Guida rapida a Ultralytics Platform

Ultralytics Platform è progettata per essere user-friendly e intuitiva, consentendo agli utenti di caricare rapidamente i propri dataset e addestrare nuovi modelli YOLO. Offre una gamma di modelli pre-addestrati tra cui scegliere, facilitando l'inizio per gli utenti. Una volta addestrato un modello, può essere testato direttamente nel browser e distribuito in produzione con un solo clic.

journey
    title Your First Model in 5 Minutes
    section Sign Up
      Create account: 5: User
      Select region: 5: User
    section Prepare Data
      Upload dataset: 5: User
      Review images: 4: User
    section Train
      Configure training: 5: User
      Monitor progress: 3: Platform
    section Deploy
      Test model: 5: User
      Deploy endpoint: 5: User

Inizia

La piattaforma Ultralytics offre una varietà di opzioni di registrazione facili. Puoi registrarti e accedere utilizzando i tuoi account Google o GitHub, o con il tuo indirizzo email.

Selezione della Regione

Durante l'onboarding, ti verrà chiesto di selezionare la tua regione dati. La Piattaforma misura automaticamente la latenza verso ogni regione e raccomanda quella più vicina. Questa è una scelta importante in quanto determina dove verranno archiviati i tuoi dati, modelli e deployment.

Crediti gratuiti

Ogni nuovo account riceve crediti gratuiti per GPU cloud:

Completa il tuo Profilo

Prima di selezionare la tua regione, completerai il tuo profilo con un nome visualizzato, un nome utente, un'azienda opzionale e il caso d'uso principale. Il flusso di onboarding prevede tre passaggi: Profilo, Regione Dati e Completamento.

Dashboard principale

Dopo aver effettuato l'accesso, verrai reindirizzato alla pagina Home di Ultralytics Platform, che fornisce una scheda di benvenuto con statistiche dello spazio di lavoro, accesso rapido a dataset, progetti e storage, e un feed di attività recenti.

Navigazione della barra laterale

La barra laterale consente di accedere 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 dello spazio 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 ZIP per caricarli. Mostra i tuoi dataset recenti.
• Progetti: Crea un nuovo progetto o trascina .pt file del modello da caricare. Mostra i tuoi progetti recenti.
• Archiviazione: Panoramica dell'utilizzo dello spazio di archiviazione (dataset, modelli, esportazioni) con i limiti del piano.

Una tabella Attività Recente in fondo mostra i tuoi ultimi dataset, modelli e cicli di addestramento.

Carica il tuo primo Dataset

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

La Piattaforma Ultralytics supporta molteplici formati di caricamento (dettagli completi in Dataset):

graph LR
    A[Drop Files] --> B[Auto-Package ZIP]
    B --> C[Upload to Storage]
    C --> D[Backend Worker]
    D --> E[Resize & Thumbnail]
    E --> F[Parse Labels]
    F --> G[Compute Statistics]
    G --> H[Dataset Ready]

Dopo l'upload, 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 vengono analizzate e validate (YOLO .txt formato)
4. Le statistiche vengono calcolate (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. Vai alla sezione Progetti e clicca su "Crea Progetto".

Inserisci un nome e una descrizione facoltativa per il tuo progetto. I progetti contengono:

• Modelli: Checkpoint addestrati
• Registro attività: Cronologia delle modifiche

Maggiori informazioni sui progetti.

Addestra il tuo primo Modello

Dal tuo progetto, clicca Train Model per avviare l'addestramento nel cloud.

Configurazione dell'Addestramento

1. Selezionare il Dataset: Scegli tra i tuoi dataset caricati (solo i dataset con un train split sono mostrati)
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 GPU: Scegli le risorse di calcolo in base al tuo budget e alla dimensione del modello

Monitorare l'addestramento

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

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

Per saperne di più sul training su cloud.

Testa il tuo Modello

Una volta completato il training, testa il tuo modello direttamente nel browser:

1. Naviga al tuo modello Predict scheda
2. Carica un'immagine, trascina e rilascia, o usa immagini di esempio (inferenza automatica al rilascio)
3. Visualizza i risultati dell'inferenza con i riquadri di delimitazione renderizzati sulla tela

Regola i parametri di inferenza:

Il Predict scheda fornisce esempi di codice pronti all'uso con la tua chiave API effettiva precompilata:

import requests

url = "https://platform.ultralytics.com/api/models/{model_id}/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())

curl -X POST "https://platform.ultralytics.com/api/models/{model_id}/predict" \
  -H "Authorization: Bearer your_api_key" \
  -F "file=@image.jpg"

Per saperne di più sull'inferenza.

Distribuisci in Produzione

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

1. Naviga al tuo modello Deploy scheda
2. Selezionare una regione dalla mappa mondiale interattiva (43 regioni disponibili).
3. The map shows real-time latency measurements with traffic light colors (green < 100ms, yellow < 200ms, red > 200ms)
4. Clicca Deploy per creare il tuo endpoint

graph LR
    A[Select Region] --> B[Deploy]
    B --> C[Provisioning ~1 min]
    C --> D[Running]
    D --> E{Lifecycle}
    E --> F[Stop]
    E --> G[Delete]
    F --> H[Resume]
    H --> D

Il tuo endpoint sarà pronto in circa un minuto con:

• URL Unico: Endpoint HTTPS per chiamate API
• Auto-Scaling: Si adatta automaticamente al traffico
• Monitoraggio: Metriche delle richieste e log

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

Per saperne di più sugli endpoint.

Addestramento Remoto (Opzionale)

Se preferisci addestrare sul tuo hardware, puoi trasmettere le metriche alla piattaforma utilizzando la tua chiave API. Questo funziona come Weights & Biases — addestra ovunque, monitora sulla piattaforma.

1. Genera una chiave API in Settings > Profile (sezione Chiavi API)
2. Imposta la variabile d'ambiente e addestra con un project/name formato:

export ULTRALYTICS_API_KEY="ul_your_api_key_here"

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

Apprezziamo il tuo feedback! Utilizza il pulsante di feedback per aiutarci a migliorare la piattaforma.

Serve aiuto?

Se riscontri problemi o hai domande:

• Documentazione: Consulta questa documentazione per guide dettagliate
• Discord: Unisciti alla nostra community Discord per discussioni
• GitHub: Segnala problemi su GitHub

📅 Creato 2 mesi fa ✏️ Aggiornato 1 giorno fa

Commenti