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:

Scheda Panoramica#

Mostra i metadati e le metriche chiave del modello:

• Nome modello (modificabile), badge di stato, tipo di task
• Metriche finali (mAP50, mAP50-95, precision, recall)
• Grafici sparkline delle metriche che mostrano l'avanzamento dell'addestramento
• Argomenti di addestramento (epoche, dimensione batch, dimensione immagine, ecc.)
• Link al dataset (quando addestrato con un dataset della Piattaforma)
• Pulsante di download per i pesi del modello

Scheda Addestra#

La scheda Addestra ha tre sottoschede:

Sottoscheda Grafici#

Grafici interattivi delle metriche di addestramento che mostrano le curve di loss e le metriche di performance nel corso delle epoche:

Sottoscheda Console#

Output live della console dal processo di addestramento:

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

Sottoscheda Sistema#

Metriche GPU e di sistema durante l'addestramento:

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#

Una volta terminato l'addestramento, visualizza l'analisi dettagliata della validazione:

Matrice di Confusione#

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

Curve PR/F1#

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

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 target Jetson per le esportazioni TensorRT di .engine. A partire da luglio 2026, i worker di esportazione Jetson utilizzano 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 all'interno del container di esportazione.

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: fai clic su Export All per avviare i job di esportazione per tutti i formati basati su CPU con le impostazioni predefinite.
• 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
4. Fai clic su Clona modello

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

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:

Per modificare la visibilità, fai clic sul badge di visibilità (ad es. private o public) nell'intestazione della pagina. La visibilità è impostata a livello di progetto, quindi questo controlla tutti i modelli nel progetto. 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. Fai clic sull'icona del cestino Elimina modello nell'intestazione del 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#

Quali architetture di modello sono supportate?#

La Ultralytics Platform supporta pienamente tutte le architetture YOLO con progetti dedicati:

• YOLO26: varianti n, s, m, l, x (ultime, consigliate) — platform.ultralytics.com/ultralytics/yolo26
• YOLO11: varianti n, s, m, l, x — platform.ultralytics.com/ultralytics/yolo11
• YOLOv8: varianti n, s, m, l, x — platform.ultralytics.com/ultralytics/yolov8
• YOLOv5: varianti n, s, m, l, x — platform.ultralytics.com/ultralytics/yolov5

YOLO26 supporta 7 tipi di attività: detect, segment, semantic, depth, classify, pose e OBB. YOLO11 e YOLOv8 supportano lo stesso insieme tranne la segmentazione semantica e la profondità, mentre YOLOv5 supporta detect, segment 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. Il checkpoint principale .pt del modello viene scaricato automaticamente
3. I formati esportati possono essere scaricati dalla scheda Esporta

Come confronto i modelli tra diversi progetti?#

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

1. Clona i modelli in un unico progetto, oppure
2. Esporta le metriche e confronta esternamente

Qual è la dimensione massima del modello?#

I file di modello .pt caricati sono limitati a 1 GB e i modelli vicini a tale limite potrebbero richiedere più tempo per il caricamento e l'elaborazione.

Posso fare il fine-tuning di modelli pre-addestrati?#

Sì. Scegli un modello compatibile dai progetti ufficiali YOLO26, YOLO11, YOLOv8 o YOLOv5, oppure seleziona uno dei tuoi checkpoint completati o caricati da I miei modelli nella finestra di dialogo dell'addestramento.