Démarrage rapide avec Ultralytics Platform#

Ultralytics Platform fournit un flux de travail guidé pour importer des jeux de données, entraîner de nouveaux modèles YOLO à partir de poids pré-entraînés, tester les modèles terminés dans le navigateur et configurer des points de terminaison d'inférence dédiés.

Le diagramme interactif suivant présente les quatre étapes principales du flux de travail d'Ultralytics Platform. Clique sur n'importe quelle étape ou sous-étape pour accéder aux instructions détaillées correspondantes.

graph LR
    A(Sign Up):::start --> B(Prepare Data):::proc --> C(Train):::proc --> D(Deploy):::out
    A -.- A1["<a href='#get-started'>Create account</a><br/><a href='#region-selection'>Select region</a>"]:::proc
    B -.- B1["<a href='#upload-your-first-dataset'>Upload dataset</a><br/><a href='#create-your-first-project'>Create Project</a>"]:::proc
    C -.- C1["<a href='#training-configuration'>Configure training</a><br/><a href='#monitor-training'>Monitor progress</a>"]:::proc
    D -.- D1["<a href='#test-your-model'>Test model</a><br/><a href='#deploy-to-production'>Deploy endpoint</a>"]:::proc

    click A "#get-started"
    click B "#upload-your-first-dataset"
    click C "#train-your-first-model"
    click D "#deploy-to-production"

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

Démarrer#

Ultralytics Platform propose plusieurs options d'inscription faciles. Tu peux t'inscrire et te connecter en utilisant tes comptes Google ou GitHub, ou avec ton adresse e-mail.

Sélection de la région#

Pendant l'intégration, il te sera demandé de sélectionner ta région de données. La Platform mesure automatiquement la latence vers chaque région et recommande la plus proche. Ce choix détermine l'endroit où tes jeux de données, tes modèles et tes données d'entraînement gérées sont stockés. Les régions des points de terminaison dédiés sont sélectionnées séparément lorsque tu déploies un modèle.

Crédits gratuits#

Chaque nouveau compte reçoit des crédits gratuits pour l'entraînement sur GPU cloud :

Complète ton profil#

Le processus d'intégration te guide à travers trois étapes :

1. Profil - Saisis ton nom d'affichage, ton nom d'utilisateur unique (permanent, ne peut pas être modifié plus tard), ton organisation (facultatif) et ton cas d'utilisation principal
2. Région de données - Sélectionne US, EU ou AP avec une carte du monde visuelle indiquant la latence
3. Terminer - Vérifie tes sélections, applique éventuellement un code promotionnel et termine l'inscription pour réclamer tes crédits de bienvenue

Tableau de bord d'accueil#

Après t'être connecté, tu es dirigé vers la page d'accueil de Ultralytics Platform, qui propose une carte de bienvenue avec les statistiques de l'espace de travail, une vidéo de présentation, un accès rapide aux jeux de données, aux projets et au stockage, ainsi qu'un fil d'activité récente.

Navigation latérale#

La barre latérale donne accès à toutes les sections de la Platform :

Chaque section de contenu liste tes cinq éléments les plus récents avec un lien vers le reste. Le survol d'un élément révèle une action de suppression qui le déplace vers la Corbeille ; la Corbeille elle-même est accessible depuis la recherche (Cmd+K) ou en ouvrant platform.ultralytics.com/trash.

Carte de bienvenue#

La carte de bienvenue affiche ton profil, ton badge de forfait (qui renvoie vers la comparaison des forfaits) et les statistiques de ton espace de travail en un coup d'œil. Chaque statistique renvoie vers la vue d'espace de travail correspondante :

Actions rapides#

Sous la carte de bienvenue, le tableau de bord affiche trois cartes :

• Jeux de données : Crée un nouveau jeu de données ou dépose des images, vidéos ou fichiers de jeu de données pour les télécharger. Affiche tes jeux de données récents.
• Projects : Crée un nouveau projet ou dépose des fichiers de modèle .pt à importer. Affiche tes projets récents.
• Stockage : Aperçu de ton utilisation du stockage (jeux de données, modèles, exportations) avec les limites de ton plan.

Un tableau Activité récente en bas affiche tes derniers jeux de données, projets et déploiements avec leur statut et l'heure de leur dernière mise à jour.

Recherche globale#

Appuie sur Cmd+K (Mac) ou Ctrl+K (Windows/Linux) pour ouvrir la barre de recherche. Recherche instantanément dans les pages, les projets, les jeux de données et les déploiements.

Assistant IA#

Un widget de chat flottant est disponible sur chaque page. Clique dessus pour poser des questions sur l'entraînement YOLO, l'annotation, le déploiement ou toute autre fonctionnalité de la Platform. L'assistant fournit une aide contextuelle basée sur la page actuelle.

Visites guidées d'intégration#

La Platform inclut des visites guidées qui présentent les fonctionnalités clés au fur et à mesure que tu explores les différentes sections :

Relancer les visites guidées#

Pour revoir n'importe quelle visite guidée :

• Bouton Refaire la visite — Clique sur ton avatar de profil (en bas à gauche de la barre latérale) pour ouvrir le menu du compte, puis sélectionne Refaire la visite. Cela réinitialise toutes les visites pour qu'elles se relancent lors de ta prochaine visite dans chaque section.
• Paramètre URL — Ajoute ?tour= avec l'identifiant de la visite pour en redémarrer une directement : ?tour=nav sur la page d'accueil, ?tour=project sur une page de projet, ou ?tour=dataset sur une page de jeu de données.

Téléverse ton premier jeu de données#

Ouvre Annotate dans la barre latérale et clique sur + pour créer un nouveau jeu de données. Tu peux aussi glisser-déposer des fichiers directement sur la carte des jeux de données du tableau de bord d'accueil.

Le dialogue Nouveau jeu de données propose quatre sources. Ce guide de démarrage rapide utilise Télécharger ; les autres sont abordés dans Jeux de données et Intégrations :

Les téléchargements prennent en charge plusieurs formats (détails complets dans Jeux de données) :

graph LR
    A[Drop Files]:::start --> B[Auto-Package ZIP]:::proc
    B --> C[Upload to Storage]:::proc
    C --> D[Process Data]:::proc
    D --> E[Resize & Thumbnail]:::proc
    E --> F[Parse Labels]:::proc
    F --> G[Compute Statistics]:::proc
    G --> H[Dataset Ready]:::out

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

Après le téléversement, la plateforme traite automatiquement tes données :

1. Les images plus grandes que 4096px sont redimensionnées (en préservant le rapport hauteur/largeur)
2. Des miniatures de 256px sont générées pour une navigation rapide
3. Les étiquettes YOLO, COCO et Ultralytics NDJSON sont analysées et validées
4. Les statistiques sont calculées (distribution des classes, cartes thermiques, dimensions)

my-dataset.zip
├── data.yaml          # Class names and splits
├── train/
│   ├── images/
│   │   ├── img001.jpg
│   │   └── img002.jpg
│   └── labels/
│       ├── img001.txt
│       └── img002.txt
└── val/
    ├── images/
    └── labels/

En savoir plus sur les datasets et les formats pris en charge pour detect, segment, pose, OBB et classify.

Crée ton premier projet#

Les projets t'aident à organiser tes modèles et expériences associés. Ouvre Train dans la barre latérale et clique sur + pour créer un projet. Tu peux aussi déposer des poids .pt sur la carte des projets du tableau de bord d'accueil pour créer un projet et les importer en une seule étape.

Saisis un nom et une description facultative. Les projets organisent les exécutions de modèles et les poids de modèles importés ou clonés, avec des graphiques pour comparer les résultats d'entraînement terminés.

En savoir plus sur les projects.

Entraîne ton premier modèle#

Depuis ton projet, clique sur New Model pour ouvrir le dialogue Entraîner un nouveau modèle. Tu peux aussi commencer à partir d'une page de jeu de données, auquel cas le jeu de données est verrouillé et tu choisis le projet de destination à la place.

Configuration de l'entraînement#

1. Modèle de base : Sélectionne des poids Ultralytics officiels ou l'un de tes propres modèles entraînés. Le dialogue avertit si la tâche du modèle et celle du jeu de données ne correspondent pas.
2. Jeu de données : Choisis un jeu de données prêt contenant au moins une image d'entraînement, au moins une image de validation ou de test, et au moins une image étiquetée
3. Paramètres : Définis le nombre d'Époques (100 par défaut), la Taille du lot (laisser vide signifie automatique), la Taille de l'image (640 par défaut) et un Nom de cycle optionnel. Développe Paramètres avancés pour modifier tout autre argument d'entraînement Ultralytics dans un éditeur YAML.
4. Sélectionner le GPU : Sur l'onglet Entraînement sur le Cloud, choisis la puissance de calcul en fonction de ton budget et de la taille de ton modèle. Le choix par défaut est RTX PRO 6000 (96 Go Blackwell, 2,09 $/h), qui gère toutes les variantes de YOLO26. Consulte le tableau des tarifs GPU complet ou l'étape GPU d'entraînement sur le Cloud pour obtenir la liste complète et les restrictions par niveau.
5. Lancer l'entraînement : Examine le coût et la durée estimés à côté de ton solde de crédits, puis clique sur Start Training.

Surveiller l'entraînement#

Une fois l'entraînement démarré, ouvre l'onglet Train du modèle pour suivre la progression en temps réel à travers trois sous-onglets :

Les métriques sont diffusées en temps réel via SSE (Server-Sent Events). Une fois que les artefacts de validation existent, le sous-onglet Graphiques se divise en vues Entraînement et Validation, avec la matrice de confusion, les courbes PR et les courbes F1 sous Validation.

En savoir plus sur le cloud training.

Teste ton modèle#

Une fois l'entraînement terminé, teste ton modèle directement dans le navigateur :

1. Navigue vers l'onglet Predict de ton modèle
2. Télécharge une image, fais-la glisser et dépose-la, capture-en une depuis ta webcam ou clique sur une image d'exemple (inférence automatique au dépôt)
3. Affiche les superpositions de prédiction adaptées à la tâche, les durées par étape (prétraitement, inférence, post-traitement, réseau) et la réponse JSON brute

Ajuste les paramètres d'inférence :

Sous Documents de l'API, l'onglet Predict présente un exemple de code en Python, JavaScript et cURL, pré-rempli avec les paramètres que tu as sélectionnés ci-dessus. Déploie d'abord le modèle, puis remplace l'URL et la clé fictives par les valeurs de ton point de terminaison :

import requests

url = "https://your-deployment-url.run.app/predict"
api_key = "YOUR_API_KEY"
args = {"conf": 0.25, "iou": 0.7, "imgsz": 640}

with open("image.jpg", "rb") as f:
    response = requests.post(
        url,
        headers={"Authorization": f"Bearer {api_key}"},
        data=args,
        files={"file": f},
    )

print(response.json())

En savoir plus sur l'inference.

Déploie en production#

Déploie ton modèle sur un point de terminaison dédié pour une utilisation en production :

1. Navigue vers l'onglet Deploy de ton modèle
2. La Platform mesure la latence vers les 42 régions et les trace sur une carte du monde, colorées selon un gradient du vert au rouge (une latence plus faible est plus verte, une latence plus élevée est plus rouge)
3. Dans le tableau Latence des régions situé sous la carte — trié par latence depuis ton emplacement — trouve la région de ton choix. Utilise Rescan pour refaire une mesure à tout moment.
4. Clique sur Deploy sur cette ligne pour créer ton point de terminaison

graph LR
    A[Select Region]:::start --> B[Deploy]:::proc
    B --> C[Provisioning]:::proc
    C --> D[Running]:::out
    D --> E{Lifecycle}:::decide
    E --> F[Stop]:::error
    E --> G[Delete]:::error
    F --> H[Resume]:::proc
    H --> D

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,color:#fff
    classDef error fill:#F44336,color:#fff

Une fois le provisionnement terminé, ton point de terminaison fournit :

• URL unique : Point de terminaison HTTPS pour les appels API
• Comportement de mise à l'échelle à zéro : Les points de terminaison inactifs passent à zéro (les déploiements exécutent actuellement une seule instance active)
• Surveillance : Métriques de demande et journaux

Après le déploiement, tu peux gérer tous tes points de terminaison depuis la section Deploy de la barre latérale. Le tableau de bord des déploiements affiche une carte mondiale avec tes déploiements actifs, les métriques sur 24 heures (total des requêtes, déploiements actifs, taux d'erreur et latence P95), ainsi que la liste de tous les points de terminaison.

En savoir plus sur les endpoints.

Entraînement distant (Optionnel)#

Si tu préfères t'entraîner sur ton propre matériel, tu peux utiliser ta clé API pour t'entraîner n'importe où et diffuser des métriques vers Ultralytics Platform.

Le moyen le plus rapide est l'onglet Entraînement local dans le dialogue d'entraînement : il génère la commande complète pour ton modèle, ton jeu de données et tes paramètres sélectionnés, et intègre une clé API (en créant une si tu n'en as pas encore). Copie-la et exécute-la dans ton terminal.

Pour assembler toi-même la commande :

1. Génère une clé API dans Settings > API Keys
2. Définis la variable d'environnement et lance l'entraînement avec une valeur username/project pour project :

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

yolo train model=yolo26n.pt data=coco.yaml epochs=100 project=username/my-project name=exp1

En savoir plus sur les API keys, les dataset URIs et le remote training.

Commentaires et aide#

La page Aide dans le pied de page de la barre latérale rassemble des liens vers la documentation, des didacticiels vidéo et des ressources communautaires, et comprend un formulaire de commentaires intégré. Tu peux évaluer ton expérience de 1 à 5 étoiles, choisir un type de commentaire (Bug, Fonctionnalité ou Général) et joindre une capture d'écran.

Si tu as besoin de plus d'aide :

• AI Chat : Clique sur le widget de chat flottant sur n'importe quelle page pour une aide instantanée
• Documentation : Parours ces documents pour des guides détaillés sur les datasets, l'annotation, l'training, le deployment et la billing
• Discord : Rejoins notre Discord community pour les discussions
• GitHub : Signale des problèmes sur GitHub
• API REST et SDK Python : consulte la référence de l'API, installe le client ultralytics-platform, ou essaie les documents de l'API interactive pour un accès programmatique à toutes les fonctionnalités de Platform