Jeux de données#

Les jeux de données de la plateforme Ultralytics offrent une solution simplifiée pour gérer tes données d'entraînement. Après l'importation, la plateforme traite automatiquement les images, les labels et les statistiques.

Un jeu de données est prêt pour l'entraînement une fois le traitement terminé et s'il contient au moins une image dans le split train, au moins une image dans le split val ou test, ainsi qu'au moins une image annotée. L'en-tête du jeu de données affiche un badge Ready lorsque les trois conditions sont remplies, et un badge Not Ready dans le cas contraire — clique sur le badge pour voir précisément quelle condition manque.

Collecte des images avec des agents#

Utilise Agents pour ajouter des images à un jeu de données lorsqu'une détection de modèle remplit une condition, telle qu'une confiance comprise dans une plage choisie. Connecte la condition à un bloc Dataset et sélectionne une destination que tu peux modifier. Les images arrivent non étiquetées dans la division train ; les copies existantes sont ignorées. Examine les images et étiquette les images avec l'éditeur d'annotations existant.

Importer un jeu de données#

La plateforme Ultralytics accepte plusieurs formats d'importation pour plus de flexibilité.

Formats pris en charge#

Prise en charge des codecs vidéo#

L'extension du fichier ne suffit pas : une vidéo peut tout de même échouer si son codec ne peut pas être décodé pendant le traitement.

ffmpeg -i input.mov \
  -c:v libx264 -pix_fmt yuv420p \
  -c:a aac -movflags +faststart \
  output.mp4

Préparer ton jeu de données#

La plateforme prend en charge Ultralytics YOLO, COCO, les masques PNG sémantiques, les jeux de données de profondeur, Ultralytics NDJSON et les téléversements bruts (non annotés) :

my-dataset/
├── images/
│   ├── train/
│   │   ├── img001.jpg
│   │   └── img002.jpg
│   └── val/
│       ├── img003.jpg
│       └── img004.jpg
├── labels/
│   ├── train/
│   │   ├── img001.txt
│   │   └── img002.txt
│   └── val/
│       ├── img003.txt
│       └── img004.txt
└── data.yaml

# data.yaml
path: .
train: images/train
val: images/val

names:
    0: person
    1: car
    2: dog

Si les labels font référence à des ID de classe mais qu'aucun nom de classe n'est fourni, la plateforme génère des noms d'espace réservé denses (class0, class1, …) que tu peux renommer ultérieurement dans l'onglet Classes.

Pour les détails des formats spécifiques aux tâches, consulte les tâches prises en charge et la présentation des jeux de données.

Processus d'importation#

Pour créer un jeu de données :

1. Accède à Annotate dans la barre latérale
2. Clique sur New Dataset
3. Choisis un onglet de source de données (voir Sources de données ci-dessous)
4. Ajoute un nom — le slug de l'URL est généré automatiquement et peut être modifié — ainsi qu'une description facultative
5. Sélectionne le type de tâche (voir les tâches prises en charge), une licence facultative (voir les licences disponibles) et la visibilité (publique ou privée)
6. Clique sur Create & Upload pour les fichiers locaux, sur Create & Import pour une URL ou une source connectée, ou sur Create Dataset pour commencer avec un jeu vide

Pour ajouter des fichiers à un jeu de données existant, ouvre la page du jeu de données et glisse les fichiers dans la galerie ou clique sur l'icône de téléchargement dans l'en-tête de la page. L'icône de téléchargement ouvre directement le sélecteur de fichiers natif de ton navigateur parce que la tâche du jeu de données est déjà définie.

Sources de données#

La boîte de dialogue New Dataset propose quatre sources :

Avant le début de l'importation#

La plateforme valide tes fichiers dans le navigateur avant d'importer quoi que ce soit, afin que les problèmes courants apparaissent immédiatement plutôt qu'après un long transfert. Les archives sont vérifiées pour détecter toute corruption, absence de contenu, protection par mot de passe ou erreur de syntaxe YAML, et les fichiers trop volumineux sont listés par nom.

Deux boîtes de dialogue peuvent ensuite apparaître :

Après l'importation, la plateforme traite automatiquement tes données :

graph LR
    A[Upload]:::start --> B[Validate]:::proc
    B --> C[Normalize]:::proc
    C --> D[Thumbnail]:::proc
    D --> E[Parse Labels]:::proc
    E --> F[Statistics]:::out

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

1. Validation : vérifications du format et de la taille
2. Normalisation : redimensionnement des grandes images (4096 px maximum, dimension minimale de 28 px), conversion des images en niveaux de gris en RGB, aplatissement de la transparence sur un fond blanc et application de l'orientation EXIF
3. Miniatures : génération d'aperçus WebP de 256 px
4. Analyse des annotations : extraction des annotations YOLO, COCO et NDJSON
5. Statistiques : calcul de la répartition des classes et des dimensions des images

from ultralytics.data.utils import check_det_dataset

check_det_dataset("path/to/data.yaml")

Parcourir les images#

Affiche les images de ton jeu de données dans plusieurs dispositions.

Ouvre le panneau Clustering depuis la barre d'outils de la galerie pour explorer ton jeu de données sous forme de nuage de points 2D interactif.

Tri et filtrage#

Les images peuvent être triées et filtrées pour faciliter la navigation :

Visionneuse plein écran#

Clique sur une image pour ouvrir la visionneuse plein écran, qui propose :

• Navigation : touches fléchées ou aperçus des miniatures pour parcourir les images
• Informations sur l'image : examine les propriétés générées par la plateforme, les métadonnées personnalisées et les métadonnées intégrées au fichier, comme EXIF
• Métadonnées personnalisées : les propriétaires et les éditeurs peuvent ajouter ou remplacer un objet JSON, avec notamment des valeurs imbriquées pouvant atteindre 500 000 caractères sérialisés et des clés de premier niveau pouvant atteindre 128 caractères
• Annotations : active ou désactive la visibilité de la superposition des annotations
• Répartition des classes : nombre d'annotations par classe avec indicateurs de couleur
• Annoter : lorsque tu as un accès en modification, les commandes d'annotation sont immédiatement actives à l'ouverture de la visionneuse plein écran sur ordinateur
• Télécharger : télécharge le fichier image d'origine
• Supprimer : supprime l'image du jeu de données
• Zoom : Cmd/Ctrl+Scroll, Cmd/Ctrl++ ou Cmd/Ctrl+= pour zoomer, et Cmd/Ctrl+- pour dézoomer
• Réinitialiser l'affichage : Cmd/Ctrl + 0 ou le bouton de réinitialisation pour adapter l'image à la visionneuse
• Panoramique : maintiens Space enfoncé et fais glisser pour déplacer la zone de travail lorsque l'image est agrandie
• Vue des pixels : active ou désactive le rendu pixellisé pour une inspection détaillée
• Rideau de profondeur : sur les jeux de données de profondeur, un séparateur déplaçable balaie l'image RGB et sa carte de profondeur colorisée

Filtrer par partition#

Filtre les images selon leur partition dans le jeu de données :

Clustering#

Le panneau Clustering projette ton jeu de données dans un nuage de points 2D interactif où les images visuellement similaires sont proches les unes des autres. Utilise-le pour faire ressortir les groupes, repérer les doublons et les valeurs aberrantes, et examiner la répartition des partitions ou des classes dans tes données, sans quitter la galerie. Ouvre-le depuis l'icône du graphique en nuage de points dans la barre d'outils de la galerie, sur n'importe quelle page de jeu de données.

Exécuter l'analyse#

Démarre une analyse :

1. Ouvre un jeu de données et clique sur l'icône du graphique en nuage de points dans la barre d'outils de la galerie
2. Clique sur Analyze Dataset
3. Attends la fin de la barre de progression : les résultats apparaissent dans le même panneau

L'analyse s'exécute en arrière-plan en deux étapes, Computing embeddings et Clustering, et peut prendre quelques minutes selon la taille de ton jeu de données. Tu peux fermer le panneau ou quitter la page et revenir plus tard.

Visualisation#

Une fois l'analyse terminée, le panneau affiche un nuage de points 2D de toutes les images analysées, avec une légende et un compteur de points. Les filtres de la galerie (partition, classe, annotées/non annotées) estompent les points hors filtre afin que tu puisses te concentrer sur le sous-ensemble qui t'intéresse ; le compteur affiche alors visible / total points.

Colorer par#

Modifie la manière dont les points de données sont ombrés avec la liste déroulante Color by dans la barre d’outils du panneau. Change de mode d’affichage à tout moment : le graphique recolore instantanément les points pour te permettre de voir comment les partitions, les classes ou les propriétés des images sont réparties entre tes clusters :

Sélection au lasso#

Dessine une sélection de forme libre autour d’une région pour mettre en évidence les points du graphique. La galerie se filtre pour n’afficher que les images correspondantes, afin que tu puisses les examiner, réannoter, déplacer ou supprimer à l’aide des opérations sur les images habituelles.

Déplacement et zoom#

Navigue directement dans les nuages de points volumineux avec ta souris et ton clavier, ou avec les boutons de zoom situés en bas à gauche du graphique :

Nouvelle analyse#

Si ton jeu de données change après l’analyse — de nouvelles images sont ajoutées ou le nombre d’images analysées ne correspond plus au jeu de données — un bouton Re-analyze apparaît en haut du panneau pour les propriétaires et les éditeurs.

Clique sur Re-analyze pour recalculer les embeddings et la projection 2D depuis zéro.

Trouver des images similaires#

Les mêmes descripteurs (embeddings) alimentent la recherche de similarité dans les jeux de données publics. Dans un jeu de données que tu peux modifier, fais un clic droit sur une image dans la vue Grille (Grid) ou Compacte (Compact) (ou sur une seule ligne sélectionnée dans la vue Tableau (Table)) et choisis Trouver des images similaires. La boîte de dialogue liste jusqu'à 24 images publiques les plus proches avec leur jeu de données source, leur licence et leur score de similarité, en excluant les images que ton jeu de données contient déjà et les copies de l'image sélectionnée dans d'autres jeux de données. Sélectionne celles que tu veux et clique sur Ajouter au jeu de données : elles sont ajoutées à la division train en tant qu'images non étiquetées, décomptées de ton stockage, et prêtes pour l'annotation.

Une image sans descripteur — dans un jeu de données non encore analysé, ou ajouté depuis la dernière analyse — affiche Analyze this dataset in Clustering to find similar images. La boîte de dialogue n'est pas disponible sur les jeux de données connectés. Les diagnostics de validation par image d'un modèle exécutent la même recherche à partir de ses images aux moins bonnes performances.

Onglets du jeu de données#

Chaque page de jeu de données peut afficher jusqu’à six onglets, selon l’état du jeu de données et tes autorisations :

Onglet Images#

Vue par défaut affichant la galerie d’images avec les superpositions d’annotations. Elle prend en charge les modes d’affichage en grille, compact et tableau. Fais glisser et dépose des fichiers ici pour ajouter d’autres images.

Onglet Classes#

Cet onglet apparaît lorsque le jeu de données contient des images et que sa tâche comporte des classes.

Gère les classes d’annotation de ton jeu de données :

• Histogramme des classes : graphique à barres affichant le nombre d’annotations par classe, trié par fréquence, avec un basculement entre échelle linéaire et logarithmique
• Tableau des classes : tableau triable et interrogeable avec l’index, le nom, le nombre d’annotations et le nombre d’images
• Modifier les noms des classes : clique sur n’importe quel nom de classe pour le renommer directement
• Modifier les couleurs des classes : clique sur un échantillon de couleur pour modifier la couleur de la classe
• Ajouter une nouvelle classe : utilise le champ situé en bas pour ajouter des classes
• Fusionner des classes : sélectionne au moins deux lignes et clique sur Merge into one
• Supprimer des classes : sélectionne une ou plusieurs lignes et clique sur Delete

Fusionner des classes#

La fusion regroupe les étiquettes en double ou qui se chevauchent — par exemple, en regroupant car, automobile et vehicle en une seule classe :

1. Sélectionne au moins deux classes à l’aide des cases à cocher des lignes
2. Clique sur Merge into one dans l’en-tête du tableau, ou fais un clic droit sur la sélection
3. Choisis laquelle des classes sélectionnées sera la cible dans laquelle les autres seront fusionnées
4. Confirme

Chaque annotation appartenant aux classes sources est réattribuée à la classe cible, et les classes sources sont supprimées. Aucune annotation n’est supprimée, le nombre total d’annotations du jeu de données reste donc inchangé.

Supprimer des classes#

1. Sélectionne une ou plusieurs classes à l’aide des cases à cocher des lignes
2. Clique sur Delete dans l’en-tête du tableau, ou fais un clic droit sur la sélection
3. Confirme

La suppression d’une classe supprime la classe ainsi que toutes ses annotations. Pour les jeux de données de classification, les étiquettes sont supprimées, mais les images sont conservées et deviennent non annotées.

Onglet Graphiques#

Cet onglet apparaît lorsque le jeu de données contient des images.

Statistiques calculées automatiquement à partir de ton jeu de données :

Les graphiques apparaissent dans cet ordre, et chacun est omis lorsque le jeu de données ne contient aucune donnée correspondante — un jeu de données d’images brutes n’affiche aucun graphique d’annotations, et Points per Instance apparaît uniquement pour les données de segmentation et de pose :

Onglet Modèles#

Affiche tous les modèles entraînés sur ce jeu de données dans un tableau interrogeable :

Onglet des erreurs#

Cet onglet apparaît uniquement lorsqu'un ou plusieurs fichiers ne peuvent pas être traités.

Les images dont le traitement a échoué sont répertoriées ici avec :

• Bannière d'erreur : nombre total d'images ayant échoué et indications
• Tableau des erreurs : nom de fichier, description de l'erreur compréhensible, indications de correction et miniature d'aperçu
• Les erreurs courantes incluent les fichiers corrompus, les formats non pris en charge, les images trop petites (min. 28 px) et les modes colorimétriques non pris en charge

Onglet des versions#

Crée des instantanés NDJSON immuables de ton jeu de données pour garantir la reproductibilité de l'entraînement. Chaque version enregistre le nombre d'images, de classes et d'annotations, ainsi que la taille des fichiers au moment de sa création.

Pour créer une version :

1. Ouvre l'onglet Versions
2. Saisis éventuellement une description (par exemple, "500 images d'entraînement ajoutées" ou "Classes mal étiquetées corrigées")
3. Clique sur New Version
4. La nouvelle version apparaît dans le tableau

Chaque version est numérotée séquentiellement (v1, v2, v3...) et est immuable : les versions ne peuvent être ni modifiées ni supprimées, seules leurs descriptions peuvent être changées. Utilise les actions de la ligne pour télécharger ou restaurer n'importe quelle version à tout moment.

Exporter le jeu de données#

Exporte ton jeu de données pour une utilisation hors ligne en téléchargeant un fichier NDJSON depuis l'en-tête du jeu de données ou l'onglet Versions.

Pour exporter :

1. Clique sur le bouton Download (icône de téléchargement) dans l'en-tête du jeu de données
2. Télécharge directement l'instantané NDJSON actuel
3. Utilise l'onglet Versions lorsque tu veux un instantané numéroté et immuable que tu pourras télécharger à nouveau ultérieurement

Le format NDJSON stocke un objet JSON par ligne. La première ligne contient les métadonnées du jeu de données, suivies d'une ligne par image :

{"type": "dataset", "task": "detect", "name": "my-dataset", "description": "...", "bytes": 12345678, "url": "https://platform.ultralytics.com/...", "class_names": {"0": "person", "1": "car"}, "version": 1, "created_at": "2026-01-15T10:00:00Z", "updated_at": "2026-02-20T14:30:00Z"}
{"type": "image", "file": "img001.jpg", "url": "https://...", "width": 640, "height": 480, "split": "train", "metadata": {"location": {"site": "factory-1"}, "reviewed": true}, "annotations": {"boxes": [[0, 0.5, 0.5, 0.2, 0.3]]}}
{"type": "image", "file": "img002.jpg", "url": "https://...", "width": 1280, "height": 720, "split": "val"}

L'objet facultatif metadata au niveau de l'image est conservé lorsqu'un fichier NDJSON est importé dans la Platform. Tu peux l'inspecter ou le modifier depuis le panneau d'informations en plein écran de l'image. Pour les importations d'archives programmatiques, l'API Ingest Dataset Data accepte la mappe de chemins équivalente imageMetadata.

Les jeux de données de pose contiennent également un champ kpt_shape dans la ligne d'en-tête du jeu de données, déduit des annotations lorsqu'il n'est pas déjà défini.

Les exportations de profondeur déclarent "task": "depth" et "depth_scale": 1000 dans la ligne du jeu de données. Chaque ligne d'image inclut un depth.url pour son fichier PNG uint16 brut associé. Ultralytics télécharge simultanément les URL des images et de la profondeur, puis écrit un fichier YAML d'entraînement avec la même échelle ; le fichier NDJSON peut donc être transmis directement à model.train(data=...).

Consulte la documentation du format NDJSON d'Ultralytics pour connaître la spécification complète.

Opérations sur les images#

Actions rapides#

Fais un clic droit sur n'importe quelle image dans la vue Grid ou Compact pour accéder aux actions rapides :

Déplacement groupé vers une partition#

Réattribue les images sélectionnées à une autre partition du même jeu de données :

1. Passe à la vue Tableau
2. Sélectionne les images à l’aide des cases à cocher
3. Fais un clic droit pour ouvrir le menu contextuel
4. Choisis Move to split > Entraînement, Validation ou Test

Tu peux également faire glisser-déposer des images sur les onglets de filtre des répartitions en vue grille. Si le déplacement d’une image crée un conflit avec une image identique déjà présente dans la répartition cible, Platform te demande si tu veux l’ignorer, conserver les deux ou la remplacer.

Redistribution des répartitions#

Redistribue toutes les images entre les répartitions d’entraînement, de validation et de test à l’aide de ratios personnalisés :

1. Clique sur la barre de répartition dans la barre d’outils du jeu de données pour ouvrir la boîte de dialogue Redistribuer les répartitions
2. Ajuste les pourcentages des répartitions à l’aide de l’une des méthodes ci-dessous
3. Consulte l’aperçu en direct du nombre d’images pour confirmer la distribution
4. Clique sur Appliquer pour réaffecter aléatoirement toutes les images selon tes pourcentages

La boîte de dialogue propose trois façons de définir tes rapports de répartition cibles :

Un aperçu en direct indique exactement combien d’images seront affectées à chaque répartition avant l’application.

Suppression groupée#

Supprime plusieurs images à la fois :

1. Sélectionne les images dans la vue tableau
2. Fais un clic droit et choisis Delete, ou appuie sur Cmd/Ctrl+Delete
3. Confirme la suppression

URI du jeu de données#

Référence les jeux de données Platform à l’aide du format d’URI ul:// (voir Utiliser les jeux de données Platform) :

ul://username/datasets/dataset-slug

Tu peux également coller directement l’URL web d’un jeu de données ou d’un modèle (par exemple https://platform.ultralytics.com/username/datasets/dataset-slug) ; elle est automatiquement réécrite en URI ul://. Le passage d’une liste de jeux de données affine un modèle de base sur chacun d’eux successivement, par exemple model.train(data=["ul://username/datasets/a", "ul://username/datasets/b"]).

Utilise cette URI pour entraîner des modèles depuis n’importe où :

export ULTRALYTICS_API_KEY="YOUR_API_KEY"
yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100

Licences disponibles#

Platform prend en charge les licences suivantes pour les jeux de données :

Paramètres de visibilité#

Contrôle qui peut voir ton jeu de données :

La visibilité est définie lors de la création d’un jeu de données dans la boîte de dialogue New Dataset à l’aide d’un bouton bascule. Les jeux de données publics sont visibles sur la page Explore.

Modifier le jeu de données#

Les métadonnées du jeu de données se modifient directement en ligne sur la page du jeu de données — aucune boîte de dialogue n’est nécessaire :

• Nom : clique sur le nom du jeu de données pour le modifier. Les modifications sont enregistrées automatiquement lorsque le champ perd le focus ou avec Enter. Les noms sont limités à 100 caractères.
• Description : clique sur la description (ou sur l’espace réservé « Add a description... ») pour la modifier. Les modifications sont enregistrées automatiquement. Les descriptions sont limitées à 1 000 caractères.
• Type de tâche : clique sur le badge de la tâche pour sélectionner un autre type de tâche.
• Licence : clique sur le sélecteur de licence pour modifier la licence du jeu de données.
• Icône : clique sur l’icône du jeu de données pour téléverser ta propre image, promouvoir l’une des images du jeu de données au rang d’icône, ou choisir une lettre et une couleur.

Métadonnées personnalisées#

Ouvre Plus d’actions et sélectionne Informations pour consulter deux sections :

• Métadonnées Ultralytics : détails Platform en lecture seule, tels que l’identifiant du jeu de données, le propriétaire, la tâche, le nombre d’images et d’annotations, la région de stockage et les horodatages
• Métadonnées personnalisées : ton propre objet JSON pour la provenance, les conditions de capture, les identifiants client, la gouvernance ou d’autres données contextuelles

Les lecteurs de l’espace de travail peuvent consulter les métadonnées, tandis que les membres disposant d’un accès en modification peuvent remplacer l’objet de métadonnées personnalisées. L’objet de métadonnées sérialisé est limité à 500 000 caractères, et chaque clé de premier niveau est limitée à 128 caractères. Enregistre un objet vide ({}) pour effacer les métadonnées personnalisées.

Cloner le jeu de données#

Lorsque tu consultes un jeu de données public dont tu n’es pas propriétaire, clique sur Clone Dataset pour ouvrir la boîte de dialogue de clonage. Vérifie l’espace de travail de destination, le nom, la visibilité et la licence, puis confirme le clonage. La copie comprend toutes les images, annotations et définitions de classes. Les jeux de données sources publics restent publics par défaut dans les espaces de travail dont la visibilité par défaut est publique ; les clones dans les espaces de travail Enterprise sont privés par défaut. Si le jeu de données d’origine possède une licence copyleft, le clone en hérite et le sélecteur de licence est verrouillé.

Le slug de destination est renommé automatiquement s’il est déjà utilisé, et le clonage nécessite un quota de stockage restant suffisant pour héberger la copie.

Ajouter aux favoris et partager#

• Ajouter aux favoris : clique sur le bouton en forme d’étoile pour ajouter un jeu de données aux favoris. Le nombre d’ajouts aux favoris est visible par tous les utilisateurs.
• Partager : pour les jeux de données publics, clique sur le bouton de partage pour copier un lien, récupérer un extrait d’intégration ou partager sur les plateformes sociales.

Supprimer le jeu de données#

Supprime un jeu de données dont tu n’as plus besoin :

1. Ouvre Plus d’actions (le bouton …) dans l’en-tête du jeu de données
2. Choisis Supprimer le jeu de données
3. Confirme dans la boîte de dialogue : "Cela déplacera [name] dans la corbeille. Tu peux le restaurer dans les 30 jours."

Le même menu contient Informations, qui ouvre la boîte de dialogue des métadonnées décrite dans Métadonnées personnalisées, ainsi que Actualiser, qui relit le dataset depuis le serveur.

Entraîner sur un dataset#

Lance l'entraînement directement depuis ton dataset :

1. Clique sur New Model sur la page du dataset
2. Sélectionne un projet ou crée-en un nouveau
3. Configure les paramètres d'entraînement
4. Lance l'entraînement

graph LR
    A[Dataset]:::start --> B[New Model]:::proc
    B --> C[Select Project]:::proc
    C --> D[Configure]:::proc
    D --> E[Start Training]:::out

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

Consulte Entraînement dans le cloud pour plus de détails.

FAQ#