Modelli

Ultralytics offre una gestione completa dei modelli per l'addestramento, l'analisi e l'implementazione YOLO . Carica modelli preaddestrati o addestra nuovi modelli direttamente sulla piattaforma.

Carica Modello

Carica i pesi dei modelli esistenti sulla piattaforma:

1. Naviga al tuo progetto
2. Trascina e rilascia .pt file nella pagina del progetto o nella barra laterale dei modelli
3. I metadati del modello vengono analizzati automaticamente dal file

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

Formati di modello supportati:

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

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

Addestramento del modello

Addestrare un nuovo modello direttamente sulla piattaforma:

1. Naviga al tuo progetto
2. Clicca su Nuovo modello
3. Selezionare il modello di base e il set di dati
4. Configura i parametri di addestramento
5. Scegli la formazione cloud o locale
6. Avvia l'addestramento

Vedi Cloud Training per istruzioni dettagliate.

Ciclo di vita del modello

graph LR
    A[Upload .pt] --> B[Overview]
    C[Train] --> B
    B --> D[Predict]
    B --> E[Export]
    B --> F[Deploy]
    E --> G[17+ Formats]
    F --> H[Endpoint]

    style A fill:#4CAF50,color:#fff
    style C fill:#FF9800,color:#fff
    style E fill:#2196F3,color:#fff
    style F fill:#9C27B0,color:#fff

Schede della pagina Modello

Ogni pagina del modello presenta le seguenti schede:

Scheda Panoramica

Visualizza i metadati del modello e le metriche chiave:

• Nome del modello (modificabile), badge di stato, tipo di attività
• Metriche finali (mAP50, mAP50, precisione, richiamo)
• Grafici sparkline metrici che mostrano i progressi dell'allenamento
• Argomenti di addestramento (epoche, dimensione del batch, dimensione dell'immagine, ecc.)
• Link al set di dati (quando addestrato con un set di dati della piattaforma)
• Pulsante di download per i pesi dei modelli

Scheda Treno

La scheda Train (Treno) presenta tre sottoschede:

Sottoscheda Grafici

Grafici metrici di addestramento interattivi che mostrano le curve di perdita e le metriche di prestazione nel corso delle epoche:

Sottoscheda Console

Output della console live dal processo di formazione:

• Streaming dei log in tempo reale durante l'addestramento
• Barre di avanzamento Epoch e risultati della convalida
• Rilevamento degli errori con banner di errore evidenziati
• Supporto colori ANSI per output formattato

Sottoscheda Sistema

Metriche GPU del sistema durante l'addestramento:

Scheda Previsione

Esegui l'inferenza interattiva direttamente nel browser:

• Carica un'immagine, incolla un URL o usa la webcam
• Visualizzazione dei risultati con riquadri di delimitazione, maschere o punti chiave
• Auto-inferenza quando viene fornita un'immagine
• Supporta tutti i tipi di attività (detect, segment, posa, OBB, classify)

Scheda Esporta

Esporta il tuo modello in oltre 17 formati di distribuzione. Per maggiori dettagli, consulta la sezione Esportazione del modello qui sotto e la guida alla modalità di esportazione principale.

Scheda Distribuzione

Crea e gestisci endpoint di inferenza dedicati. Per ulteriori dettagli, consulta la sezione Distribuzioni.

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:

Esporta modello

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

    style A fill:#2196F3,color:#fff
    style C fill:#FF9800,color:#fff
    style G fill:#4CAF50,color:#fff

Esporta il tuo modello in oltre 17 formati di distribuzione:

1. Naviga alla scheda Esporta
2. Seleziona il formato di destinazione
3. Configurare gli argomenti di esportazione (dimensioni immagine, precisione a virgola mobile, dinamica, ecc.)
4. Per i formati GPU(TensorRT), selezionare un GPU
5. Clicca su Esporta
6. Scarica al completamento

Formati supportati

La piattaforma supporta l'esportazione in oltre 17 formati di distribuzione: ONNX, TorchScript, OpenVINO, TensorRT, CoreML, TF SavedModel, TF GraphDef, TF , TF TPU, TF.js, PaddlePaddle, NCNN, MNN, RKNN, IMX500, Axelera ed ExecuTorch.

Guida alla selezione del formato

Supporto chip RKNN

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

Ciclo di vita dei lavori di esportazione

I lavori di esportazione passano attraverso i seguenti stati:

Azioni di esportazione in blocco

• Esporta tutto: Clicca Export All avviare i processi di esportazione per tutti i formati CPU con le impostazioni predefinite.
• Elimina tutte le esportazioni: Clicca Delete All per rimuovere tutte le esportazioni per il modello.

Restrizioni di formato

Alcuni formati di esportazione presentano restrizioni relative all'architettura o alle attività:

Modello clone

Clona un modello in un progetto diverso:

1. Apri la pagina del modello
2. Fai clic sul pulsante Clona
3. Seleziona il progetto di destinazione
4. Clicca su Clona

Il modello e i suoi pesi vengono copiati nel progetto di destinazione.

Scarica Modello

Scarica i pesi del tuo modello:

1. Passa alla scheda Panoramica del modello.
2. Clicca sul pulsante Download
3. L'originale .pt download automatico dei file

I formati esportati possono essere scaricati dalla scheda Esporta al termine dell'esportazione.

Collegamento dataset

I modelli possono essere collegati al loro dataset di origine:

• Visualizza quale dataset è stato utilizzato per l'addestramento
• Clicca sulla scheda del set di dati nella scheda Panoramica per accedervi.
• track provenienza dei dati

Quando si addestra con dataset della Piattaforma 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

Impostazioni di Visibilità

Controlla chi può vedere il tuo modello:

Per modificare la visibilità, clicca sul badge di visibilità (ad esempio, private oppure public) nella pagina del modello. Il passaggio alla modalità privata ha effetto immediato. Il passaggio alla modalità pubblica richiede la visualizzazione di una finestra di dialogo di conferma prima dell'applicazione.

Elimina modello

Rimuovi un modello che non ti serve più:

1. Apri il menu delle azioni del modello
2. Clicca su Elimina
3. Conferma eliminazione

FAQ

Quali architetture di modelli sono supportate?

Ultralytics supporta pienamente tutte YOLO con progetti dedicati:

• YOLO26: varianti n, s, m, l, x (ultima versione, consigliata) — platform.ultralytics.ultralytics
• YOLO11: varianti n, s, m, l, x — platform.ultralytics.yolo11
• YOLOv8: varianti n, s, m, l, x — platform.ultralytics.yolov8
• YOLOv5: varianti n, s, m, l, x — platform.ultralytics.yolov5

Tutte le architetture supportano 5 tipi di attività: detect, segment, posa, OBB e classify.

Posso scaricare il mio modello addestrato?

Sì, scarica i pesi del tuo modello dalla pagina del modello:

1. Clicca sull'icona di download nella scheda Panoramica.
2. L'originale .pt download automatico dei file
3. I formati esportati possono essere scaricati dalla scheda Esporta.

Come posso confrontare i modelli tra i vari progetti?

Attualmente, il confronto dei modelli avviene all'interno dei progetti. Per confrontare tra progetti:

1. Clona i modelli in un unico progetto, oppure
2. 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! È possibile utilizzare uno qualsiasi dei modelli ufficiali YOLO26 come base oppure selezionare uno dei propri modelli completati dal selettore di modelli nella finestra di dialogo di formazione. La piattaforma supporta la messa a punto da qualsiasi checkpoint caricato.

📅 Creato 1 mese fa ✏️ Aggiornato 5 giorni fa

Commenti