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 addine di nuovi direttamente sulla piattaforma.

Carica modello#

Carica i pesi di un modello esistente sulla piattaforma:

1. Vai al tuo progetto
2. Trascina e rilascia i file .pt sulla pagina del progetto o nella barra laterale dei modelli, oppure fai clic sull'icona Carica modelli
3. I metadati del modello vengono analizzati automaticamente dal file

È possibile caricare più file contemporaneamente (fino a 3 in parallelo).

Formati di modello supportati:

Dopo il caricamento, la piattaforma analizza i metadati del modello:

• Tipo di attività (detect, segment, semantic, depth, classify, pose, OBB)
• Architettura (YOLO26n, YOLO26s, ecc.)
• Nomi e conteggio delle classi
• Dimensione dell'input e parametri
• Risultati e metriche di addestramento (se presenti nel checkpoint)

Addestra modello#

Addestra un nuovo modello direttamente sulla piattaforma:

1. Vai al tuo progetto
2. Fai clic su Nuovo Modello
3. Seleziona il modello base e il dataset
4. Configura i parametri di addestramento
5. Scegli l'addestramento su cloud o locale
6. Avvia l'addestramento

Vedi Addestramento nel cloud per istruzioni dettagliate.

Ciclo di vita del modello#

graph LR
    A[Upload .pt]:::start --> B[Overview]:::proc
    C[Train]:::start --> B
    B --> D[Predict]:::proc
    B --> E[Export]:::proc
    B --> F[Deploy]:::proc
    E --> G[20 Formats]:::out
    F --> H[Endpoint]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

Schede della pagina modello#

Ogni pagina modello presenta le seguenti schede:

Intestazione del modello#

Sopra le schede, l'intestazione mostra il colore del modello (modificabile), il nome (clicca per rinominarlo), il badge dell'attività, la versione del checkpoint ultralytics e un selettore di licenza. Le sue azioni sono Clona modello (su modelli completati con pesi che non possiedi già), Scarica, Aggiungi ai preferiti, Condividi (modelli pubblici) e un menu Altre azioni contenente Informazioni, Aggiorna e Elimina modello.

Subito sotto, una scheda per ciascuna metrica dell'attività mostra il valore finale su un grafico a linee in miniatura del suo avanzamento di addestramento — clicca su qualsiasi scheda per passare ai grafici — insieme a una scheda che collega il dataset su cui è stato addestrato il modello.

Scheda Panoramica#

La scheda Informazioni sull'esecuzione registra come è stata eseguita l'esecuzione: stato, ora di inizio, durata, costo di calcolo con GPU e tariffa oraria, la versione ultralytics, i dettagli dell'host (nome host, ambiente, SO, Python, CPU, GPU), il modello genitore, la versione del dataset bloccata, il repository Git, il ramo e il commit quando l'esecuzione li ha segnalati, e un comando riproducibile yolo train che puoi copiare.

Mentre un'esecuzione è attiva, la scheda mostra i progressi in tempo reale — contatore delle epoche, barra di avanzamento, tempo trascorso, ETA, costo accumulato — e un pulsante Annulla. Se un'esecuzione fallisce, un banner di errore la sostituisce con l'errore catturato e le azioni Visualizza log di console completi e Riprova addestramento.

Al di sotto, Configurazione dell'addestramento elenca tutti gli iperparametri utilizzati e Metriche di performance elenca i risultati della valutazione finale. Entrambe le tabelle sono ricercabili e dispongono di un menu Esporta dati (Copia JSON, Scarica CSV, Scarica JSON).

Scheda Addestra#

La scheda Addestra ha tre sottoschede:

Sottoscheda Grafici#

Grafici metrici interattivi sulle epoche, suddivisi nelle viste Addestramento e Validazione quando l'esecuzione ha prodotto artefatti di validazione. I gruppi di grafici seguono le metriche segnalate dall'esecuzione:

Ciascun gruppo si contrae, il suo menu nasconde o mostra i singoli grafici (e, per le perdite, la serie di addestramento o di validazione), e i grafici possono essere trascinati e ridimensionati in un layout che persiste tra le sessioni.

Sottoscheda Console#

Output live della console dal processo di addestramento:

• Streaming dei log in tempo reale durante l'addestramento, che conserva le ultime 2000 righe
• Barre di avanzamento delle epoche e risultati di validazione
• Rilevamento degli errori fatali che termina l'esecuzione e fa emergere il messaggio in un banner
• Supporto per colori ANSI, una colonna di timestamp opzionale e copia con un clic come testo normale

Sottoscheda Sistema#

Una scheda host che riassume l'istanza di addestramento (nome host, CPU, GPU, totali di RAM e disco, e quando è stata vista l'ultima volta), seguita da grafici per epoca:

I grafici di GPU, rete e disco compaiono solo quando l'esecuzione ha riportato quei contatori.

Scheda Predici#

Esegui inferenza interattiva direttamente nel browser:

• Carica un'immagine, usa immagini di esempio o usa la webcam
• Visualizzazione dei risultati con bounding box, maschere, mappe delle classi semantiche o keypoint
• Auto-inferenza quando viene fornita un'immagine
• Supporta tutti i tipi di attività (detect, segment, semantic, depth, classify, pose, OBB)

Scheda Esporta#

Esporta il tuo modello in 20 formati di deployment. Vedi Esportazione del modello qui sotto e la Guida alla modalità di esportazione principale per tutti i dettagli.

Scheda Deploy#

Crea e gestisci endpoint di inferenza dedicati. Vedi Deployments per i dettagli.

Grafici di Validazione#

Al termine dell'addestramento, la vista Validazione all'interno della sottoscheda Grafici mostra un'analisi dettagliata dell'epoca finale.

Matrice di Confusione#

Heatmap interattiva che mostra l'accuratezza della predizione per classe:

Curve PR/F1#

Quando l'esecuzione dell'addestramento li fornisce, la vista Validazione mostra anche curve di performance a diverse soglie di confidenza. I grafici di validazione disponibili dipendono dagli artefatti prodotti dall'esecuzione.

Diagnostica per immagine#

I modelli di rilevamento addestrati con una versione del dataset salvata ottengono anche un'analisi di validazione per immagine, che individua i dati alla base di un punteggio deludente:

• Immagini con le prestazioni peggiori e migliori, classificate per F1 per immagine e disegnate con i loro box di ground-truth
• Esploratore delle caratteristiche, che mette in correlazione F1 con larghezza, altezza, conteggio dei pixel, aspect ratio e conteggio delle istanze dell'immagine, con la relazione più forte selezionata per impostazione predefinita
• Classi associate agli errori, che classifica quali classi compaiono più spesso nelle immagini più deboli

Esporta modello#

graph LR
    A[Select Format]:::start --> B[Configure Args]:::proc
    B --> C[Export]:::proc
    C --> D{GPU Required?}:::decide
    D -->|Yes| E[Cloud GPU Export]:::proc
    D -->|No| F[CPU Export]:::proc
    E --> G[Download]:::out
    F --> G

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,color:#fff

Esporta il tuo modello in 20 formati di distribuzione:

1. Vai alla scheda Export
2. Seleziona il formato di destinazione
3. Configura gli argomenti di esportazione (dimensione immagine, mezza precisione, dinamico, ecc.)
4. Per i formati che richiedono la GPU (TensorRT), seleziona un tipo di GPU
5. Fai clic su Avvia esportazione
6. Scarica al termine

Collega gli avvisi Slack per ricevere un messaggio quando un'esportazione è pronta o fallisce.

Formati supportati#

La Platform supporta l'esportazione verso 20 formati di deployment: ONNX, TorchScript, OpenVINO, TensorRT, CoreML, TF SavedModel, TF GraphDef, LiteRT, TF Edge TPU, PaddlePaddle, NCNN, MNN, RKNN, Qualcomm (QNN), IMX500, Axelera, ExecuTorch, DeepX, Hailo e Huawei Ascend.

Guida alla selezione del formato#

Obiettivi NVIDIA Jetson TensorRT#

Ultralytics Platform offre le seguenti selezioni di destinazione Jetson per le esportazioni TensorRT .engine. A partire da luglio 2026, le esportazioni Jetson TensorRT sono create con JetPack 7.2 / L4T r39.2, Python 3.12.3, NVIDIA PyTorch 2.12.0a0 (build 26.04), CUDA 13.2 e TensorRT 10.16.1.11.

Le tempistiche si riferiscono a singoli test di routing di produzione end-to-end osservati a luglio 2026, arrotondati al secondo più vicino; si tratta di misurazioni di riferimento, non di un SLA o di un benchmark delle prestazioni per SKU. Entrambe le selezioni Thor sono basate su un T5000 Developer Kit nel profilo di compatibilità T4000 di NVIDIA. I sei percorsi Orin sono basati su un AGX Orin 64GB, dove ogni motore risultante è stato caricato ed eseguito.

Supporto chip RKNN#

Quando esporti nel formato RKNN, seleziona il tuo dispositivo Rockchip di destinazione:

Ciclo di vita del processo di esportazione#

I processi di esportazione avanzano attraverso i seguenti stati:

Azioni di esportazione in blocco#

• Esporta tutto: Clicca Export All per avviare i processi di esportazione per tutti i formati basati su CPU con le impostazioni predefinite. I formati che richiedono una selezione della GPU, non sono disponibili per questo modello o hanno già un'esportazione vengono saltati ed elencati per te.
• Elimina tutte le esportazioni: fai clic su Delete All per rimuovere tutte le esportazioni per il modello.

Restrizioni sui formati#

Alcuni formati di esportazione hanno restrizioni di architettura o di attività:

Clona modello#

Clona un modello in un progetto diverso:

1. Apri la pagina del modello
2. Fai clic su Clona modello
3. Seleziona il progetto di destinazione o scegli Nuovo progetto per crearne uno inline
4. Facoltativamente, assegna al clone un nome diverso
5. Fai clic su Clona modello

Il modello e i suoi pesi vengono copiati nel progetto di destinazione. Clona modello compare sui modelli completati con pesi che non possiedi già.

Scarica modello#

Scarica i pesi del tuo modello:

1. Vai alla scheda Overview del modello
2. Clicca sul pulsante Download
3. Il checkpoint principale .pt del modello viene scaricato automaticamente

I formati esportati possono essere scaricati dalla scheda Export una volta completata l'esportazione.

Collegamento del dataset#

I modelli possono essere collegati al loro dataset di origine:

• Visualizza quale dataset è stato utilizzato per l'addestramento
• Clicca sulla scheda del dataset nella pagina Overview per andarci
• Traccia la provenienza dei dati

Quando esegui l'addestramento con i dataset di Platform utilizzando il ul:// formato URI, il collegamento è automatico.

# Train with a Platform dataset — linking is automatic
yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100

Metadati personalizzati#

Apri Altre azioni e seleziona Informazioni per esaminare due sezioni:

• Metadati Ultralytics: dettagli Platform di sola lettura come ID del modello, progetto, dataset di origine, attività, stato e timestamp
• Metadati personalizzati: il tuo oggetto JSON per contesto di valutazione, tracciamento delle release, governance o altri dati specifici del modello

I metadati personalizzati sono separati dalle informazioni del modello di proprietà dell'addestramento, dai dettagli dell'ambiente e dagli argomenti di addestramento. Gli osservatori dello spazio di lavoro possono ispezionarli, mentre i membri con accesso di modifica possono sostituire l'oggetto. L'oggetto di metadati serializzato è limitato a 500.000 caratteri e ciascuna chiave di primo livello è limitata a 128 caratteri. Salva un oggetto vuoto ({}) per cancellare i metadati personalizzati.

Impostazioni di visibilità#

Controlla chi può vedere il tuo modello:

La visibilità è impostata a livello di progetto, quindi controlla ogni modello nel progetto. Per modificarla, clicca sul badge di visibilità (private o public) accanto al nome del progetto nel percorso in cima alla pagina. Il passaggio a privato ha effetto immediato. Il passaggio a pubblico mostra una finestra di dialogo di conferma prima dell'applicazione.

Elimina Modello#

Rimuovi un modello che non ti serve più:

1. Apri il menu Altre azioni nell'intestazione del modello e seleziona Elimina modello
2. Conferma l'eliminazione

Vedi anche#

• Inferenza: testa i modelli nel browser con la scheda Predict
• Endpoint: effettua il deploy dei modelli in produzione con endpoint dedicati
• Addestramento nel cloud: configura ed esegui i job di addestramento su GPU cloud
• Formati di esportazione: guida completa a tutti i 20 formati di esportazione

FAQ#