Jeux de données#

Les jeux de données Ultralytics Platform offrent une solution rationalisée pour gérer tes données d'entraînement. Après le téléchargement, la plateforme traite automatiquement les images, les étiquettes et les statistiques.

Un jeu de données est prêt à être entraîné une fois le traitement terminé et s'il contient au moins une image dans la division train, au moins une image dans l'une ou l'autre des divisions val ou test, et au moins une image étiquetée. L'en-tête du jeu de données affiche un badge Ready lorsque ces trois conditions sont remplies, et un badge Not Ready dans le cas contraire — clique sur le badge pour voir exactement quelle condition manque.

Charger un dataset#

Ultralytics Platform accepte plusieurs formats de chargement pour plus de flexibilité.

Formats pris en charge#

Prise en charge des codecs vidéo#

L'extension de fichier seule ne suffit pas : une vidéo peut toujours 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

Préparation de ton dataset#

La plateforme prend en charge Ultralytics YOLO, COCO, des 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 étiquettes font référence à des ID de classe mais qu'aucun nom de classe n'est fourni, la plateforme génère des noms de substitution denses (class0, class1, …) que tu pourras renommer plus tard dans l'onglet Classes.

Pour connaître les détails des formats spécifiques aux tâches, consulte les tâches prises en charge et la vue d'ensemble des jeux de données.

Processus de chargement#

Pour créer un dataset :

1. Navigue vers Annotate dans la barre latérale
2. Clique sur New Dataset
3. Sélectionne un onglet de source de données (consulte la section Sources de données ci-dessous)
4. Ajoute un nom — l'identifiant URL est dérivé automatiquement et peut être modifié — ainsi qu'une description optionnelle
5. Sélectionne le type de tâche (consulte les tâches prises en charge), une licence optionnelle (consulte 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 à vide

Pour ajouter des fichiers à un jeu de données existant, ouvre sa page et fais glisser 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 car la tâche du jeu de données est déjà définie.

Sources de données#

La boîte de dialogue New Dataset propose quatre sources :

Avant le début du téléchargement#

La plateforme valide tes fichiers dans le navigateur avant de télécharger quoi que ce soit, de sorte que les problèmes courants apparaissent immédiatement plutôt qu'après un long transfert. Les archives sont vérifiées pour détecter la corruption, le vide, la protection par mot de passe et les erreurs de syntaxe YAML, et les fichiers surdimensionnés sont répertoriés par leur nom.

Deux boîtes de dialogue peuvent alors apparaître :

Après le téléchargement, la plateforme traite tes données automatiquement :

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 (max 4096 px, dimension min 28 px), conversion des niveaux de gris en RVB, aplatissement de la transparence sur fond blanc et application de l'orientation EXIF
3. Miniatures : Aperçus WebP 256px générés
4. Analyse des étiquettes : Extraction des étiquettes YOLO, COCO et NDJSON
5. Statistiques : Distributions des classes et dimensions des images calculées

from ultralytics.data.utils import check_det_dataset

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

Parcourir les images#

Visualise les images de ton dataset dans plusieurs mises en page.

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 une navigation efficace :

Visionneuse plein écran#

Clique sur n'importe quelle image pour ouvrir la visionneuse plein écran avec :

• Navigation : Touches fléchées ou aperçus miniatures pour parcourir
• Informations sur l'image : Examine les propriétés générées par la plateforme, les métadonnées personnalisées et les métadonnées de fichier intégrées telles que l'EXIF
• Métadonnées personnalisées : Les propriétaires et les éditeurs peuvent ajouter ou remplacer un objet JSON, comprenant des valeurs imbriquées jusqu'à 500 000 caractères sérialisés et des clés de niveau supérieur jusqu'à 128 caractères
• Annotations : Basculer la visibilité de la superposition d'annotations
• Répartition par classe : Nombre d'étiquettes par classe avec indicateurs colorés
• Annotate : Lorsque tu as les droits de modification, les contrôles d'annotation sont actifs immédiatement dès que la visionneuse plein écran s'ouvre sur le bureau
• Télécharger : Télécharge le fichier image original
• 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 la vue : Cmd/Ctrl + 0 ou le bouton de réinitialisation pour adapter l'image à la visionneuse
• Panoramique : Maintiens la touche Space enfoncée et fais glisser pour déplacer le canevas lorsque tu as zoomé
• Vue pixel : Active le rendu pixélisé pour une inspection détaillée
• Curtain de profondeur : sur les datasets de profondeur, un séparateur déplaçable bascule entre l'image RGB et sa carte de profondeur colorisée

Filtrer par séparation (split)#

Filtrer les images par leur séparation 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 regroupées. Utilise-le pour faire surface aux clusters, repérer les doublons et les valeurs aberrantes, et inspecter la façon dont les divisions ou les classes sont réparties dans tes données, sans quitter la galerie. Ouvre-le depuis l'icône du graphique de dispersion dans la barre d'outils de la galerie sur n'importe quelle page de jeu de données.

Exécution de l'analyse#

Lancer une analyse :

1. Ouvre un jeu de données et clique sur l'icône de graphique en nuage de points dans la barre d'outils de la galerie
2. Clique sur Analyze Dataset
3. Attends que la barre de progression se termine — 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 y 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 (division, classe, étiqueté/non étiqueté) atténuent les points hors filtre pour te permettre de te concentrer sur le sous-ensemble qui t'intéresse — le compteur indique alors visible / total points.

Colorer par#

Modifie la façon dont les points de données sont colorés à l'aide du menu déroulant Color by dans la barre d'outils du panneau. Change de mode d'affichage à tout moment : le graphique se recolore instantanément pour que tu puisses voir comment les divisions, les classes ou les propriétés des images sont réparties dans tes clusters :

Sélection au lasso#

Trace une sélection libre autour d'une région pour mettre en valeur des points sur le graphique. La galerie filtre les images correspondantes afin que tu puisses les inspecter, les réétiqueter, les déplacer ou les supprimer à l'aide des opérations sur les images habituelles.

Déplacer et zoomer#

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

Ré-analyser#

Si ton jeu de données change après l'analyse — de nouvelles images arrivent, 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 à partir de zéro.

Onglets de 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#

La vue par défaut affichant la galerie d'images avec des superpositions d'annotations. Prend en charge les modes d'affichage grille, compact et tableau. Fais glisser et dépose des fichiers ici pour ajouter plus d'images.

Onglet Classes#

Cet onglet apparaît lorsque le dataset contient des images et que sa tâche possède des classes.

Gérer les classes d'annotation pour ton jeu de données :

• Histogramme des classes : Graphique à barres indiquant le nombre d'annotations par classe, trié par fréquence, avec un sélecteur d'échelle linéaire/logarithmique
• Tableau des classes : Tableau triable et interrogeable comprenant 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 changer la couleur de la classe
• Ajouter une nouvelle classe : utilise le champ de saisie en bas pour ajouter des classes
• Fusionner des classes : Sélectionne deux lignes ou plus et clique sur Merge into one
• Supprimer des classes : Sélectionne une ou plusieurs lignes et clique sur Delete

Fusionner des classes#

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

1. Sélectionne deux classes ou plus 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 est la cible dans laquelle les autres fusionnent
4. Confirmer

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

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 demeurent, devenant ainsi non étiquetées.

Onglet Graphiques#

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

Statistiques automatiques calculées à partir de ton jeu de données :

Les graphiques s'affichent dans cet ordre, et chacun d'eux est omis lorsque le jeu de données ne contient aucune donnée correspondante — un jeu de données d'images brutes ne présente aucun graphique d'annotation, et Points per Instance n'apparaît que 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 Erreurs#

Cet onglet n'apparaît que lorsqu'un ou plusieurs fichiers échouent au traitement.

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

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

Onglet Versions#

Crée des instantanés NDJSON immuables de ton jeu de données pour un entraînement reproductible. Chaque version capture le nombre d'images, le nombre de classes, le nombre d'annotations et la taille du fichier au moment de la création.

Pour créer une version :

1. Ouvre l'onglet Versions
2. Optionnellement, saisis une description (par exemple, "Ajout de 500 images d'entraînement" ou "Correction d'annotations mal étiquetées")
3. Clique sur Nouvelle version
4. La nouvelle version apparaît dans le tableau

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

Exporter le Dataset#

Exporte ton jeu de données pour une utilisation hors ligne avec un téléchargement 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 l'instantané NDJSON actuel directement
3. Utilise l'onglet Versions quand tu souhaites un instantané numéroté immuable que tu peux retélécharger plus tard

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

Les jeux de données de pose comportent 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 PNG uint16 simple associé. Ultralytics télécharge simultanément les URL des images et de la profondeur et écrit un fichier YAML d'entraînement avec la même échelle, de sorte que le fichier NDJSON puisse être transmis directement à model.train(data=...).

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

Opérations sur les images#

Actions rapides#

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

Déplacement en masse vers une division#

Réassigne les images sélectionnées à une division différente au sein 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 > Train, Validation ou Test

Tu peux également glisser et déposer des images sur les onglets de filtre de division en mode grille. Si le déplacement d'une image entre en collision avec une image identique déjà présente dans la division cible, la plateforme demande s'il faut ignorer, conserver les deux ou remplacer.

Redistribution des divisions#

Redistribue toutes les images entre les divisions d'entraînement, de validation et de test en utilisant des ratios personnalisés :

1. Clique sur la barre de division dans la barre d'outils du jeu de données pour ouvrir la boîte de dialogue Redistribuer les divisions
2. Ajuste les pourcentages de division en utilisant l'une des méthodes ci-dessous
3. Vérifie l'aperçu en direct du nombre d'images pour confirmer la distribution
4. Clique sur Appliquer pour réassigner aléatoirement toutes les images selon tes pourcentages

La boîte de dialogue propose trois façons de définir tes proportions de division cibles :

Un aperçu en direct montre exactement combien d'images atterriront dans chaque division avant que tu n'appliques les changements.

Suppression en masse#

Supprime plusieurs images en une seule 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#

Fais référence aux jeux de données de la plateforme en utilisant le format d'URI ul:// (voir Utilisation des jeux de données de la plateforme) :

ul://username/datasets/dataset-slug

Tu peux aussi coller directement une URL web de jeu de données ou de modèle (par exemple https://platform.ultralytics.com/username/datasets/dataset-slug) ; elle est automatiquement convertie vers l'URI ul://. Transmettre une liste de jeux de données permet d'affiner un modèle de base sur chacun d'eux en série, par exemple model.train(data=["ul://username/datasets/a", "ul://username/datasets/b"]).

Utilise cet 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#

La 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 sont éditées en ligne directement sur la page du jeu de données — aucune boîte de dialogue nécessaire :

• Nom : Clique sur le nom du jeu de données pour le modifier. Les modifications sont enregistrées automatiquement lors de la perte de focus ou de Enter. Les noms sont limités à 100 caractères.
• Description : Clique sur la description (ou sur le texte fictif "Ajouter une 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 tâche pour sélectionner un type de tâche différent.
• Licence : Clique sur le sélecteur de licence pour changer la licence du jeu de données.
• Icône : Clique sur l'icône du jeu de données pour importer ta propre image, promouvoir l'une des images du jeu de données en tant qu'icône, ou choisir une lettre et une couleur.

Métadonnées personnalisées#

Ouvre Plus d'actions et sélectionne Informations pour examiner deux sections :

• Métadonnées Ultralytics : Détails de la Platform en lecture seule tels que l'ID du dataset, le propriétaire, la tâche, les nombres 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 ID clients, la gouvernance ou d'autres données contextuelles

Les spectateurs de l'espace de travail peuvent inspecter 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 niveau supérieur est limitée à 128 caractères. Enregistre un objet vide ({}) pour effacer les métadonnées personnalisées.

Cloner un dataset#

Lors de la consultation d'un jeu de données public qui ne t'appartient pas, 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 d'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 pris, et le clonage nécessite suffisamment de quota de stockage restant pour contenir la copie.

Mettre en favori et partager#

• Mettre en favori (Star) : Clique sur le bouton étoile pour ajouter un jeu de données à tes favoris. Le nombre d'étoiles 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 de code d'intégration ou partager sur les réseaux sociaux.

Supprimer le Dataset#

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 : "Ceci déplacera [name] vers la corbeille. Tu pourras le restaurer dans un délai de 30 jours."

Le même menu contient Informations, qui ouvre la boîte de dialogue de métadonnées décrite dans Métadonnées personnalisées, et Actualiser, qui recharge le jeu de données depuis le serveur.

Entraîner sur un jeu de données#

Lance l'entraînement directement depuis ton jeu de données :

1. Clique sur New Model sur la page du jeu de données
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 Cloud Training pour plus de détails.

FAQ#