Guida introduttiva alla Ultralytics Platform#

Ultralytics Platform offre un flusso di lavoro guidato per caricare dataset, addestrare nuovi modelli YOLO a partire da pesi preaddestrati, 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. Fai clic su una fase o sottofase per accedere alle istruzioni dettagliate relative a 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

Per iniziare#

Ultralytics Platform offre diverse semplici opzioni per registrarti. Puoi registrarti e accedere usando il tuo account Google o GitHub oppure il tuo indirizzo email.

Selezione della regione#

Durante la configurazione iniziale, ti verrà chiesto di selezionare la regione dei tuoi dati. Platform misura automaticamente la latenza verso ogni regione e consiglia quella più vicina. Questa scelta determina dove vengono archiviati i tuoi dataset, modelli e dati di addestramento gestiti. Le regioni degli 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 configurazione iniziale ti guida attraverso tre passaggi:

1. Profilo - Inserisci il nome visualizzato, il nome utente univoco (permanente, non può essere modificato in seguito), l'organizzazione (facoltativa) e il caso d'uso principale
2. Regione dei dati - Seleziona US, EU o AP con una mappa mondiale visiva che mostra la latenza
3. Completa - Controlla le tue selezioni, applica facoltativamente un codice promozionale e completa la registrazione per richiedere i crediti di benvenuto

Dashboard Home#

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

Navigazione nella barra laterale#

La barra laterale consente di accedere a tutte le sezioni di Platform:

Ogni sezione dei contenuti elenca i cinque elementi più recenti con un link al resto. Passando il cursore su un elemento viene visualizzata un'azione di eliminazione che lo sposta nel Cestino; puoi accedere al Cestino dalla ricerca (Cmd+K) o aprendo platform.ultralytics.com/trash.

Scheda di benvenuto#

La scheda di benvenuto mostra il tuo profilo, il badge del piano (che rimanda al confronto dei piani) e le statistiche dell'area di lavoro a colpo d'occhio. Ogni statistica rimanda alla vista corrispondente dell'area di lavoro:

Azioni rapide#

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

• Dataset: crea un nuovo dataset oppure trascina immagini, video o file di dataset per caricarli. Mostra i tuoi dataset recenti.
• Progetti: crea un nuovo progetto oppure trascina file di modello .pt per caricarli. Mostra i tuoi progetti recenti.
• Spazio di archiviazione: panoramica sull'utilizzo dello spazio di archiviazione (dataset, modelli, esportazioni) con i limiti del piano.

Una tabella delle Attività recenti in fondo mostra i tuoi dataset, progetti e distribuzioni più recenti con il relativo stato e l'ora dell'ultimo aggiornamento.

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 chat AI#

Fai clic su Ask AI per lavorare con un agente di intelligenza artificiale che automatizza le attività su Ultralytics Platform. Lavora direttamente con i tuoi set di dati e modelli per annotare immagini, eseguire esperimenti di addestramento, confrontare i risultati ed esportare o distribuire modelli. Consulta AutoTrain with Ask AI per prompt di esempio e la configurazione del tuo agente di codifica.

Tour di onboarding#

Platform include tour guidati che presentano le funzionalità principali mentre esplori le diverse sezioni:

Riavvia tour#

Per ripetere un tour qualsiasi:

• Pulsante Ripeti tour — Fai clic sul tuo avatar del profilo (in basso a sinistra nella barra laterale) per aprire il menu dell'account, quindi seleziona Ripeti tour. Questa operazione reimposta tutti i tour, che verranno riprodotti alla tua prossima visita a ciascuna sezione.
• Parametro URL — Aggiungi ?tour= con l'ID del tour per riavviarne direttamente uno: ?tour=nav nella pagina Home, ?tour=project in una pagina del progetto o ?tour=dataset in una pagina del dataset.

Carica il tuo primo dataset#

Apri Annotate nella barra laterale e fai clic su + per creare un nuovo dataset. Puoi anche trascinare e rilasciare i file direttamente sulla scheda Dataset nella dashboard Home.

La finestra di dialogo Nuovo set di dati offre quattro origini. Questa guida rapida usa Carica; le altre sono illustrate in Set di dati e Integrazioni:

I caricamenti supportano più formati (tutti i dettagli in Dataset):

graph LR
    A[Drop Files]:::start --> B[Auto-Package ZIP]:::proc
    B --> C[Upload to Storage]:::proc
    C --> D[Process Data]:::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 (mantenendo le proporzioni)
2. Vengono generate miniature da 256px per una navigazione rapida
3. Le etichette YOLO, COCO e NDJSON di Ultralytics 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/

Scopri di più sui dataset 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. Apri Train nella barra laterale e fai clic su + per creare un progetto. Puoi anche trascinare i pesi .pt sulla scheda Progetti nella dashboard Home per creare un progetto e importarli in un solo passaggio.

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.

Scopri di più sui progetti.

Addestra il tuo primo modello#

Dal progetto, fai clic su New Model per aprire la finestra di dialogo Addestra nuovo modello. Puoi anche iniziare da una pagina del dataset; in questo caso il dataset è già impostato e devi scegliere il progetto di destinazione.

Configurazione dell'addestramento#

1. Modello di base: seleziona i pesi ufficiali di Ultralytics o uno dei tuoi modelli addestrati. La finestra di dialogo avvisa se l'attività del modello e quella del dataset non corrispondono.
2. Dataset: scegli un dataset pronto con almeno un'immagine di addestramento, almeno un'immagine di convalida o test e almeno un'immagine annotata
3. Parametri: imposta Epoche (predefinito 100), Dimensione batch (vuoto significa automatico), Dimensione immagine (predefinita 640) e un Nome opzionale dell'esecuzione. Espandi Impostazioni avanzate per modificare qualsiasi altro argomento di addestramento Ultralytics in un editor YAML.
4. Seleziona GPU: nella scheda Addestramento Cloud, scegli la capacità di calcolo in base al tuo budget e alle dimensioni del modello. L'impostazione predefinita è RTX PRO 6000 (96 GB Blackwell, 2,09 $/ora), che gestisce ogni variante di YOLO26. Consulta la tabella completa dei prezzi delle GPU o la fase GPU dell'addestramento Cloud per l'elenco completo e i requisiti dei piani.
5. Avvia addestramento: controlla il costo e la durata stimati accanto al saldo dei crediti, quindi fai clic su Start Training.

Monitora l'addestramento#

Quando inizia l'addestramento, apri la scheda Train del modello per monitorare i progressi in tempo reale tramite tre sottoschede:

Le metriche vengono trasmesse in tempo reale tramite SSE (Server-Sent Events). Una volta generati gli elementi di convalida, la sottoscheda Grafici si divide nelle viste Addestramento e Convalida, con la matrice di confusione, le curve PR e le curve F1 nella sezione Convalida.

Scopri di più sull'addestramento Cloud.

Testa il tuo modello#

Al termine dell'addestramento, testa il modello direttamente nel browser:

1. Vai alla scheda Predict del modello
2. Carica un'immagine, trascinala e rilasciala, acquisiscine una dalla webcam oppure fai clic su un'immagine di esempio (inferenza automatica al rilascio)
3. Visualizza sovrapposizioni delle predizioni appropriate per l'attività, tempi per fase (preelaborazione, inferenza, postelaborazione, rete) e la risposta JSON grezza

Regola i parametri di inferenza:

In Documentazione API, la scheda Predict mostra codice di esempio in Python, JavaScript e cURL, precompilato con i parametri selezionati sopra. Esegui prima il deployment del 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"
api_key = "YOUR_API_KEY"
args = {"conf": 0.25, "iou": 0.7, "imgsz": 640}

with open("image.jpg", "rb") as f:
    response = requests.post(
        url,
        headers={"Authorization": f"Bearer {api_key}"},
        data=args,
        files={"file": f},
    )

print(response.json())

Scopri di più sull'inferenza.

Esegui il deployment in produzione#

Esegui il deployment del modello su un endpoint dedicato per l'uso in produzione:

1. Vai alla scheda Deploy del modello
2. La Platform misura la latenza in tutte le 42 regioni e la rappresenta su una mappa del mondo, con una sfumatura dal verde al rosso (una latenza più bassa è più verde, una latenza più alta è più rossa)
3. Nella tabella Latenza per regione sotto la mappa — ordinata per latenza dalla tua posizione — individua la regione desiderata. Usa Rescan per effettuare nuovamente la misurazione in qualsiasi momento.
4. Fai clic su Deploy nella riga corrispondente 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

Al termine del provisioning, il tuo endpoint offre:

• URL univoco: endpoint HTTPS per le chiamate API
• Comportamento scale-to-zero: gli endpoint inattivi vengono ridotti a zero (i deployment attualmente eseguono una singola istanza attiva)
• Monitoraggio: metriche e log delle richieste

Dopo il deployment, puoi gestire tutti i tuoi endpoint dalla sezione Deploy nella barra laterale. La dashboard dei deployment mostra una mappa globale con i tuoi deployment attivi, le metriche delle ultime 24 ore (richieste totali, deployment attivi, tasso di errore e latenza P95) e un elenco di ogni endpoint.

Scopri di più sugli endpoint.

Addestramento remoto (facoltativo)#

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

Il percorso più rapido è la scheda Addestramento locale nella finestra di dialogo dell'addestramento: crea il comando completo per il modello, il dataset e i parametri selezionati e inserisce una chiave API (creandone una se non ne hai ancora una). Copialo ed eseguilo nel tuo terminale.

Per creare il comando manualmente:

1. Genera una chiave API in Settings > API Keys
2. Imposta la variabile d'ambiente e avvia l'addestramento con un valore username/project per project:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

yolo train model=yolo26n.pt data=coco.yaml epochs=100 project=username/my-project name=exp1

Scopri di più sulle chiavi API, sugli URI dei dataset e sull'addestramento remoto.

Feedback e assistenza#

La pagina Assistenza nel piè di pagina della barra laterale raccoglie link alla documentazione, video dimostrativi e risorse della community e include un modulo di feedback integrato nell'app. Puoi valutare la tua esperienza da 1 a 5 stelle, scegliere un tipo di feedback (Bug, Funzionalità o Generale) e allegare uno screenshot.

Se hai bisogno di ulteriore assistenza:

• Chat AI: fai clic sul widget della chat fluttuante in qualsiasi pagina per ricevere assistenza immediata
• Documentazione: consulta questa documentazione per guide dettagliate su dataset, annotazione, addestramento, deployment e fatturazione
• Discord: entra nella nostra community Discord per partecipare alle discussioni
• GitHub: segnala i problemi su GitHub
• REST API e Python SDK: consulta il riferimento API, installa il client ultralytics-platform o prova la documentazione interattiva dell'API per accedere programmaticamente a tutte le funzionalità della Platform

FAQ#