Guide de démarrage rapide d’Ultralytics Platform#

Ultralytics Platform fournit un workflow guidé pour importer des jeux de données, entraîner de nouveaux modèles YOLO à partir de poids préentraînés, tester les modèles terminés dans le navigateur et configurer des endpoints d’inférence dédiés.

Le diagramme interactif suivant présente les quatre étapes principales du workflow d’Ultralytics Platform. Clique sur une étape ou une 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

Premiers pas#

Ultralytics Platform propose différentes options d’inscription simples. Tu peux t’inscrire et te connecter avec ton compte Google ou GitHub, ou avec ton adresse e-mail.

Sélection de la région#

Lors de l’intégration, tu devras sélectionner ta région de données. Platform mesure automatiquement la latence vers chaque région et recommande la plus proche. Ce choix détermine où sont stockés tes jeux de données, tes modèles et tes données d’entraînement gérées. Les régions des endpoints dédiés sont sélectionnées séparément lors du déploiement d’un modèle.

Crédits gratuits#

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

Complète ton profil#

Le processus d’intégration te guide en trois étapes :

1. Profil - Saisis ton nom d’affichage, ton nom d’utilisateur unique (permanent et non modifiable ultérieurement), ton organisation (facultatif) et ton cas d’utilisation principal
2. Région de données - Sélectionne US, EU ou AP à l’aide d’une carte du monde indiquant visuellement la latence
3. Terminer - Vérifie tes sélections, applique éventuellement un code promotionnel et finalise ton inscription pour bénéficier de tes crédits de bienvenue

Tableau de bord d’accueil#

Après t’être connecté, tu es dirigé vers la page d’accueil d’Ultralytics Platform, qui présente 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 Platform :

Chaque section de contenu répertorie tes cinq éléments les plus récents et fournit un lien vers les autres. Le survol d’un élément affiche 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, le badge de ton 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 correspondante de l’espace de travail :

Actions rapides#

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

• Datasets : crée un nouveau jeu de données ou dépose des images, des vidéos ou des fichiers de jeu de données à importer. Affiche tes jeux de données récents.
• Projects : crée un nouveau projet ou dépose des fichiers de modèles .pt à importer. Affiche tes projets récents.
• Storage : vue d’ensemble de ton utilisation du stockage (jeux de données, modèles, exports) et des limites de ton forfait.

Un tableau Recent Activity en bas de page affiche tes jeux de données, projets et déploiements les plus récents, avec leur état 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. Effectue instantanément des recherches dans les pages, projets, jeux de données et déploiements.

Assistant de chat IA#

Clique sur Ask AI pour travailler avec un agent d'IA qui automatise les tâches sur la plateforme Ultralytics. L'agent d'IA travaille directement avec tes jeux de données et tes modèles pour annoter des images, exécuter des expériences d'entraînement, comparer des résultats, et exporter ou déployer des modèles. Consulte AutoTrain with Ask AI pour des exemples de requêtes et la configuration pour ton propre agent de codage.

Visites guidées de l’intégration#

Platform inclut des visites guidées qui présentent les fonctionnalités principales lorsque tu explores les différentes sections :

Redémarrer les visites guidées#

Pour rejouer une 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 guidées afin qu'elles soient rejouées lors de ta prochaine visite de chaque section.
• Paramètre d'URL — Ajoute ?tour= avec l'identifiant de la visite guidée 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.

Importer ton premier jeu de données#

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

La boîte de 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 importations prennent en charge plusieurs formats (tous les détails 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 l'importation, la plateforme traite automatiquement tes données :

1. Les images de plus de 4096 px sont redimensionnées (en conservant leurs proportions)
2. Des miniatures de 256 px sont générées pour accélérer la navigation
3. Les labels YOLO, COCO et Ultralytics NDJSON sont analysés et validés
4. Les statistiques sont calculées (répartition 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 jeux de données et les formats pris en charge pour detect, segment, pose, OBB et classify.

Créer ton premier projet#

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

Saisis un nom et une description optionnelle. 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 projets.

Entraîner ton premier modèle#

Depuis ton projet, clique sur New Model pour ouvrir la boîte de dialogue Entraîner un nouveau modèle. Tu peux également commencer depuis une page de jeu de données ; dans ce cas, le jeu de données est prédéfini et tu choisis plutôt le projet de destination.

Configuration de l'entraînement#

1. Modèle de base : sélectionne les poids officiels Ultralytics ou l'un de tes modèles entraînés. La boîte de dialogue t'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 à l'emploi contenant au moins une image d'entraînement, au moins une image de validation ou de test et au moins une image annotée
3. Paramètres : définis le nombre d'époques (100 par défaut), la taille du batch (vide signifie automatique), la taille des images (640 par défaut) et un nom d'exécution facultatif. Développe les paramètres avancés pour modifier tout autre argument d'entraînement Ultralytics dans un éditeur YAML.
4. Sélectionner un GPU : dans l'onglet Entraînement Cloud, choisis les ressources de calcul en fonction de ton budget et de la taille du modèle. La valeur par défaut est RTX PRO 6000 (96 Go Blackwell, 2,09 $/h), qui prend en charge toutes les variantes de YOLO26. Consulte le tableau complet des tarifs des GPU ou l'étape GPU de l'entraînement Cloud pour obtenir la liste complète et les conditions d'accès par niveau.
5. Démarrer l'entraînement : vérifie 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 dans 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 l'entraînement Cloud.

Tester ton modèle#

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

1. Accède à l'onglet Predict de ton modèle
2. Importe une image, fais-la glisser-déposer, capture-en une avec ta webcam ou clique sur une image d'exemple (inférence automatique lors du dépôt)
3. Affiche les superpositions de prédictions adaptées à la tâche, les temps par étape (prétraitement, inférence, post-traitement, réseau) et la réponse JSON brute

Ajuste les paramètres d'inférence :

Sous Documentation de l'API, l'onglet Predict affiche un exemple de code en Python, JavaScript et cURL, prérempli avec les paramètres sélectionnés ci-dessus. Déploie d'abord le modèle, puis remplace l'URL et la clé d'espace réservé par les valeurs de ton endpoint :

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'inférence.

Déployer en production#

Déploie ton modèle sur un endpoint dédié pour l'utiliser en production :

1. Accède à l'onglet Deploy de ton modèle
2. La Platform mesure la latence vers les 42 régions et les représente sur une carte du monde, avec un dégradé du vert au rouge (une latence plus faible est plus verte, une latence plus élevée est plus rouge)
3. Dans le tableau Latence par région situé sous la carte — trié par latence depuis ton emplacement — trouve la région souhaitée. Utilise Rescan pour effectuer une nouvelle mesure à tout moment.
4. Clique sur Deploy dans cette ligne pour créer ton endpoint

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 endpoint fournit :

• URL unique : endpoint HTTPS pour les appels API
• Mise à l'échelle jusqu'à zéro : les endpoints inactifs sont réduits à zéro (les déploiements exécutent actuellement une seule instance active)
• Surveillance : métriques et journaux des requêtes

Après le déploiement, tu peux gérer tous tes endpoints 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 (nombre total de requêtes, déploiements actifs, taux d'erreur et latence P95) ainsi que la liste de chaque endpoint.

En savoir plus sur les endpoints.

Entraînement à distance (facultatif)#

Si tu préfères entraîner tes modèles sur ton propre matériel, tu peux utiliser ta clé API pour entraîner tes modèles où que tu sois et diffuser les métriques vers Ultralytics Platform.

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

Pour construire toi-même la commande :

1. Génère une clé API dans Settings > API Keys
2. Définis la variable d'environnement et entraîne ton modèle 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 clés API, les URI de jeux de données et l'entraînement à distance.

Commentaires et aide#

La page Aide située dans le pied de page de la barre latérale rassemble des liens vers la documentation, des présentations vidéo et des ressources communautaires, et comprend un formulaire de commentaires intégré à l'application. 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 d'aide supplémentaire :

• Chat AI : clique sur le widget de chat flottant de n'importe quelle page pour obtenir une aide instantanée
• Documentation : consulte cette documentation pour découvrir des guides détaillés sur les jeux de données, l'annotation, l'entraînement, le déploiement et la facturation
• Discord : rejoins notre communauté Discord pour participer aux discussions
• GitHub : signale les problèmes sur GitHub
• REST API et Python SDK : consulte la référence de l'API, installe le client ultralytics-platform ou essaie la documentation interactive de l'API pour accéder par programmation à toutes les fonctionnalités de la plateforme

FAQ#