Modelli
Ultralytics Platform offre una gestione completa dei modelli per l'addestramento, l'analisi e il deployment dei modelli YOLO. Carica modelli pre-addestrati o addestrane di nuovi direttamente sulla Platform.
Carica Modello
Carica i pesi dei modelli esistenti sulla Platform:
- Naviga al tuo progetto
- Clicca su Carica Modello
- Seleziona il tuo
.ptfile - Aggiungi nome e descrizione
- Clicca Carica
Formati di modello supportati:
| Formato | Estensione | Descrizione |
|---|---|---|
| PyTorch | .pt | Formato nativo Ultralytics |
Dopo il caricamento, la Platform analizza i metadati del modello:
- Tipo di task (detect, segment, pose, OBB, classify)
- Architettura (YOLO26n, YOLO26s, ecc.)
- Nomi e conteggio delle classi
- Dimensione dell'input e parametri
Addestramento del modello
Addestra un nuovo modello direttamente sulla Platform:
- Naviga al tuo progetto
- Clicca su Addestra Modello
- Seleziona il dataset
- Scegli il modello base
- Configura i parametri di addestramento
- Avvia l'addestramento
Vedi Cloud Training per istruzioni dettagliate.
Panoramica del modello
Ogni pagina del modello visualizza:
| Sezione | Contenuto |
|---|---|
| Panoramica | Metadati del modello, tipo di task, architettura |
| Metriche | Grafici di perdita di addestramento e prestazioni |
| Grafici | Matrice di confusione, curve PR, curve F1 |
| Test | Test di inferenza interattivo |
| Distribuisci | Creazione e gestione degli endpoint |
| Esportazione | Conversione e download del formato |
Metriche di addestramento
Visualizza metriche di addestramento in tempo reale e storiche:
Curve di perdita
| Perdita | Descrizione |
|---|---|
| Riquadro | Perdita di regressione del bounding box |
| Classe | Perdita di classificazione |
| DFL | Perdita Focale di Distribuzione |
Metriche di performance
| Metrica | Descrizione |
|---|---|
| mAP50 | mAP a IoU 0.50 |
| mAP50-95 | mAP a IoU 0.50-0.95 |
| Precisione | Rapporto di previsioni positive corrette |
| Recall | Rapporto di positivi reali identificati |
Grafici di validazione
Al termine dell'addestramento, visualizza un'analisi dettagliata della validazione:
Matrice di confusione
Heatmap interattiva che mostra l'accuratezza della previsione per classe:
Curve PR/F1
Curve di prestazione a diverse soglie di confidenza:
| Curva | Descrizione |
|---|---|
| Precisione-Richiamo | Compromesso tra precisione e richiamo |
| F1-Confidenza | Punteggio F1 a diversi livelli di confidenza |
| Precisione-Confidenza | Precisione a diversi livelli di confidenza |
| Richiamo-Confidenza | Richiamo a diversi livelli di confidenza |
Esporta modello
Esporta il tuo modello in 17 formati di deployment:
- Naviga alla scheda Esporta
- Seleziona il formato di destinazione
- Clicca su Esporta
- Scarica al completamento
Formati supportati (17 in totale)
| # | Formato | Estensione file | Caso d'uso |
|---|---|---|---|
| 1 | ONNX | .onnx | Multipiattaforma, web, la maggior parte dei runtime |
| 2 | TorchScript | .torchscript | PyTorch senza Python |
| 3 | OpenVINO | .xml, .bin | Intel , GPU, VPU |
| 4 | TensorRT | .engine | NVIDIA (inferenza più veloce) |
| 5 | CoreML | .mlpackage | Apple iOS, macOS, watchOS |
| 6 | TF Lite | .tflite | Mobile (Android, iOS), edge |
| 7 | TF SavedModel | saved_model/ | TensorFlow |
| 8 | TF GraphDef | .pb | TensorFlow .x |
| 9 | TF Edge TPU | .tflite | Dispositivi Google |
| 10 | TF.js | .json, .bin | Inferenza del browser |
| 11 | PaddlePaddle | .pdmodel | Baidu PaddlePaddle |
| 12 | NCNN | .param, .bin | Mobile (iOS), ottimizzato |
| 13 | MNN | .mnn | Runtime mobile Alibaba |
| 14 | RKNN | .rknn | NPU Rockchip |
| 15 | IMX500 | .imx | Sensore Sony IMX500 |
| 16 | Axelera | .axelera | Acceleratori Axelera AI |
Guida alla selezione del formato
Per NVIDIA : utilizzare TensorRT per ottenere la massima velocità
Per Intel : utilizzare OpenVINO per Intel , GPU e VPU Intel .
Per dispositivi Apple: utilizzare CoreML per iOS, macOS, Apple Silicon
Per Android: utilizzare TF o NCNN per ottenere prestazioni ottimali.
Per i browser Web: utilizzare TF.js o ONNX (con ONNX Web)
Per dispositivi Edge: utilizzare TF TPU per Coral, RKNN per Rockchip
Per compatibilità generale: utilizzare ONNX , compatibile con la maggior parte dei runtime di inferenza.
Tempo di esportazione
Il tempo di esportazione varia in base al formato. Le esportazioni TensorRT possono richiedere diversi minuti a causa dell'ottimizzazione del motore.
Collegamento dataset
I modelli possono essere collegati al loro dataset di origine:
- Visualizza quale dataset è stato utilizzato per l'addestramento
- Accedi al dataset dalla pagina del modello
- track provenienza dei dati
Quando si addestra con dataset della Piattaforma utilizzando il ul:// formato URI, il collegamento è automatico.
Impostazioni di Visibilità
Controlla chi può vedere il tuo modello:
| Impostazione | Descrizione |
|---|---|
| Privato | Solo tu puoi accedere |
| Pubblico | Chiunque può visualizzare sulla pagina Esplora |
Per modificare la visibilità:
- Apri il menu delle azioni del modello
- Clicca Modifica
- Attiva/disattiva visibilità
- Clicca Salva
Elimina modello
Rimuovi un modello che non ti serve più:
- Apri il menu delle azioni del modello
- Clicca su Elimina
- Conferma eliminazione
Cestino e Ripristino
I modelli eliminati vanno nel Cestino per 30 giorni. Ripristina da Impostazioni > Cestino.
FAQ
Quali architetture di modelli sono supportate?
La Piattaforma Ultralytics supporta tutte le architetture YOLO:
- YOLO26: varianti n, s, m, l, x (consigliate)
- YOLO11: varianti n, s, m, l, x
- YOLOv10: Supporto legacy
- YOLOv8: Supporto legacy
- YOLOv5: Supporto legacy
Posso scaricare il mio modello addestrato?
Sì, scarica i pesi del tuo modello dalla pagina del modello:
- Clicca sull'icona di download
- Seleziona il formato (originale
.pto esportato) - Il download si avvia automaticamente
Come posso confrontare i modelli tra i vari progetti?
Attualmente, il confronto dei modelli avviene all'interno dei progetti. Per confrontare tra progetti:
- Trasferisci i modelli a un singolo progetto, oppure
- Esporta le metriche e confrontale esternamente
Qual è la dimensione massima del modello?
Non c'è un limite rigoroso, ma modelli molto grandi (>2GB) potrebbero richiedere tempi di caricamento e elaborazione più lunghi.
Posso effettuare il fine-tuning di modelli pre-addestrati?
Sì! Carica un modello pre-addestrato, quindi inizia l'addestramento da quel checkpoint con il tuo dataset. La Piattaforma utilizza automaticamente il modello caricato come punto di partenza.
