Dataset#

I dataset della Ultralytics Platform offrono una soluzione semplificata per gestire i tuoi dati di addestramento. Dopo il caricamento, la piattaforma elabora automaticamente immagini, etichette e statistiche.

Un dataset è pronto per l'addestramento al termine dell'elaborazione e quando contiene almeno un'immagine nello split train, almeno un'immagine nello split val o test e almeno un'immagine etichettata. L'intestazione del dataset mostra un badge Ready quando tutte e tre le condizioni sono soddisfatte e un badge Not Ready negli altri casi: fai clic sul badge per vedere esattamente quale condizione manca.

Raccogli immagini con gli Agenti#

Usa gli Agents per aggiungere immagini a un dataset quando il rilevamento di un modello soddisfa una condizione, come la confidenza entro un intervallo scelto. Collega la condizione a un blocco Dataset e seleziona una destinazione che puoi modificare. Le immagini arrivano non etichettate nello split train; le copie esistenti vengono saltate. Esaminale ed etichettale con il editor di annotazioni esistente.

Carica dataset#

Ultralytics Platform accetta diversi formati di caricamento per offrirti maggiore flessibilità.

Formati supportati#

Supporto dei codec video#

La sola estensione del file non è sufficiente: un video può comunque non essere elaborato se il relativo codec non può essere decodificato durante l'elaborazione.

ffmpeg -i input.mov \
  -c:v libx264 -pix_fmt yuv420p \
  -c:a aac -movflags +faststart \
  output.mp4

Preparazione del dataset#

La Platform supporta Ultralytics YOLO, COCO, maschere PNG semantiche, dataset di profondità, Ultralytics NDJSON e caricamenti grezzi (non annotati):

my-dataset/
├── images/
│   ├── train/
│   │   ├── img001.jpg
│   │   └── img002.jpg
│   └── val/
│       ├── img003.jpg
│       └── img004.jpg
├── labels/
│   ├── train/
│   │   ├── img001.txt
│   │   └── img002.txt
│   └── val/
│       ├── img003.txt
│       └── img004.txt
└── data.yaml

# data.yaml
path: .
train: images/train
val: images/val

names:
    0: person
    1: car
    2: dog

Se le etichette fanno riferimento agli ID delle classi ma non vengono forniti i nomi delle classi, la Platform genera nomi segnaposto densi (class0, class1, …) che puoi rinominare in seguito nella scheda Classi.

Per informazioni dettagliate sui formati specifici delle attività, consulta le attività supportate e la panoramica dei dataset.

Processo di caricamento#

Per creare un dataset:

1. Vai a Annotate nella barra laterale
2. Fai clic su New Dataset
3. Seleziona una scheda per la fonte dei dati (consulta Fonti dei dati di seguito)
4. Aggiungi un nome — lo slug dell'URL viene ricavato automaticamente e può essere modificato — oltre a una descrizione facoltativa
5. Seleziona il tipo di attività (consulta le attività supportate), una licenza facoltativa (consulta le licenze disponibili) e la visibilità (pubblica o privata)
6. Fai clic su Create & Upload per i file locali, su Create & Import per un URL o una fonte connessa oppure su Create Dataset per iniziare da vuoto

Per aggiungere file a un set di dati esistente, apri la pagina del set di dati e trascina i file nella galleria oppure fai clic sull'icona di caricamento nell'intestazione della pagina. L'icona di caricamento apre direttamente il selettore di file nativo del tuo browser perché l'attività del set di dati è già definita.

Fonti dei dati#

La finestra di dialogo New Dataset offre quattro fonti:

Prima dell'inizio del caricamento#

La Platform convalida i file nel browser prima di caricare qualsiasi elemento, così i problemi comuni vengono rilevati immediatamente anziché dopo un lungo trasferimento. Gli archivi vengono controllati per verificare corruzione, assenza di contenuti, protezione tramite password ed errori di sintassi YAML, mentre i file troppo grandi vengono elencati per nome.

Potrebbero quindi essere visualizzate due finestre di dialogo:

Dopo il caricamento, la piattaforma elabora automaticamente i tuoi dati:

graph LR
    A[Upload]:::start --> B[Validate]:::proc
    B --> C[Normalize]:::proc
    C --> D[Thumbnail]:::proc
    D --> E[Parse Labels]:::proc
    E --> F[Statistics]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

1. Convalida: controlli del formato e delle dimensioni
2. Normalizzazione: le immagini grandi vengono ridimensionate (massimo 4096px, dimensione minima 28px), le immagini in scala di grigi vengono convertite in RGB, la trasparenza viene appiattita su uno sfondo bianco e l'orientamento EXIF viene applicato
3. Miniature: vengono generate anteprime WebP da 256px
4. Analisi delle etichette: vengono estratte le etichette YOLO, COCO e NDJSON
5. Statistiche: vengono calcolate le distribuzioni delle classi e le dimensioni delle immagini

from ultralytics.data.utils import check_det_dataset

check_det_dataset("path/to/data.yaml")

Sfoglia le immagini#

Visualizza le immagini del tuo dataset in diversi layout.

Apri il pannello Clustering dalla barra degli strumenti della galleria per esplorare il tuo dataset come grafico a dispersione interattivo 2D.

Ordinamento e filtri#

Le immagini possono essere ordinate e filtrate per una consultazione efficiente:

Visualizzatore a schermo intero#

Fai clic su un'immagine qualsiasi per aprire il visualizzatore a schermo intero, che offre:

• Navigazione: tasti freccia o anteprime per sfogliare le immagini
• Informazioni sull'immagine: esamina le proprietà generate dalla piattaforma, i metadati personalizzati e i metadati incorporati nel file, come EXIF
• Metadati personalizzati: i proprietari e gli editor possono aggiungere o sostituire un oggetto JSON, inclusi valori annidati fino a 500.000 caratteri serializzati e chiavi di primo livello fino a 128 caratteri
• Annotazioni: attiva o disattiva la visibilità della sovrapposizione delle annotazioni
• Dettaglio delle classi: conteggi delle etichette per classe con indicatori colorati
• Annota: quando disponi dell'accesso alla modifica, i controlli delle annotazioni sono attivi immediatamente all'apertura del visualizzatore a schermo intero su desktop
• Scarica: scarica il file immagine originale
• Elimina: elimina l'immagine dal dataset
• Zoom: Cmd/Ctrl+Scroll, Cmd/Ctrl++ o Cmd/Ctrl+= per ingrandire e Cmd/Ctrl+- per ridurre
• Reimposta visualizzazione: Cmd/Ctrl + 0 o il pulsante di reimpostazione per adattare l'immagine al visualizzatore
• Panoramica: tieni premuto Space e trascina per spostarti sulla tela quando hai applicato lo zoom
• Visualizzazione dei pixel: attiva o disattiva il rendering pixelato per un'ispezione ravvicinata
• Tendina della profondità: nei dataset di profondità, un divisore trascinabile alterna l'immagine RGB e la relativa mappa di profondità colorizzata

Filtra per suddivisione#

Filtra le immagini in base alla suddivisione del dataset:

Clustering#

Il pannello Clustering proietta il tuo dataset in un grafico a dispersione interattivo 2D, in cui le immagini visivamente simili sono vicine tra loro. Usalo per individuare cluster, duplicati e valori anomali e per esaminare la distribuzione delle suddivisioni o delle classi nei tuoi dati, senza uscire dalla galleria. Aprilo dall'icona del grafico a dispersione nella barra degli strumenti della galleria, in qualsiasi pagina del dataset.

Esecuzione dell'analisi#

Avvia un'analisi:

1. Apri un dataset e fai clic sull'icona del grafico a dispersione nella barra degli strumenti della galleria
2. Fai clic su Analyze Dataset
3. Attendi il completamento della barra di avanzamento: i risultati vengono visualizzati nello stesso pannello

L'analisi viene eseguita in background in due fasi, Computing embeddings e Clustering, e può richiedere alcuni minuti a seconda delle dimensioni del dataset. Puoi chiudere il pannello o lasciare la pagina e tornare in un secondo momento.

Visualizzazione#

Al termine dell'analisi, il pannello mostra un grafico a dispersione 2D di tutte le immagini analizzate, con una legenda e un contatore dei punti. I filtri della galleria (suddivisione, classe, con etichette/senza etichette) attenuano i punti fuori filtro, così puoi concentrarti sul sottoinsieme che ti interessa; il contatore mostra quindi visible / total points.

Colore per#

Modifica il modo in cui vengono colorati i punti dati con il menu a discesa Color by nella barra degli strumenti del pannello. Cambia modalità di visualizzazione in qualsiasi momento: il grafico cambia colore istantaneamente, così puoi vedere come split, classi o proprietà delle immagini sono distribuiti nei cluster:

Selezione con lazo#

Disegna una selezione libera intorno a una regione per evidenziare i punti nel grafico. La galleria si filtra mostrando le immagini corrispondenti, così puoi esaminarle, riassegnare le etichette, spostarle o eliminarle usando le consuete operazioni sulle immagini.

Panoramica e zoom#

Esplora direttamente i grafici a dispersione di grandi dimensioni con mouse e tastiera oppure usando i pulsanti dello zoom in basso a sinistra del grafico:

Rianalisi#

Se il dataset cambia dopo l'analisi, ad esempio arrivano nuove immagini o il numero analizzato non corrisponde più al dataset, nella parte superiore del pannello viene visualizzato un pulsante Re-analyze per proprietari ed editor.

Fai clic su Re-analyze per ricalcolare da zero gli embedding e la proiezione 2D.

Trova immagini simili#

Gli stessi embedding alimentano la ricerca di somiglianza tra i dataset pubblici. In un dataset che puoi modificare, fai clic con il pulsante destro del mouse su un'immagine nella vista Griglia o Compatta (o su una singola riga selezionata nella vista Tabella) e scegli Trova immagini simili. La finestra di dialogo elenca fino a 24 delle immagini pubbliche più vicine con il relativo dataset di origine, licenza e punteggio di somiglianza, escludendo le immagini già presenti nel tuo dataset e le copie dell'immagine selezionata in altri dataset. Seleziona quelle che desideri e fai clic su Aggiungi al dataset: vengono aggiunte allo split train come immagini non etichettate, conteggiate ai fini dello spazio di archiviazione e pronte per l'annotazione.

Un'immagine priva di embedding — in un dataset non ancora analizzato o aggiunto dopo l'ultima analisi — mostra Analyze this dataset in Clustering to find similar images. La finestra di dialogo non è disponibile sui dataset connessi. La diagnostica di convalida per immagine di un modello esegue la stessa ricerca partendo dalle immagini con le prestazioni peggiori.

Schede del dataset#

Ogni pagina del dataset può mostrare fino a sei schede, a seconda dello stato del dataset e delle tue autorizzazioni:

Scheda Immagini#

La vista predefinita mostra la galleria di immagini con le sovrapposizioni delle annotazioni. Supporta le modalità di visualizzazione a griglia, compatta e tabella. Trascina qui i file per aggiungere altre immagini.

Scheda Classi#

Questa scheda viene visualizzata quando il dataset contiene immagini e la relativa attività dispone di classi.

Gestisci le classi di annotazione del tuo dataset:

• Istogramma delle classi: grafico a barre che mostra il numero di annotazioni per classe, ordinato per frequenza, con un'opzione per alternare la scala lineare/logaritmica
• Tabella delle classi: tabella ordinabile e ricercabile con indice, nome, numero di annotazioni e numero di immagini
• Modifica i nomi delle classi: fai clic su qualsiasi nome di classe per rinominarlo direttamente
• Modifica i colori delle classi: fai clic su un campione di colore per modificare il colore della classe
• Aggiungi una nuova classe: usa il campo in fondo per aggiungere classi
• Unisci le classi: seleziona due o più righe e fai clic su Merge into one
• Elimina le classi: seleziona una o più righe e fai clic su Delete

Unione delle classi#

L'unione consolida le etichette duplicate o sovrapposte, ad esempio raggruppando car, automobile e vehicle in un'unica classe:

1. Seleziona due o più classi usando le caselle di controllo delle righe
2. Fai clic su Merge into one nell'intestazione della tabella oppure fai clic con il pulsante destro del mouse sulla selezione
3. Scegli quale delle classi selezionate sarà la destinazione in cui verranno unite le altre
4. Conferma

Ogni annotazione appartenente alle classi di origine viene riassegnata alla classe di destinazione e le classi di origine vengono rimosse. Nessuna annotazione viene eliminata, quindi il numero totale di annotazioni del dataset rimane invariato.

Eliminazione delle classi#

1. Seleziona una o più classi usando le caselle di controllo delle righe
2. Fai clic su Delete nell'intestazione della tabella oppure fai clic con il pulsante destro del mouse sulla selezione
3. Conferma

L'eliminazione di una classe rimuove la classe e tutte le sue annotazioni. Per i dataset di classificazione, le etichette vengono rimosse ma le immagini rimangono e diventano prive di annotazioni.

Scheda Grafici#

Questa scheda viene visualizzata quando il dataset contiene immagini.

Statistiche automatiche calcolate dal tuo dataset:

I grafici vengono visualizzati in questo ordine e ciascuno viene omesso quando il dataset non contiene dati per quel grafico: un dataset di immagini grezze non mostra grafici delle annotazioni e Points per Instance viene visualizzato solo per dati di segmentazione e posa:

Scheda Modelli#

Visualizza tutti i modelli addestrati su questo dataset in una tabella consultabile:

Scheda Errori#

Questa scheda viene visualizzata solo quando uno o più file non riescono a essere elaborati.

Le immagini la cui elaborazione non è riuscita sono elencate qui con:

• Banner di errore: numero totale di immagini non elaborate e indicazioni
• Tabella degli errori: nome del file, descrizione dell'errore comprensibile, suggerimenti per la correzione e miniatura di anteprima
• Gli errori comuni includono file danneggiati, formati non supportati, immagini troppo piccole (min 28px) e modalità colore non supportate

Scheda Versioni#

Crea snapshot NDJSON immutabili del tuo dataset per un addestramento riproducibile. Ogni versione registra il numero di immagini, il numero di classi, il numero di annotazioni e la dimensione del file al momento della creazione.

Per creare una versione:

1. Apri la scheda Versions
2. Inserisci facoltativamente una descrizione (ad es. "Aggiunte 500 immagini di addestramento" o "Corrette classi con etichette errate")
3. Fai clic su New Version
4. La nuova versione viene visualizzata nella tabella

Ogni versione è numerata in sequenza (v1, v2, v3...) ed è immutabile: le versioni non possono essere modificate o rimosse; è possibile cambiare solo le relative descrizioni. Utilizza le azioni della riga per scaricare o ripristinare qualsiasi versione in qualsiasi momento.

Esporta dataset#

Esporta il tuo dataset per l'uso offline scaricando un file NDJSON dall'intestazione del dataset o dalla scheda Versions.

Per esportare:

1. Fai clic sul pulsante Download (icona di download) nell'intestazione del dataset
2. Scarica direttamente lo snapshot NDJSON corrente
3. Utilizza la scheda Versions quando vuoi uno snapshot numerato e immutabile che potrai scaricare nuovamente in seguito

Il formato NDJSON memorizza un oggetto JSON per riga. La prima riga contiene i metadati del set di dati, seguiti da una riga per ogni immagine:

{"type": "dataset", "task": "detect", "name": "my-dataset", "description": "...", "bytes": 12345678, "url": "https://platform.ultralytics.com/...", "class_names": {"0": "person", "1": "car"}, "version": 1, "created_at": "2026-01-15T10:00:00Z", "updated_at": "2026-02-20T14:30:00Z"}
{"type": "image", "file": "img001.jpg", "url": "https://...", "width": 640, "height": 480, "split": "train", "metadata": {"location": {"site": "factory-1"}, "reviewed": true}, "annotations": {"boxes": [[0, 0.5, 0.5, 0.2, 0.3]]}}
{"type": "image", "file": "img002.jpg", "url": "https://...", "width": 1280, "height": 720, "split": "val"}

L'oggetto facoltativo a livello di immagine metadata viene mantenuto quando un file NDJSON viene importato in Platform. Puoi esaminarlo o modificarlo dal pannello informativo a schermo intero dell'immagine. Per i caricamenti programmatici di archivi, l'API Ingest Dataset Data accetta la mappa dei percorsi equivalente imageMetadata.

I dataset per la stima della posa includono anche un campo kpt_shape nella riga di intestazione del dataset, dedotto dalle annotazioni quando non è già impostato.

Le esportazioni di profondità dichiarano "task": "depth" e "depth_scale": 1000 nella riga del dataset. Ogni riga immagine include un depth.url per il relativo PNG uint16 semplice. Ultralytics scarica simultaneamente gli URL dell'immagine e della profondità e scrive un file YAML di addestramento con la stessa scala, quindi il file NDJSON può essere passato direttamente a model.train(data=...).

Consulta la documentazione sul formato NDJSON di Ultralytics per la specifica completa.

Operazioni sulle immagini#

Azioni rapide#

Fai clic con il pulsante destro del mouse su qualsiasi immagine nella vista Grid o Compact per accedere alle azioni rapide:

Spostamento in blocco nella suddivisione#

Riassegna le immagini selezionate a uno split diverso all'interno dello stesso dataset:

1. Passa alla vista Tabella
2. Seleziona le immagini usando le caselle di controllo
3. Fai clic con il pulsante destro del mouse per aprire il menu contestuale
4. Scegli Move to split > Addestramento, Validazione o Test

Puoi anche trascinare le immagini sulle schede dei filtri degli split nella vista a griglia. Se lo spostamento di un'immagine creerebbe un conflitto con un'immagine identica già presente nello split di destinazione, Platform ti chiede se vuoi ignorarla, mantenere entrambe o sostituirla.

Ridistribuzione degli split#

Ridistribuisci tutte le immagini negli split di addestramento, validazione e test usando rapporti personalizzati:

1. Fai clic sulla barra degli split nella barra degli strumenti del dataset per aprire la finestra di dialogo Ridistribuisci split
2. Modifica le percentuali degli split usando uno dei metodi seguenti
3. Controlla l'anteprima aggiornata del numero di immagini per confermare la distribuzione
4. Fai clic su Applica per riassegnare casualmente tutte le immagini in base alle tue percentuali

La finestra di dialogo offre tre modi per impostare le tue percentuali di suddivisione di destinazione:

Un'anteprima aggiornata mostra esattamente quante immagini finiranno in ogni split prima dell'applicazione.

Eliminazione in blocco#

Elimina più immagini contemporaneamente:

1. Seleziona le immagini nella vista tabella
2. Fai clic con il pulsante destro del mouse e scegli Delete, oppure premi Cmd/Ctrl+Delete
3. Conferma l'eliminazione

URI del dataset#

Fai riferimento ai dataset di Platform usando il formato URI ul:// (vedi Utilizzo dei dataset di Platform):

ul://username/datasets/dataset-slug

Puoi anche incollare direttamente un URL web di un dataset o di un modello (ad esempio https://platform.ultralytics.com/username/datasets/dataset-slug); viene automaticamente riscritto nell'URI ul://. Passando un elenco di dataset, esegui il fine-tuning di un singolo modello di base su ciascun dataset in sequenza, ad esempio model.train(data=["ul://username/datasets/a", "ul://username/datasets/b"]).

Usa questo URI per addestrare modelli da qualsiasi ambiente:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"
yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100

Licenze disponibili#

Platform supporta le seguenti licenze per i dataset:

Impostazioni di visibilità#

Controlla chi può vedere il tuo dataset:

La visibilità viene impostata durante la creazione di un dataset nella finestra di dialogo New Dataset usando un interruttore. I dataset pubblici sono visibili nella pagina Esplora.

Modifica dataset#

I metadati del dataset vengono modificati direttamente inline nella pagina del dataset, senza bisogno di una finestra di dialogo:

• Nome: fai clic sul nome del dataset per modificarlo. Le modifiche vengono salvate automaticamente quando perdi il focus o premi Enter. I nomi sono limitati a 100 caratteri.
• Descrizione: fai clic sulla descrizione (o sul testo segnaposto "Aggiungi una descrizione...") per modificarla. Le modifiche vengono salvate automaticamente. Le descrizioni sono limitate a 1.000 caratteri.
• Tipo di attività: fai clic sul badge dell'attività per selezionare un altro tipo di attività.
• Licenza: fai clic sul selettore della licenza per modificare la licenza del dataset.
• Icona: fai clic sull'icona del dataset per caricare una tua immagine, promuovere a icona una delle immagini del dataset o scegliere una lettera e un colore.

Metadati personalizzati#

Apri Altre azioni e seleziona Informazioni per esaminare due sezioni:

• Metadati di Ultralytics: dettagli di Platform di sola lettura, come l'ID del dataset, il proprietario, l'attività, il numero di immagini e annotazioni, la regione di archiviazione e i timestamp
• Metadati personalizzati: il tuo oggetto JSON per provenienza, condizioni di acquisizione, ID cliente, governance o altri dati contestuali

I visualizzatori del workspace possono esaminare i metadati, mentre i membri con accesso in modifica possono sostituire l'oggetto dei metadati personalizzati. L'oggetto dei metadati serializzato è limitato a 500.000 caratteri e ogni chiave di primo livello è limitata a 128 caratteri. Salva un oggetto vuoto ({}) per cancellare i metadati personalizzati.

Clona dataset#

Quando visualizzi un dataset pubblico che non possiedi, fai clic su Clone Dataset per aprire la finestra di dialogo di clonazione. Controlla il workspace di destinazione, il nome, la visibilità e la licenza, quindi conferma la clonazione. La copia include tutte le immagini, le annotazioni e le definizioni delle classi. I dataset pubblici di origine rimangono pubblici per impostazione predefinita nei workspace con visibilità predefinita pubblica; i cloni nei workspace Enterprise sono privati per impostazione predefinita. Se il dataset originale ha una licenza copyleft, il clone la eredita e il selettore della licenza viene bloccato.

Lo slug di destinazione viene rinominato automaticamente se è già in uso e la clonazione richiede una quota di archiviazione residua sufficiente per contenere la copia.

Aggiungi a preferiti e condividi#

• Aggiungi a preferiti: fai clic sul pulsante a forma di stella per aggiungere un dataset ai preferiti. Il conteggio delle stelle è visibile a tutti gli utenti.
• Condividi: per i dataset pubblici, fai clic sul pulsante di condivisione per copiare un link, ottenere uno snippet di incorporamento o condividere sui social network.

Elimina dataset#

Elimina un dataset che non ti serve più:

1. Apri Altre azioni (il pulsante …) nell'intestazione del dataset
2. Scegli Elimina dataset
3. Conferma nella finestra di dialogo: "Questo sposterà [name] nel cestino. Puoi ripristinarlo entro 30 giorni."

Lo stesso menu contiene Informazioni, che apre la finestra di dialogo dei metadati descritta in Metadati personalizzati, e Aggiorna, che rilegge il dataset dal server.

Addestramento sul dataset#

Avvia l'addestramento direttamente dal tuo dataset:

1. Fai clic su New Model nella pagina del dataset
2. Seleziona un progetto o creane uno nuovo
3. Configura i parametri di addestramento
4. Avvia l'addestramento

graph LR
    A[Dataset]:::start --> B[New Model]:::proc
    B --> C[Select Project]:::proc
    C --> D[Configure]:::proc
    D --> E[Start Training]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

Per ulteriori informazioni, consulta Addestramento nel cloud.

FAQ#