sparkline-Diagramm des Trainingsverlaufs – klicke auf eine beliebige Karte, um zu den Diagrammen zu springen – sowie eine Karte mit einem Link zum Datensatz, mit dem das Modell trainiert wurde.

Übersichts-Tab#

Die Karte Ausführungsinformationen dokumentiert, wie der Lauf ausgeführt wurde: Status, Startzeit, Laufzeit, Rechenkosten mit GPU und Stundensatz, die ultralytics-Version, Hostdetails (Hostname, Umgebung, Betriebssystem, Python, CPU, GPU), das übergeordnete Modell, die festgelegte Datensatzversion, Git-Repository, Branch und Commit, sofern der Lauf diese gemeldet hat, sowie einen reproduzierbaren yolo train-Befehl zum Kopieren.

Während ein Lauf aktiv ist, zeigt die Karte den aktuellen Fortschritt – Epochenzähler, Fortschrittsbalken, verstrichene Zeit, voraussichtliche Restzeit und anfallende Kosten – sowie eine Schaltfläche Abbrechen. Wenn ein Lauf fehlschlägt, ersetzt ein Fehlerbanner die Karte und zeigt den erfassten Fehler sowie die Aktionen Vollständige Konsolenprotokolle anzeigen und Training wiederholen an.

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

Trainings-Tab#

Der Trainings-Tab verfügt über drei Untertabs:

Unterregister „Diagramme“#

Interaktive Metrikdiagramme über die Epochen hinweg, aufgeteilt in die Ansichten Training und Validierung, wenn der Lauf Validierungsartefakte erzeugt hat. Die Diagrammgruppen entsprechen den vom Lauf gemeldeten Metriken:

Jede Gruppe kann eingeklappt werden, über ihr Menü lassen sich einzelne Diagramme (bei Verlusten auch die Trainings- oder Validierungsreihe) ein- und ausblenden, und Diagramme können gezogen und in der Größe angepasst werden. Das Layout bleibt sitzungsübergreifend erhalten.

Unterregister „Konsole“#

Live-Konsolenausgabe des Trainingsprozesses:

• Echtzeit-Übertragung der Protokolle während des Trainings, wobei die letzten 2000 Zeilen erhalten bleiben
• 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 Klartext mit einem Klick

Unterregister „System“#

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

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

Vorhersage-Tab#

Führe interaktive Inferenz direkt im Browser aus:

• Lade ein Bild hoch, verwende Beispielbilder oder nutze die Webcam
• Die Ergebnisse werden mit Begrenzungsrahmen, Masken, semantischen Klassenkarten oder Schlüsselpunkten angezeigt
• Automatische Inferenz, sobald ein Bild bereitgestellt wird
• Unterstützt alle Aufgabentypen (detect, segment, semantic, depth, classify, pose, OBB)

Export-Tab#

Exportiere dein Modell in 20 Bereitstellungsformate. Ausführliche Informationen findest du weiter unten unter Modell exportieren und im Leitfaden zum Exportmodus.

Bereitstellungs-Tab#

Erstelle und verwalte dedizierte Inferenzendpunkte. 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 sie bereitstellt, zeigt die Ansicht Validierung außerdem Leistungskurven bei verschiedenen Konfidenzschwellen. Die verfügbaren Validierungsdiagramme hängen von den vom Lauf erzeugten Artefakten ab.

Bildbezogene Diagnosen#

Erkennungsmodelle, die mit einer gespeicherten Dataset-Version trainiert wurden, erhalten ebenfalls eine bildbezogene Validierungsanalyse, die auf die Daten hinter einem enttäuschenden Ergebnis hinweist:

• Bilder mit der schlechtesten und besten Leistung, nach dem bildbezogenen F1-Score geordnet und mit ihren Ground-Truth-Boxen dargestellt
• Merkmalsexplorer, der den F1-Score mit Bildbreite, -höhe, Pixelanzahl, Seitenverhältnis und Anzahl der Instanzen in Beziehung setzt, wobei standardmäßig die stärkste Beziehung ausgewählt wird
• Mit Fehlern verbundene Klassen, geordnet danach, welche Klassen am häufigsten in den schwächsten Bildern vorkommen
• Ähnliche finden (Find similar), in der am schlechtesten abschneidenden Galerie, bei einem einzelnen Bild in dessen Vollbildansicht und in einer Klassen-Zeile, wodurch öffentliche Datensätze nach Bildern durchsucht werden, die den erfassten Fehlern ähneln, und die von dir ausgewählten Bilder als unbeschriftete train-Bilder zum Trainingsdatensatz hinzugefügt werden (siehe Find Similar Images); wird angezeigt, wenn du das Projekt bearbeiten kannst und der Trainingsdatensatz ein nicht verbundenes Dataset desselben Arbeitsbereichs ist

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. Wechsle zum Tab Export
2. Wähle das Zielformat aus
3. Konfiguriere die Exportargumente (Bildgröße, halbe Genauigkeit, dynamisch usw.)
4. Wähle für GPU-erfordernde Formate (TensorRT) einen GPU-Typ aus
5. Klicke auf Export starten
6. Lade das Ergebnis nach Abschluss herunter

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

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#

TensorRT-Ziele für NVIDIA Jetson#

Die Ultralytics Platform bietet die folgenden Jetson-Zielauswahlen für TensorRT-.engine-Exporte. Die folgenden Validierungsmessungen von 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 beschreiben diese getestete Umgebung; überprüfe die aktuellen Worker- und Bereitstellungsgeräte-Runtimes, bevor du eine exportierte Engine wiederverwendest.

Die Zeitangaben stammen aus einzelnen beobachteten End-to-End-Produktions-Routing-Tests vom Juli 2026 und wurden auf die nächste Sekunde gerundet; sie sind Referenzmessungen und keine SLA oder Leistungsbenchmarks pro SKU. Beide Thor-Auswahlen werden auf einem T5000 Developer Kit im NVIDIA-T4000-Kompatibilitätsprofil erstellt. Die sechs Orin-Routen werden auf einem AGX Orin 64GB erstellt, auf dem jede resultierende Engine geladen und ausgeführt wurde.

RKNN-Chipunterstützung#

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

Lebenszyklus von Exportaufträgen#

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 vorhanden ist, werden übersprungen und aufgelistet.
• Alle Exporte löschen: Klicke auf Delete All, um alle Exporte für das Modell zu entfernen.

Formateinschränkungen#

Einige Exportformate unterliegen Einschränkungen hinsichtlich Architektur oder Aufgabe:

Modelle zwischen Projekten verschieben#

Verschiebe Modelle, die du bearbeiten kannst, in ein anderes Projekt desselben Arbeitsbereichs, ohne diese zu kopieren:

1. Öffne das Quellprojekt und wähle ein oder mehrere Modelle in der Modellliste 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 per Drag & Drop in der Seitenleiste auf das Zielprojekt.

Verschobene Modelle behalten ihre Gewichte, Metriken, Exporte und Bereitstellungen bei und übernehmen die URL des Zielprojekts. Ein Modell, dessen URL-Name im Ziel bereits verwendet wird, wird bei der Ankunft umbenannt, Modelle, die noch trainiert werden, 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 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 dir noch nicht gehören.

Modell herunterladen#

Lade die Gewichte deines Modells herunter:

1. Wechsle zum Tab Übersicht des Modells
2. Klicke auf die Schaltfläche Herunterladen
3. Der primäre .pt-Checkpoint des Modells wird automatisch heruntergeladen

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

Datensatzverknüpfung#

Modelle können mit ihrem Quelldatensatz verknüpft werden:

• Zeige an, welcher Datensatz für das Training verwendet wurde
• Klicke auf der Registerkarte „Übersicht“ auf die Datensatzkarte, um dorthin zu navigieren
• Verfolge die Datenherkunft

Beim Training mit Platform-Datensätzen im 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 aus, um zwei Abschnitte zu prüfen:

• Ultralytics-Metadaten: schreibgeschützte Platform-Details wie Modell-ID, Projekt, Quelldatensatz, Aufgabe, Status und Zeitstempel
• Benutzerdefinierte Metadaten: dein eigenes JSON-Objekt für Evaluierungskontext, Release-Nachverfolgung, 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 begrenzt, und jeder Schlüssel der obersten Ebene ist auf 128 Zeichen begrenzt. 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 jedes Modell im Projekt. Um sie zu ändern, klicke auf das Sichtbarkeitssymbol (private oder public) neben dem Projektnamen in der Breadcrumb-Navigation oben auf der Seite. Der Wechsel zu „privat“ wird sofort wirksam. Beim Wechsel zu „öffentlich“ wird vor der Anwendung ein Bestätigungsdialog angezeigt.

Modell löschen#

Entferne ein Modell, das du nicht mehr benötigst:

1. Öffne das Menü Weitere Aktionen in der Kopfzeile des Modells und wähle Modell löschen
2. Löschen bestätigen

Siehe auch#

• Inference: Teste Modelle im Browser über den Tab „Predict“
• Endpunkte: Stelle Modelle mit dedizierten Endpunkten in der Produktion bereit
• Cloud-Training: Konfiguriere und starte Trainingsaufträge auf Cloud-GPUs
• Exportformate: Vollständiger Leitfaden zu allen 20 Exportformaten

FAQ#