Preparazione dei dati#
La preparazione dei dati è la base di modelli di computer vision di successo. Ultralytics Platform offre strumenti completi per gestire i tuoi dati di formazione, dal caricamento all'annotazione e all'analisi.
Watch: Get Started with Ultralytics Platform - Data
Panoramica#
La sezione Dati di Ultralytics Platform ti aiuta a:
- Carica immagini, video e file di dataset (ZIP, TAR inclusi
.tar.gz/.tgz, NDJSON) - Importa da un URL incollando un collegamento diretto a un archivio o a un export NDJSON, oppure da Roboflow
- Collega Google Cloud Storage, Amazon S3 o Azure Blob Storage e usa i tuoi dati direttamente sul posto senza caricare una copia
- Mantieni i pixel on premise con worker CPU/GPU Enterprise On Premise
- Annota con strumenti di disegno manuale ed etichettatura intelligente basata su SAM — scegli tra SAM 2.1 o il nuovo SAM 3
- Gestisci le classi rinominandole, ricolorandole, unendole ed eliminandole nell'intero dataset
- Analizza i tuoi dati con statistiche, visualizzazioni e clustering basato su embedding
- Esporta in NDJSON format per l'addestramento locale
Workflow#
graph LR
A[Upload]:::start --> B[Annotate]:::proc
B --> D[Train]:::out
B --> C[Analyze]:::proc
classDef start fill:#4CAF50,color:#fff
classDef proc fill:#2196F3,color:#fff
classDef out fill:#9C27B0,color:#fff| Fase | Descrizione |
|---|---|
| Upload | Importa immagini, video o archivi con elaborazione automatica |
| Annota | Etichetta i dati con strumenti manuali o usa l'annotazione SAM per detect, segment, semantic e OBB |
| Analizzare | Visualizza distribuzioni delle classi, mappe di calore spaziali, statistiche dimensionali e cluster di embedding |
| Esporta | Scarica in NDJSON format per l'uso offline |
Attività supportate#
I dataset di Ultralytics Platform supportano tutti i 7 tipi di task di YOLO:
| Compito | Descrizione | Strumento di annotazione |
|---|---|---|
| Rilevamento | Object detection con bounding box | Strumento rettangolo |
| Segmentazione | Instance segmentation con maschere di pixel | Strumento poligono |
| Semantica | Semantic segmentation con regioni di pixel per classe | Strumento poligono |
| Depth | Mappe di profondità metrica per pixel | Target importati |
| Classificazione | Classificazione a livello di immagine | Selettore di classe |
| Posa | Keypoint estimation con template di scheletro predefiniti e personalizzati | Strumento keypoint |
| OBB | Oriented bounding boxes per oggetti ruotati | Strumento riquadro orientato |
Il tipo di attività viene impostato durante la creazione di un dataset e determina quali strumenti di annotazione sono disponibili. Puoi modificarlo in seguito dal selettore di attività nell'intestazione del dataset, ma le annotazioni incompatibili non verranno visualizzate dopo il passaggio. Il passaggio a o dalla profondità è consentito solo mentre il dataset è vuoto — vedi Edit Dataset.
Caratteristiche principali#
Smart Storage#
Ultralytics Platform gestisce lo spazio di archiviazione in modo efficiente:
- Deduplicazione: Le immagini identiche nella stessa regione di dati vengono memorizzate una sola volta
- Integrità: Viene verificata l'integrità dei dati per i caricamenti
- Efficienza: archiviazione ottimizzata ed elaborazione rapida
URI del dataset#
Fai riferimento ai dataset usando il formato URI ul:// (vedi Using Platform Datasets):
yolo train data=ul://username/datasets/my-datasetCiò consente l'addestramento sui dataset della piattaforma da qualsiasi macchina con la tua API key configurata.
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
model.train(data="ul://username/datasets/my-dataset", epochs=100)Versionamento dei dataset#
Crea istantanee NDJSON immutabili del tuo dataset per un addestramento riproducibile. Ciascuna versione acquisisce conteggi di immagini, conteggi di classi e conteggi di annotazioni al momento della creazione. Vedi Versions Tab per i dettagli.
Schede Dataset#
Le pagine del dataset possono mostrare fino a sei tab, a seconda dello stato del dataset e dei tuoi permessi:
| Scheda | Descrizione |
|---|---|
| Immagini | Sfoglia le immagini in vista griglia, compatta o tabella con sovrapposizioni di annotazioni |
| Classes | Visualizza, rinomina, ricolora, unisci ed elimina le classi con i conteggi delle etichette per classe |
| Grafici | Statistiche automatiche: distribuzione degli split, conteggi delle classi, mappe di calore |
| Modelli | Models addestrati su questo dataset con metriche e stato |
| Versioni | Crea, scarica e ripristina snapshot NDJSON immutabili per la riproducibilità |
| Errori | Immagini che non sono state elaborate con dettagli sull'errore e guida alla risoluzione |
Classes appare quando il dataset ha immagini e la sua attività ha classi, mentre Charts appare ogni volta che ha immagini. Errors appare solo quando esistono errori di elaborazione. Versions appare quando hai accesso in modifica, o in modalità di sola lettura quando esistono già versioni.
Clustering#
Esplora il tuo dataset come un grafico a dispersione 2D interattivo in cui le immagini visivamente simili si trovano vicine, utile per far emergere cluster, duplicati e valori anomali, e per ispezionare come le suddivisioni o le classi siano distribuite nei tuoi dati. Seleziona un'area del grafico per filtrare la galleria su quelle immagini. L'analisi richiede tra 20 e 200.000 immagini prive di errori. Vedi Clustering per i dettagli.
Statistiche e visualizzazione#
La scheda Charts fornisce un'analisi automatica che include:
- Distribuzione degli split: grafico a ciambella dei conteggi delle immagini train/val/test
- Classi Principali: Grafico a ciambella delle 10 classi di annotazione più frequenti
- Dimensioni immagine: istogramma della distribuzione di larghezza e altezza delle immagini (in pixel)
- Dimensioni immagine 2D: mappa di calore 2D della larghezza rispetto all'altezza con linee guida per il rapporto d'aspetto
- Posizioni delle annotazioni: mappa di calore 2D delle posizioni centrali dei bounding box
- Punti per istanza: distribuzione del conteggio dei vertici del poligono o dei keypoint (dataset segment/pose)
Vedi la scheda Grafici per l'elenco completo.
Link rapidi#
- Datasets: Carica, gestisci ed esporta i tuoi dati di addestramento
- Annotation: Etichetta i dati con strumenti manuali e assistiti da IA
- Cloud Training: Addestra modelli sui tuoi dataset annotati
- Dataset URI: Usa gli URI
ul://per addestrare da qualsiasi luogo
FAQ#
Ultralytics Platform supporta:
Immagini: JPEG, PNG, WebP, BMP, TIFF, HEIC, AVIF, JP2, DNG, MPO (max 50MB ciascuna)
Video: MP4, WebM, MOV, MKV, M4V (max 1GB, fotogrammi estratti a 1 FPS, max 100 fotogrammi)
File del dataset: Archivi ZIP o TAR che includono
.tar.gze.tgz(max 10GB su Free, 20GB su Pro, 50GB su Enterprise) contenenti immagini con etichette opzionali in formato YOLO o COCO JSON, oltre a export NDJSONOgnuno di questi formati di archivio o NDJSON può anche essere importato incollando un link HTTP(S) diretto nella scheda
URLdella finestra di dialogoNew Dataset. Le etichette XML Pascal VOC vengono rilevate ma non importate.I limiti di archiviazione dipendono dal tuo piano:
Piano Limite di archiviazione Gratuito 100 GB Pro 500 GB Enterprise Illimitato Limiti per file singolo: immagini 50MB, video 1GB, dataset 10GB su Free / 20GB su Pro / 50GB su Enterprise
Sì! Usa il formato URI del dataset per fare training localmente:
export ULTRALYTICS_API_KEY="YOUR_API_KEY" yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100Oppure esporta il tuo dataset in NDJSON format per trasferirne metadati, suddivisioni, annotazioni e URL di immagini firmati.