Link to this sectionModelli#

Ultralytics Platform fornisce una gestione completa dei modelli per l'addestramento, l'analisi e il deployment dei modelli YOLO. Carica modelli pre-addestrati o addestrarne di nuovi direttamente sulla piattaforma.

Link to this sectionCarica modello#

Carica i pesi di un modello esistente sulla piattaforma:

1. Vai al tuo progetto
2. Trascina i file .pt sulla 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 in parallelo).

Formati di modello supportati:

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

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

Link to this sectionAddestra 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

Consulta Cloud Training per istruzioni dettagliate.

Link to this sectionCiclo 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[19+ 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

Link to this sectionSchede della pagina modello#

Ogni pagina modello presenta le seguenti schede:

Link to this sectionScheda 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

Link to this sectionScheda Addestra#

La scheda Addestra ha tre sottoschede:

Link to this sectionSottoscheda Grafici#

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

Link to this sectionSottoscheda 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

Link to this sectionSottoscheda Sistema#

Metriche GPU e di sistema durante l'addestramento:

Link to this sectionScheda 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 task (detect, segment, semantic, pose, OBB, classify)

Link to this sectionScheda Esporta#

Esporta il tuo modello in oltre 19 formati di deployment. Consulta Esporta Modello di seguito e la guida alla modalità Esporta principale per tutti i dettagli.

Link to this sectionScheda Deploy#

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

Link to this sectionGrafici di Validazione#

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

Link to this sectionMatrice di Confusione#

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

Link to this sectionCurve PR/F1#

Curve di performance a diverse soglie di confidenza:

Link to this sectionEsporta 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 19 formati di deployment:

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. Clicca su Export
6. Scarica al termine

Link to this sectionFormati supportati#

La piattaforma supporta l'esportazione in 19+ formati di deployment: ONNX, TorchScript, OpenVINO, TensorRT, CoreML, TF SavedModel, TF GraphDef, TF Lite, TF Edge TPU, TF.js, PaddlePaddle, NCNN, MNN, RKNN, Qualcomm (QNN), IMX500, Axelera, ExecuTorch e DeepX.

Link to this sectionGuida alla selezione del formato#

Link to this sectionSupporto chip RKNN#

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

Link to this sectionCiclo di vita del processo di esportazione#

I processi di esportazione avanzano attraverso i seguenti stati:

Link to this sectionAzioni di esportazione in blocco#

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

Link to this sectionRestrizioni sui formati#

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

Link to this sectionClona modello#

Clona un modello in un progetto diverso:

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

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

Link to this sectionScarica modello#

Scarica i pesi del tuo modello:

1. Vai alla scheda Overview del modello
2. Clicca sul pulsante Download
3. Il file .pt originale si scaricherà automaticamente

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

Link to this sectionCollegamento 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 effettui il training con i dataset della Platform utilizzando il formato URI ul://, il collegamento avviene automaticamente.

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

Link to this sectionImpostazioni di visibilità#

Controlla chi può vedere il tuo modello:

Per modificare la visibilità, clicca 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.

Link to this sectionElimina Modello#

Rimuovi un modello che non ti serve più:

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

Link to this sectionVedi anche#

• Inferenza: Testa i modelli nel browser con la scheda Predict
• Endpoint: Distribuisci i modelli in produzione con endpoint dedicati
• Cloud Training: Configura ed esegui job di training su GPU cloud
• Formati di Esportazione: Guida completa a tutti i 19+ formati di esportazione

Link to this sectionFAQ#

Link to this sectionQuali architetture di modello sono supportate?#

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

• YOLO26: varianti n, s, m, l, x (più recente, consigliata) — 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 6 tipi di attività: detect, segment, semantic, pose, OBB e classify. YOLO11 e YOLOv8 supportano lo stesso set tranne la segmentazione semantica, mentre YOLOv5 supporta detect, segment e classify.

Link to this sectionPosso 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 file .pt originale si scaricherà automaticamente
3. I formati esportati possono essere scaricati dalla scheda Esporta

Link to this sectionCome 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

Link to this sectionQual è la dimensione massima del modello?#

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

Link to this sectionPosso fare il fine-tuning di modelli pre-addestrati?#

Sì! Puoi usare uno qualsiasi dei modelli ufficiali YOLO26 come base, oppure selezionare uno dei tuoi modelli completati dal selettore di modelli nella finestra di dialogo di training. La Platform supporta il fine-tuning da qualsiasi checkpoint caricato.