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.
Panoramica
La sezione Dati della Piattaforma Ultralytics ti aiuta a:
- Carica immagini, video e archivi (ZIP, TAR, GZ)
- 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 di keypoint (formato COCO a 17 punti) | 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 e gestisci i tuoi dati di addestramento
- Annotazione: Dati di etichettatura con strumenti manuali e assistiti dall'IA
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 1 GB, fotogrammi estratti a 1 FPS, max 100 fotogrammi)
Archivi: ZIP, TAR, TAR.GZ, TGZ, GZ (max 10GB) contenenti immagini con etichette in formato YOLO opzionali
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 file individuali: Immagini 50MB, Video 1GB, Archivi 10GB
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_key"
yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100
import os
os.environ["ULTRALYTICS_API_KEY"] = "your_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.
