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:

1. Navigieren Sie zu Ihrem Projekt
2. Ziehen und Ablegen .pt Dateien auf die Projektseite oder die Seitenleiste der Modelle
3. Die Metadaten des Modells werden automatisch aus der Datei analysiert.

Es können mehrere Dateien gleichzeitig hochgeladen werden (maximal 3 gleichzeitig).

Unterstützte Modellformate:

Nach dem Hochladen analysiert die Plattform die Metadaten des Modells:

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

Modell trainieren

Trainieren Sie ein neues Modell direkt auf der Plattform:

1. Navigieren Sie zu Ihrem Projekt
2. Klicken Sie auf „Neues Modell“.
3. Basismodell und Datensatz auswählen
4. Trainingsparameter konfigurieren
5. Wählen Sie zwischen Cloud-basiertem oder lokalem Training
6. Training starten

Siehe Cloud Training für detaillierte Anweisungen.

Modelllebenszyklus

graph LR
    A[Upload .pt] --> B[Overview]
    C[Train] --> B
    B --> D[Predict]
    B --> E[Export]
    B --> F[Deploy]
    E --> G[17+ Formats]
    F --> H[Endpoint]

    style A fill:#4CAF50,color:#fff
    style C fill:#FF9800,color:#fff
    style E fill:#2196F3,color:#fff
    style F fill:#9C27B0,color:#fff

Modellseite-Registerkarten

Jede Modellseite verfügt über die folgenden Registerkarten:

Registerkarte „Übersicht“

Zeigt Modellmetadaten und wichtige Kennzahlen an:

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

Zug-Registerkarte

Die Registerkarte „Zug“ hat drei Unterregisterkarten:

Unterregisterkarte „Diagramme“

Interaktive Trainingsmetrik-Diagramme, die Verlustkurven und Leistungskennzahlen über Epochen hinweg anzeigen:

Konsolen-Unterregisterkarte

Live-Konsolenausgabe aus dem Trainingsprozess:

• Echtzeit-Protokoll-Streaming während des Trainings
• Epochen-Fortschrittsbalken und Validierungsergebnisse
• Fehlererkennung mit hervorgehobenen Fehlerbannern
• ANSI-Farbunterstützung für formatierte Ausgabe

System-Unterregisterkarte

GPU Systemmetriken während des Trainings:

Vorhersage-Registerkarte

Führen Sie interaktive Inferenz direkt im Browser aus:

• Laden Sie ein Bild hoch, fügen Sie eine URL ein oder verwenden Sie die Webcam.
• Ergebnisanzeige mit Begrenzungsrahmen, Masken oder Schlüsselpunkten
• Automatische Schlussfolgerung, wenn ein Bild bereitgestellt wird
• Unterstützt alle Aufgabentypen (detect, segment, Pose, OBB, classify)

Export-Registerkarte

Exportieren Sie Ihr Modell in über 17 Bereitstellungsformate. Ausführliche Informationen finden Sie unter „Modell exportieren“ und im Leitfaden zum Exportmodus.

Registerkarte „Bereitstellen“

Erstellen und verwalten Sie dedizierte Inferenz-Endpunkte. Weitere Informationen finden Sie unter „Bereitstellungen “.

Validierungsdiagramme

Nach Abschluss des Trainings detaillierte Validierungsanalyse anzeigen:

Konfusionsmatrix

Interaktive Heatmap, die die Vorhersagegenauigkeit pro Klasse zeigt:

PR/F1-Kurven

Leistungskurven bei verschiedenen Konfidenzschwellenwerten:

Modell exportieren

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

    style A fill:#2196F3,color:#fff
    style C fill:#FF9800,color:#fff
    style G fill:#4CAF50,color:#fff

Exportieren Sie Ihr Modell in über 17 Bereitstellungsformate:

1. Navigieren Sie zum Tab Export
2. Zielformat auswählen
3. Exportargumente konfigurieren (Bildgröße, Halbpräzision, dynamisch usw.)
4. Für GPU Formate (TensorRT) wählen Sie einen GPU aus.
5. Klicken Sie auf Exportieren
6. Nach Abschluss herunterladen

Unterstützte Formate

Die Plattform unterstützt den Export in über 17 Bereitstellungsformate: ONNX, TorchScript, OpenVINO, TensorRT, CoreML, TF SavedModel, TF GraphDef, TF , TF TPU, TF.js, PaddlePaddle, NCNN, MNN, RKNN, IMX500, Axelera und ExecuTorch.

Format-Auswahlhilfe

RKNN-Chip-Unterstützung

Wählen Sie beim Exportieren in das RKNN-Format Ihr gewünschtes Rockchip-Gerät aus:

Lebenszyklus eines Exportauftrags

Exportaufträge durchlaufen die folgenden Status:

Massen-Exportaktionen

• Alle exportieren: Klicken Sie Export All Exportaufträge für alle CPU Formate mit Standardeinstellungen starten.
• Alle Exporte löschen: Klicken Sie Delete All alle Exporte für das Modell entfernen.

Formatbeschränkungen

Einige Exportformate unterliegen Architektur- oder Aufgabenbeschränkungen:

Klonmodell

Ein Modell in ein anderes Projekt klonen:

1. Öffnen Sie die Modellseite
2. Klicken Sie auf die Schaltfläche „Klonen “.
3. Wählen Sie das Zielprojekt aus.
4. Klicken Sie auf Klonen

Das Modell und seine Gewichte werden in das Zielprojekt kopiert.

Modell herunterladen

Laden Sie Ihre Modellgewichte herunter:

1. Navigieren Sie zur Registerkarte „Übersicht“ des Modells.
2. Klicken Sie auf die Schaltfläche „Herunterladen “.
3. Das Original .pt Dateien werden automatisch heruntergeladen

Exportierte Formate können nach Abschluss des Exports über die Registerkarte „Exportieren“ heruntergeladen werden.

Dataset-Verknüpfung

Modelle können mit ihrem Quelldatensatz verknüpft werden:

• Anzeigen, welcher Datensatz für das Training verwendet wurde
• Klicken Sie auf die Datensatzkarte auf der Registerkarte „Übersicht“, um dorthin zu navigieren.
• Datenherkunft verfolgen

Beim Training mit Plattform-Datensätzen unter Verwendung des ul:// URI-FormatDie Verknüpfung erfolgt automatisch.

# Train with a Platform dataset — linking is automatic
yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100

Sichtbarkeitseinstellungen

Kontrollieren Sie, wer Ihr Modell sehen kann:

Um die Sichtbarkeit zu ändern, klicken Sie auf das Sichtbarkeits-Symbol (z. B. private oder public) auf der Modellseite. Die Umstellung auf privat wird sofort wirksam. Bei der Umstellung auf öffentlich wird vor der Anwendung ein Bestätigungsdialogfeld angezeigt.

Modell löschen

Entfernen Sie ein Modell, das Sie nicht mehr benötigen:

1. Modell-Aktionsmenü öffnen
2. Klicken Sie auf Löschen
3. Löschung bestätigen

FAQ

Welche Modellarchitekturen werden unterstützt?

Ultralytics unterstützt alle YOLO mit dedizierten Projekten vollständig:

• YOLO26: n-, s-, m-, l-, x-Varianten (neueste, empfohlen) — platform.ultralytics.ultralytics
• YOLO11: n-, s-, m-, l-, x-Varianten — platform.ultralytics.yolo11
• YOLOv8: Varianten n, s, m, l, x — platform.ultralytics.yolov8
• YOLOv5: Varianten n, s, m, l, x — platform.ultralytics.yolov5

Alle Architekturen unterstützen 5 Aufgabentypen: detect, segment, Pose, OBB und classify.

Kann ich mein trainiertes Modell herunterladen?

Ja, laden Sie Ihre Modellgewichte von der Modellseite herunter:

1. Klicken Sie auf das Download-Symbol auf der Registerkarte „Übersicht“.
2. Das Original .pt Dateien werden automatisch heruntergeladen
3. Exportierte Formate können über die Registerkarte „Exportieren“ heruntergeladen werden.

Wie vergleiche ich Modelle projektübergreifend?

Derzeit ist der Modellvergleich innerhalb von Projekten möglich. Um Modelle projektübergreifend zu vergleichen:

1. Klonen Sie Modelle in ein einzelnes Projekt oder
2. 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! Sie können jedes der offiziellen YOLO26-Modelle als Basis verwenden oder eines Ihrer eigenen fertigen Modelle aus der Modellauswahl im Trainingsdialog auswählen. Die Plattform unterstützt die Feinabstimmung von jedem hochgeladenen Checkpoint aus.

📅 Erstellt vor 1 Monat ✏️ Aktualisiert vor 4 Tagen

Kommentare