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:
- Vai al tuo progetto
- Clicca su Carica modello
- Seleziona il tuo
.ptfile - Aggiungi nome e descrizione
- Clicca su Carica
Formati di modelli supportati:
| Formato | Estensione | Descrizione |
|---|---|---|
| PyTorch | .pt | Ultralytics nativo Ultralytics |
Dopo il caricamento, la piattaforma analizza i metadati del modello:
- Tipo di attività (detect, segment, posa, OBB, classify)
- Architettura (YOLO11n, YOLO11s, ecc.)
- Nomi delle classi e conteggio
- Dimensioni e parametri di input
Addestramento del modello
Addestra un nuovo modello direttamente sulla piattaforma:
- Vai al tuo progetto
- Clicca sul modello del treno
- Seleziona set di dati
- Scegli il modello base
- Configurare i parametri di allenamento
- Inizia l'allenamento
Per istruzioni dettagliate, consultare Cloud Training.
Panoramica del modello
Ogni pagina del modello mostra:
| Sezione | Contenuto |
|---|---|
| Panoramica | Metadati del modello, tipo di attività, architettura |
| Metriche | Grafici relativi alla perdita di allenamento e alle prestazioni |
| Tracciati | Matrice di confusione, curve PR, curve F1 |
| Prova | Test di inferenza interattivo |
| Distribuire | Creazione e gestione degli endpoint |
| Esportazione | Conversione del formato e download |
Metriche di allenamento
Visualizza le metriche di allenamento in tempo reale e storiche:
Curve di perdita
| Perdita | Descrizione |
|---|---|
| Scatola | Perdita di regressione del bounding box |
| Classe | Perdita di classificazione |
| DFL | Perdita focale di distribuzione |
Metriche di performance
| Metrica | Descrizione |
|---|---|
| mAP50 | Precisione media a IoU ,50 |
| mAP50 | Precisione media a IoU ,50-0,95 |
| Precisione | Rapporto tra previsioni positive corrette |
| Recall | Rapporto tra i positivi effettivi identificati |
Grafici di convalida
Al termine della formazione, visualizza l'analisi di convalida dettagliata:
Matrice di confusione
Mappa termica interattiva che mostra l'accuratezza delle previsioni per classe:
Curve PR/F1
Curve di prestazione a diverse soglie di confidenza:
| Curva | Descrizione |
|---|---|
| Precisione-Richiamo | Compromesso tra precisione e richiamo |
| F1-Fiducia | Punteggio F1 a diversi livelli di confidenza |
| Precisione-Fiducia | Precisione a diversi livelli di confidenza |
| Ricordo-Fiducia | Richiamo a diversi livelli di confidenza |
Modello di esportazione
Esporta il tuo modello in 17 formati di distribuzione:
- Passa alla scheda Esporta
- Seleziona il formato di destinazione
- Clicca su Esporta
- Scaricare al termine
Formati supportati
| Formato | Descrizione | Caso d'uso |
|---|---|---|
| ONNX | Scambio aperto di reti neurali | Implementazione multipiattaforma |
| TorchScript | PyTorch serializzato | PyTorch |
| OpenVINO | Intel | Intel |
| TensorRT | NVIDIA | NVIDIA |
| CoreML | Ottimizzazione Apple | iOS |
| TFLite | TensorFlow Lite | Mobile/integrato |
| TF SavedModel | TensorFlow | TensorFlow |
| TF GraphDef | TensorFlow | TensorFlow legacy |
| PaddlePaddle | Struttura Baidu | PaddlePaddle |
| NCNN | Inferenza mobile | Android |
| TPU Edge | Google TPU | Dispositivi Coral |
| TF.js | TensorFlow.js | Distribuzione del browser |
| MNN | Struttura Alibaba | Ottimizzazione mobile |
| RKNN | NPU Rockchip | Dispositivi Rockchip |
| IMX | NXP i.MX | Piattaforme NXP |
| Axelera | Metis AI | Acceleratori Edge AI |
| ExecuTorch | Meta-quadro | Piattaforme Meta |
Tempo di esportazione
Il tempo di esportazione varia a seconda del formato. TensorRT possono richiedere diversi minuti a causa dell'ottimizzazione del motore.
Collegamento dei set di dati
I modelli possono essere collegati al loro set di dati di origine:
- Visualizza quale set di dati è stato utilizzato per l'addestramento
- Accedi al set di dati dalla pagina del modello
- Traccia la provenienza dei dati
Quando ci si allena con i set di dati 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 la pagina Esplora |
Per modificare la visibilità:
- Apri il menu delle azioni del modello
- Clicca su Modifica
- Attiva/disattiva visibilità
- Clicca su Salva
Elimina modello
Rimuovi un modello che non ti serve più:
- Apri il menu delle azioni del modello
- Clicca su Elimina
- Conferma eliminazione
Elimina e ripristina
I modelli eliminati vengono spostati nel Cestino per 30 giorni. Ripristinali da Impostazioni > Cestino.
FAQ
Quali architetture di modelli sono supportate?
Ultralytics supporta tutte YOLO :
- YOLO11: varianti n, s, m, l, x
- YOLO26: Ultima generazione (quando disponibile)
- 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 formato (originale)
.pto esportato) - Il download inizia automaticamente
Come posso confrontare i modelli tra i diversi progetti?
Attualmente, il confronto tra modelli avviene all'interno dei progetti. Per effettuare un confronto tra progetti:
- Trasferisci i modelli a un singolo progetto, oppure
- Esporta le metriche e confrontale esternamente
Qual è la dimensione massima del modello?
Non esiste un limite rigido, ma i modelli molto grandi (>2 GB) potrebbero richiedere tempi di caricamento ed elaborazione più lunghi.
Posso ottimizzare i modelli preaddestrati?
Sì! Carica un modello preaddestrato, quindi avvia l'addestramento da quel checkpoint con il tuo set di dati. La piattaforma utilizza automaticamente il modello caricato come punto di partenza.