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 des 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 diverses 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 seras dirigé vers la page d'accueil d'Ultralytics Platform, qui fournit une carte de bienvenue avec des statistiques sur ton espace de travail, un accès rapide aux jeux de données, projets et au stockage, ainsi qu'un flux d'activité récent.

Navigation latérale#

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

Carte de bienvenue#

La carte de bienvenue affiche en un coup d'œil ton profil, ton badge de plan et les statistiques de ton espace de travail :

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.
• Projets : Crée un nouveau projet ou dépose des fichiers de modèle .pt pour les télécharger. 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, modèles et entraînements.

Recherche globale#

Appuie sur Cmd+K (Mac) ou Ctrl+K (Windows/Linux) pour ouvrir la barre de recherche. Recherche instantanément parmi les pages, projets, jeux de données et 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 Relancer la visite — Clique sur ton avatar de profil (en bas à gauche de la barre latérale) pour ouvrir le menu utilisateur, puis sélectionne Relancer la visite. Cela réinitialise toutes les visites afin qu'elles se relancent lors de ta prochaine visite dans chaque section.
• Paramètre d'URL — Navigue vers platform.ultralytics.com/home?tour=nav pour redémarrer la visite guidée de la navigation directement.

Téléverse ton premier jeu de données#

Navigue vers Annotate dans la barre latérale et clique sur New Dataset pour ajouter tes données d'entraînement. Tu peux aussi faire glisser et déposer des fichiers directement sur la carte Datasets du tableau de bord Home.

Ultralytics Platform prend en charge plusieurs formats d'importation (tous les détails dans Datasets) :

graph LR
    A[Drop Files]:::start --> B[Auto-Package ZIP]:::proc
    B --> C[Upload to Storage]:::proc
    C --> D[Backend Worker]:::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/

Lis en 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 les modèles et expériences associés. Accède à Projets et clique sur New Project.

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.

Lis en plus sur les projects.

Entraîne ton premier modèle#

Depuis ton projet, clique sur New Model pour démarrer un entraînement dans le cloud.

Configuration de l'entraînement#

1. Sélectionner le jeu de données : Choisis un jeu de données prêt avec au moins une image d'entraînement, au moins une image de validation ou de test, et au moins une image étiquetée
2. Choisir le modèle : Sélectionne un modèle de base - les modèles officiels Ultralytics ou tes propres modèles entraînés
3. Définir les époques : Nombre d'itérations d'entraînement (par défaut : 100)
4. Sélectionne un GPU : Choisis tes ressources de calcul en fonction de ton budget et de la taille de ton modèle. Le choix par défaut est le RTX PRO 6000 (96 Go Blackwell, 2,09 $/h), qui gère toutes les variantes de YOLO26. Consulte le tableau tarifaire des GPU complet ou l'étape Cloud Training GPU pour obtenir la liste complète et les niveaux d'accès.

Surveiller l'entraînement#

Une fois l'entraînement démarré, tu peux surveiller la progression en temps réel via trois sous-onglets :

Les métriques sont diffusées en temps réel via SSE (Server-Sent Events). Une fois l'entraînement terminé, des graphiques de validation sont générés, notamment la matrice de confusion, les courbes PR et les courbes F1.

Lis en 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. Téléverse une image, glisse et dépose, ou utilise des images d'exemple (auto-inférence lors du dépôt)
3. Affiche les superpositions de prédiction adaptées à la tâche et la réponse JSON brute

Ajuste les paramètres d'inférence :

L'onglet Predict affiche également un exemple de code de déploiement. Déploie d'abord le modèle, puis remplace l'URL de substitution et la clé par les valeurs de ton point de terminaison :

import requests

url = "https://your-deployment-url.run.app/predict"
headers = {"Authorization": "Bearer YOUR_API_KEY"}

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

print(response.json())

Lis en 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. Sélectionne une région sur la carte du monde interactive (42 régions disponibles)
3. La carte affiche des mesures de latence en temps réel avec des couleurs sur un gradient du vert au rouge (une latence plus faible est plus verte, une latence plus élevée est plus rouge)
4. Clique sur Deploy 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 dans la barre latérale, qui affiche une carte mondiale avec les déploiements actifs, les indicateurs de vue d'ensemble et une liste de tous les points de terminaison.

Lis en 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.

1. Génère une clé API dans Settings > API Keys
2. Définis la variable d'environnement et entraîne avec un format project/name :

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 dans le pied de page de la barre latérale inclut un formulaire de commentaires intégré. Tu peux évaluer ton expérience, choisir un type de commentaire (bug, demande de fonctionnalité ou général) et joindre des captures 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 : Parcours ces docs pour des guides détaillés sur les datasets, l'annotation, l'entraînement, le déploiement et la facturation
• Discord : Rejoins notre communauté Discord pour des discussions
• GitHub : Signale des problèmes sur GitHub
• REST API : Consulte la référence de l'API ou essaie les docs interactives de l'API pour un accès programmatique à toutes les fonctionnalités de la Plateforme