Preparazione dei Dati
La preparazione dei dati è la base per modelli di visione artificiale di successo. La Piattaforma Ultralytics fornisce strumenti completi per la gestione dei dati di training, dal caricamento all'annotazione, fino all'analisi.
Guarda: Inizia a utilizzare Ultralytics - Dati
Panoramica
La sezione Dati della Piattaforma Ultralytics ti aiuta a:
- Caricamento immagini, video e file di set di dati (ZIP, TAR, tra cui
.tar.gz/.tgz, NDJSON) - Annota con strumenti di disegno manuale e etichettatura intelligente basata su SAM — scegli tra SAM 2.1 o il nuovo SAM 3
- Analizzare i tuoi dati con statistiche e visualizzazioni
- Esporta in formato NDJSON per l'addestramento locale
Flusso di Lavoro
graph LR
A[Upload] --> B[Annotate]
B --> C[Analyze]
C --> D[Train]
style A fill:#4CAF50,color:#fff
style B fill:#2196F3,color:#fff
style C fill:#FF9800,color:#fff
style D fill:#9C27B0,color:#fff| Fase | Descrizione |
|---|---|
| Caricamento | Importa immagini, video o archivi con elaborazione automatica |
| Annota | Etichetta i dati con strumenti manuali per tutti i 5 tipi di attività, oppure usa l'annotazione SAM per detect, segment e OBB |
| Analizza | Visualizza distribuzioni di classe, heatmap spaziali e statistiche dimensionali |
| Esportazione | Scarica in formato NDJSON per uso offline |
Attività supportate
La Piattaforma Ultralytics supporta tutti i 5 tipi di task YOLO:
| Task | Descrizione | Strumento di Annotazione |
|---|---|---|
| Rileva | Object detection con bounding box | Strumento rettangolo |
| Segmentazione | Instance segmentation con maschere di pixel | Strumento poligono |
| Posa | Stima dei punti chiave con modelli di scheletro predefiniti e personalizzati | Strumento keypoint |
| OBB | Bounding box orientate per oggetti ruotati | Strumento box orientato |
| Classificazione | Classificazione a livello di immagine | Selettore di classe |
Selezione del Tipo di Task
Il tipo di attività viene impostato durante la creazione di un dataset e determina quali strumenti di annotazione sono disponibili. È possibile modificarlo in seguito dalle impostazioni del dataset, ma le annotazioni incompatibili non verranno visualizzate dopo il cambio.
Caratteristiche principali
Archiviazione Intelligente
La piattaforma Ultralytics utilizza il Content-Addressable Storage (CAS) per una gestione efficiente dei dati:
- Deduplicazione: Immagini identiche archiviate una sola volta tramite hashing XXH3-128
- Integrità: L'indirizzamento basato su hash garantisce l'integrità dei dati
- Efficienza: Archiviazione ottimizzata e elaborazione rapida
URI dei Dataset
Riferisci i dataset usando il ul:// Formato URI (vedi Utilizzo dei dataset della piattaforma):
yolo train data=ul://username/datasets/my-dataset
Ciò consente l'addestramento sui dataset della piattaforma da qualsiasi macchina con la tua chiave API configurata.
Utilizzare i dati della piattaforma da Python
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
model.train(data="ul://username/datasets/my-dataset", epochs=100)
Versionamento del Dataset
Crea istantanee NDJSON immutabili del tuo dataset per un addestramento riproducibile. Ogni versione acquisisce il conteggio di immagini, classi e annotazioni al momento della creazione. Vedi la scheda Versioni per i dettagli.
Schede del Dataset
Ogni pagina del dataset fornisce sei schede:
| Scheda | Descrizione |
|---|---|
| Immagini | Sfoglia le immagini in visualizzazione a griglia, compatta o a tabella con overlay di annotazioni |
| Classi | Visualizza e modifica i nomi delle classi, i colori e il conteggio delle etichette per classe |
| Grafici | Statistiche automatiche: distribuzione dello split, conteggi delle classi, heatmap |
| Modelli | Modelli addestrati su questo dataset con metriche e stato |
| Versioni | Crea e scarica istantanee NDJSON immutabili per un addestramento riproducibile |
| Errori | Immagini la cui elaborazione è fallita, con dettagli sull'errore e indicazioni per la correzione |
Statistiche e Visualizzazione
Il Charts scheda fornisce un'analisi automatica che include:
- Distribuzione dello Split: Grafico a ciambella dei conteggi delle immagini di train/val/test
- Classi Principali: Grafico a ciambella delle classi di annotazione più frequenti
- Larghezze delle immagini: Istogramma della distribuzione delle larghezze delle immagini
- Altezze Immagine: Istogramma della distribuzione dell'altezza delle immagini
- Punti per Istanza: Distribuzione del conteggio dei vertici del poligono o dei keypoint (dataset di segment/pose)
- Posizioni delle annotazioni: Heatmap 2D delle posizioni centrali dei bounding box
- Dimensioni Immagine: Heatmap 2D di larghezza vs altezza con linee guida per il rapporto d'aspetto
Link Rapidi
- Dataset: Carica, gestisci ed esporta i tuoi dati di addestramento
- Annotazione: Dati di etichettatura con strumenti manuali e assistiti dall'IA
- Addestramento su Cloud: Addestra modelli sui tuoi dataset annotati
- URI del Dataset: Usa
ul://URI per allenarsi ovunque
FAQ
Quali formati di file sono supportati per il caricamento?
La Piattaforma Ultralytics supporta:
Immagini: JPEG, PNG, WebP, BMP, TIFF, HEIC, AVIF, JP2, DNG, MPO (max 50MB ciascuna)
Video: MP4, WebM, MOV, AVI, MKV, M4V (max 1GB, frame estratti a 1 FPS, max 100 frame)
File dei set di dati: archivi ZIP o TAR contenenti .tar.gz e .tgz (max 10GB su Free, 20GB su Pro, 50GB su Enterprise) contenente immagini con opzionali Etichette YOLO, più esportazioni NDJSON
Qual è la dimensione massima del dataset?
I limiti di archiviazione dipendono dal tuo piano:
| Piano | Limite di Archiviazione |
|---|---|
| Gratuito | 100 GB |
| Pro | 500 GB |
| Enterprise | Illimitato |
Limiti per singolo file: immagini 50 MB, video 1 GB, set di dati 10 GB nella versione gratuita / 20 GB nella versione Pro / 50 GB nella versione Enterprise
Posso usare i miei dataset della Piattaforma per il training locale?
Sì! Usa il formato URI del dataset per il training locale:
export ULTRALYTICS_API_KEY="YOUR_API_KEY"
yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100
import os
os.environ["ULTRALYTICS_API_KEY"] = "YOUR_API_KEY"
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
model.train(data="ul://username/datasets/my-dataset", epochs=100)
Oppure esporta il tuo dataset in formato NDJSON per un addestramento completamente offline.
