Guida rapida alla Ultralytics Platform#

Ultralytics Platform offre un flusso di lavoro guidato per caricare dataset, addestrare nuovi modelli YOLO 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. 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 semplici opzioni di registrazione. Puoi registrarti e accedere 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 reindirizzato alla pagina Home di Ultralytics Platform, che offre una scheda di benvenuto con le statistiche del workspace, un video panoramico, un accesso rapido a dataset, progetti e storage, e un feed delle attività recenti.

Navigazione nella barra laterale#

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

Ogni sezione di contenuto elenca i tuoi cinque elementi più recenti con un link al resto. Passando il mouse su un elemento viene mostrata un'azione di eliminazione che lo sposta nel Cestino; il Cestino stesso si raggiunge dalla ricerca (Cmd+K) o aprendo platform.ultralytics.com/trash.

Scheda di benvenuto#

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

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.
• Projects: Crea un nuovo progetto o trascina i file del 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 Attività Recenti in basso mostra i tuoi ultimi dataset, progetti e distribuzioni con il loro 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 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 Ripeti Tour — Clicca sul tuo avatar del profilo (in basso a sinistra della barra laterale) per aprire il menu dell'account, quindi seleziona Ripeti Tour. Questo ripristina tutti i tour in modo che vengano riattivati alla tua prossima visita in ciascuna sezione.
• Parametro URL — Aggiungi ?tour= con l'ID del tour per riavviarne uno direttamente: ?tour=nav nella pagina Home, ?tour=project nella pagina di un progetto, o ?tour=dataset nella pagina di un dataset.

Carica il tuo primo set di dati#

Apri Annotate nella barra laterale e clicca 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 Dataset offre quattro origini. Questa guida rapida utilizza Carica; le altre sono trattate in Datasets e Integrazioni:

I caricamenti supportano formati multipli (dettagli completi in Datasets):

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 (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/

Ulteriori informazioni su datasets e i formati supportati per detect, segment, pose, OBB e classify.

Crea il tuo primo progetto#

I progetti aiutano a organizzare modelli ed esperimenti correlati. Apri Train nella barra laterale e clicca su + per creare un progetto. Puoi anche rilasciare i pesi di .pt sulla scheda Progetti nella dashboard Home per creare un progetto e importarli in un unico 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 di addestramento completati.

Ulteriori informazioni su projects.

Addestra il tuo primo modello#

Dal tuo progetto, clicca su New Model per aprire la finestra di dialogo Addestra Nuovo Modello. Puoi anche iniziare dalla pagina di un dataset, nel qual caso il dataset viene bloccato e scegli invece il progetto di destinazione.

Configurazione dell'addestramento#

1. Modello Base: Seleziona i pesi ufficiali di Ultralytics o uno dei tuoi modelli addestrati. La finestra di dialogo avvisa se il task del modello e quello del dataset non corrispondono.
2. Dataset: Scegli un dataset pronto con almeno un'immagine di addestramento, almeno un'immagine di convalida o di test e almeno un'immagine etichettata
3. Parametri: Imposta Epoche (predefinito 100), Dimensione Batch (vuoto significa automatico), Dimensione Immagine (predefinito 640) e un Nome di esecuzione opzionale. Espandi Impostazioni Avanzate per modificare qualsiasi altro argomento di addestramento di Ultralytics in un editor YAML.
4. Seleziona GPU: Nella scheda Addestramento Cloud, scegli la potenza di calcolo in base al tuo budget e alla dimensione del modello. Il valore predefinito è RTX PRO 6000 (96 GB Blackwell, 2,09 $/ora), che gestisce ogni variante di YOLO26. Consulta la tabella dei prezzi GPU completa o il passaggio GPU per l'addestramento Cloud per l'elenco completo e la suddivisione dei livelli.
5. Avvia Addestramento: Rivedi il costo stimato e la durata accanto al saldo dei tuoi crediti, quindi clicca su Start Training.

Monitora l'addestramento#

Una volta avviato l'addestramento, apri la scheda Train del modello per monitorare i progressi in tempo reale attraverso tre sottoschede:

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

Ulteriori informazioni su cloud training.

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, catturala dalla tua webcam o clicca su un'immagine di esempio (inferenza automatica al rilascio)
3. Visualizza overlay di previsione appropriati per il task, tempistiche per fase (pre-elaborazione, inferenza, post-elaborazione, 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. 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"
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())

Ulteriori informazioni su inference.

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. La Platform misura la latenza per tutte le 42 regioni e le traccia su una mappa mondiale, colorate con un gradiente da verde a rosso (la latenza più bassa è verde, la latenza più alta è rossa)
3. Nella tabella Latenza Regionale sotto la mappa — ordinata per latenza dalla tua posizione — trova la regione desiderata. Usa Rescan per misurare nuovamente in qualsiasi momento.
4. Clicca su Deploy in quella riga 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 la distribuzione, puoi gestire tutti i tuoi endpoint dalla sezione Deploy nella barra laterale. La dashboard delle distribuzioni mostra una mappa globale con le tue distribuzioni attive, le metriche a 24 ore (richieste totali, distribuzioni attive, tasso di errore e latenza P95) e un elenco di ogni endpoint.

Ulteriori informazioni su endpoints.

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.

Il percorso più veloce è la scheda Addestramento Locale nella finestra di dialogo di addestramento: compila 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). Copiala ed eseguila nel tuo terminale.

Per assemblare tu stesso il comando:

1. Genera una chiave API in Settings > API Keys
2. Imposta la variabile d'ambiente e addestra 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

Ulteriori informazioni su API keys, dataset URIs e remote training.

Feedback & Aiuto#

La pagina Aiuto nel piè di pagina della barra laterale raccoglie link alla documentazione, video dimostrativi e risorse della community, e include un modulo di feedback in-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 aiuto:

• AI Chat: Clicca sul widget della chat fluttuante su qualsiasi pagina per un aiuto immediato
• Documentation: Sfoglia questa documentazione per guide dettagliate su datasets, annotation, training, deployment e billing
• Discord: Unisciti alla nostra Discord community per le discussioni
• GitHub: Segnala problemi su GitHub
• REST API e Python SDK: consulta la riferimento API, installa il client ultralytics-platform oppure prova la documentazione API interattiva per l'accesso programmatico a tutte le funzionalità della Platform