Guida rapida alla Ultralytics Platform#

Ultralytics Platform offre un flusso di lavoro guidato per caricare dataset, addestrare nuovi modelli YOLO da pesi pre-addestrati, testare i modelli completati nel browser e configurare endpoint di inferenza dedicati.

Il seguente diagramma interattivo illustra le quattro fasi principali del flusso di lavoro di Ultralytics Platform. Clicca su qualsiasi fase o sotto-passaggio per accedere alle istruzioni dettagliate per quella sezione.

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

Inizia ora#

Ultralytics Platform offre diverse opzioni di registrazione semplificate. Puoi registrarti ed effettuare il login utilizzando i tuoi account Google o GitHub, oppure con il tuo indirizzo email.

Selezione Regione#

Durante l'onboarding, ti verrà chiesto di selezionare la tua regione dati. La Platform misura automaticamente la latenza verso ciascuna regione e consiglia quella più vicina. Questa scelta determina dove vengono archiviati i tuoi dataset, modelli e dati di addestramento gestiti. Le regioni per gli endpoint dedicati vengono selezionate separatamente quando distribuisci un modello.

Crediti gratuiti#

Ogni nuovo account riceve crediti gratuiti per l'addestramento su GPU cloud:

Completa il tuo profilo#

Il flusso di onboarding ti guida attraverso tre passaggi:

1. Profilo - Inserisci il tuo nome visualizzato, un nome utente univoco (permanente, non modificabile in seguito), l'organizzazione (opzionale) e il tuo caso d'uso principale
2. Regione dati - Seleziona US, EU o AP con una mappa del mondo visiva che mostra la latenza
3. Completa - Rivedi le tue selezioni, applica eventualmente un codice promozionale e termina la registrazione per riscattare i tuoi crediti di benvenuto

Dashboard principale#

Dopo aver effettuato l'accesso, verrai indirizzato alla Home page di Ultralytics Platform, che offre una scheda di benvenuto con statistiche sull'area di lavoro, accesso rapido a dataset, progetti e archiviazione, e un feed delle attività recenti.

Navigazione nella barra laterale#

La barra laterale fornisce l'accesso a tutte le sezioni della piattaforma:

Scheda di benvenuto#

La scheda di benvenuto mostra a colpo d'occhio il tuo profilo, il badge del piano e le statistiche dell'area di lavoro:

Azioni rapide#

Sotto la scheda di benvenuto, la dashboard mostra tre schede:

• Dataset: Crea un nuovo dataset o trascina immagini, video o file di dataset per caricarli. Mostra i tuoi dataset recenti.
• Progetti: Crea un nuovo progetto o trascina file di modello .pt per caricarli. Mostra i tuoi progetti recenti.
• Archiviazione: Panoramica del tuo utilizzo dello spazio di archiviazione (dataset, modelli, esportazioni) con i limiti del piano.

Una tabella di Attività recente in fondo mostra i tuoi ultimi dataset, modelli ed esecuzioni di addestramento.

Ricerca globale#

Premi Cmd+K (Mac) o Ctrl+K (Windows/Linux) per aprire la barra di ricerca. Cerca istantaneamente tra pagine, progetti, dataset e distribuzioni.

Assistente IA via chat#

Un widget di chat fluttuante è disponibile su ogni pagina. Cliccaci sopra per porre domande sull'addestramento YOLO, sull'annotazione, sulla distribuzione o su qualsiasi funzionalità della piattaforma. L'assistente fornisce un aiuto contestualizzato basato sulla pagina corrente.

Tour di onboarding#

La piattaforma include tour guidati che introducono le funzionalità chiave mentre esplori le diverse sezioni:

Riavvia i tour#

Per riprodurre qualsiasi tour:

• Pulsante Rifai tour — Clicca sul tuo avatar del profilo (in basso a sinistra nella barra laterale) per aprire il menu utente, quindi seleziona Rifai tour. Questo ripristina tutti i tour affinché vengano riprodotti alla tua prossima visita di ogni sezione.
• Parametro URL — Vai su platform.ultralytics.com/home?tour=nav per riavviare direttamente il Tour di navigazione.

Carica il tuo primo set di dati#

Vai su Annotate nella barra laterale e clicca su New Dataset per aggiungere i tuoi dati di addestramento. Puoi anche trascinare i file direttamente sulla scheda Datasets nella dashboard Home.

Ultralytics Platform supporta diversi formati di caricamento (tutti i dettagli in 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

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

1. Le immagini più grandi di 4096px vengono ridimensionate (preservando le proporzioni)
2. Vengono generate miniature da 256px per una navigazione rapida
3. Le etichette YOLO, COCO e Ultralytics NDJSON vengono analizzate e convalidate
4. Vengono calcolate le statistiche (distribuzione delle classi, mappe di calore, dimensioni)

my-dataset.zip
├── data.yaml          # Class names and splits
├── train/
│   ├── images/
│   │   ├── img001.jpg
│   │   └── img002.jpg
│   └── labels/
│       ├── img001.txt
│       └── img002.txt
└── val/
    ├── images/
    └── labels/

Leggi di più sui set di dati e sui formati supportati per detect, segment, pose, OBB e classify.

Crea il tuo primo progetto#

I progetti ti aiutano a organizzare modelli ed esperimenti correlati. Vai a Projects e fai clic su New Project.

Inserisci un nome e una descrizione opzionale. I progetti organizzano le esecuzioni dei modelli e i pesi dei modelli importati o clonati, con grafici per confrontare i risultati dell'addestramento completato.

Leggi di più sui progetti.

Addestra il tuo primo modello#

Dal tuo progetto, clicca su New Model per avviare l'addestramento in cloud.

Configurazione dell'addestramento#

1. Select Dataset: Scegli un dataset pronto con almeno un'immagine di addestramento, almeno un'immagine di validazione o di test e almeno un'immagine etichettata
2. Scegli modello: Seleziona un modello base: modelli ufficiali Ultralytics o i tuoi modelli addestrati
3. Imposta epoche: Numero di iterazioni di addestramento (predefinito: 100)
4. Seleziona la GPU: Scegli le risorse di calcolo in base al tuo budget e alla dimensione del modello. Quella predefinita è RTX PRO 6000 (96 GB Blackwell, 2,09 $/ora), che gestisce ogni variante di YOLO26. Consulta la tabella dei prezzi delle GPU completa o il passaggio sulla GPU per l'addestramento in cloud per l'elenco completo e le restrizioni di livello.

Monitora l'addestramento#

Una volta iniziato l'addestramento, puoi monitorare i progressi in tempo reale attraverso tre sottoschede:

Le metriche vengono trasmesse in streaming in tempo reale tramite SSE (Server-Sent Events). Al termine dell'addestramento, vengono generati grafici di validazione tra cui la matrice di confusione, le curve PR e le curve F1.

Leggi di più sull'addestramento nel cloud.

Testa il tuo modello#

Dopo il completamento dell'addestramento, testa il tuo modello direttamente nel browser:

1. Vai alla scheda Predict del tuo modello
2. Carica un'immagine, trascina e rilascia o usa immagini di esempio (inferenza automatica al rilascio)
3. Visualizza le sovrapposizioni di predizione appropriate per il task e la risposta JSON grezza

Regola i parametri di inferenza:

La scheda Predict mostra anche del codice di esempio per la distribuzione. Distribuisci prima il modello, quindi sostituisci l'URL segnaposto e la chiave con i valori del tuo endpoint:

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())

Leggi di più sull'inferenza.

Distribuisci in produzione#

Distribuisci il tuo modello su un endpoint dedicato per l'uso in produzione:

1. Vai alla scheda Deploy del tuo modello
2. Seleziona una regione dalla mappa interattiva del mondo (42 regioni disponibili)
3. La mappa mostra misurazioni della latenza in tempo reale con colori su una scala dal verde al rosso (una latenza più bassa è più verde, una latenza più alta è più rossa)
4. Clicca su Deploy per creare il tuo endpoint

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

Una volta completato il provisioning, il tuo endpoint fornisce:

• URL univoco: Endpoint HTTPS per chiamate API
• Comportamento di scalabilità a zero: gli endpoint inattivi si riducono a zero (le distribuzioni attualmente eseguono una singola istanza attiva)
• Monitoraggio: Metriche di richiesta e log

Dopo il deployment, puoi gestire tutti i tuoi endpoint dalla sezione Deploy nella barra laterale, che mostra una mappa globale con i deployment attivi, le metriche generali e un elenco di tutti gli endpoint.

Leggi di più sugli endpoint.

Addestramento remoto (Opzionale)#

Se preferisci addestrare sul tuo hardware, puoi utilizzare la tua chiave API per addestrare ovunque e trasmettere in streaming le metriche a Ultralytics Platform.

1. Genera una API key in Settings > API Keys
2. Imposta la variabile d'ambiente e addestra con un formato 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

Leggi di più sulle API keys, sui dataset URIs e sull'addestramento remoto.

Feedback & Aiuto#

La pagina Help nel piè di pagina della barra laterale include un modulo di feedback in-app. Puoi valutare la tua esperienza, scegliere un tipo di feedback (bug, richiesta di funzionalità o generale) e allegare screenshot.

Se hai bisogno di ulteriore aiuto:

• AI Chat: Clicca sul widget della chat fluttuante su qualsiasi pagina per un aiuto immediato
• Documentazione: Esplora questi documenti per guide dettagliate su datasets, annotazione, addestramento, distribuzione e fatturazione
• Discord: Unisciti alla nostra community Discord per le discussioni
• GitHub: Segnala problemi su GitHub
• REST API: Consulta il riferimento API o prova la documentazione API interattiva per l'accesso programmatico a tutte le funzionalità della piattaforma