Modelli#

Ultralytics Platform offre una gestione completa dei modelli per addestrare, analizzare e distribuire modelli YOLO. Carica modelli pretrained o addestrane 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 nella 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

Puoi caricare più file contemporaneamente (fino a 3 operazioni simultanee).

Formati di modello supportati:

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

• Tipo di attività (rilevamento, segmentazione, semantica, profondità, classificazione, posa, OBB)
• Architettura (YOLO26n, YOLO26s, ecc.)
• Nomi e numero delle classi
• Dimensioni dell'input e parametri
• Risultati e metriche dell'addestramento (se presenti nel checkpoint)

Addestra modello#

Addestra un nuovo modello direttamente sulla piattaforma:

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

Consulta Addestramento 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 del modello#

Ogni pagina del modello include le seguenti schede:

Intestazione del modello#

Sopra le schede, l'intestazione mostra il colore del modello (modificabile), il nome (fai clic per rinominarlo), il badge dell'attività, la versione ultralytics del checkpoint e un selettore della licenza. Le azioni disponibili sono Clona modello (sui modelli completati con pesi che non possiedi già), Scarica, Aggiungi a Speciali, Condividi (modelli pubblici) e un menu Altre azioni contenente Informazioni, Aggiorna ed Elimina modello.

Subito sotto, una scheda per ogni metrica dell'attività mostra il valore finale sopra uno sparkline dell'andamento dell'addestramento: fai clic su una scheda per passare ai grafici; accanto trovi una scheda che collega al 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 avvio, durata, costo di calcolo con la GPU e la tariffa oraria, versione ultralytics, dettagli dell'host (nome host, ambiente, sistema operativo, Python, CPU, GPU), modello padre, versione fissata del dataset, repository Git, branch e commit quando comunicati dall'esecuzione, oltre a un comando yolo train riproducibile che puoi copiare.

Mentre un'esecuzione è attiva, la scheda mostra l'avanzamento in tempo reale: contatore delle epoche, barra di avanzamento, tempo trascorso, ETA e costo accumulato, oltre a un pulsante Annulla. Se un'esecuzione non va a buon fine, un banner di errore sostituisce la scheda e mostra l'errore acquisito e le azioni Visualizza log completi della console e Riprova addestramento.

Sotto, Configurazione dell'addestramento elenca ogni iperparametro utilizzato e Metriche delle prestazioni elenca i risultati finali della valutazione. Entrambe le tabelle sono ricercabili e includono un menu Esporta dati (Copia JSON, Scarica CSV, Scarica JSON).

Scheda Addestramento#

La scheda Addestramento include tre sottoschede:

Sottoscheda Grafici#

Grafici interattivi delle metriche sulle epoche, suddivisi nelle viste Addestramento e Convalida quando l'esecuzione ha prodotto artefatti di convalida. I gruppi di grafici seguono le metriche comunicate dall'esecuzione:

Ogni gruppo può essere compresso, il relativo menu mostra o nasconde i singoli grafici (e, per le perdite, la serie di addestramento o di convalida) e puoi trascinare e ridimensionare i grafici per creare un layout che rimane invariato tra le sessioni.

Sottoscheda Console#

Output della console in tempo reale dal processo di addestramento:

• Streaming dei log in tempo reale durante l'addestramento, conservando le ultime 2000 righe
• Barre di avanzamento delle epoche e risultati della convalida
• Rilevamento degli errori irreversibili che termina l'esecuzione e mostra il messaggio in un banner
• Supporto dei colori ANSI, colonna dei timestamp opzionale e copia con un clic come testo semplice

Sottoscheda Sistema#

Una scheda dell'host riepiloga l'istanza di addestramento (nome host, CPU, GPU, quantità totale di RAM e disco e ultima rilevazione), seguita dai grafici per epoca:

I grafici della GPU, della rete e del disco vengono visualizzati solo quando l'esecuzione ha comunicato i relativi contatori.

Scheda Predizione#

Esegui l'inferenza interattiva direttamente nel browser:

• Carica un'immagine, usa immagini di esempio oppure usa la webcam
• I risultati vengono visualizzati con riquadri delimitatori, maschere, mappe semantiche delle classi o punti chiave
• Inferenza automatica quando viene fornita un'immagine
• Supporta tutti i tipi di attività (rilevamento, segmentazione, semantica, profondità, classificazione, posa, OBB)

Scheda Esportazione#

Esporta il modello in 20 formati di distribuzione. Consulta Esporta modello qui sotto e la guida alla modalità Esportazione principale per tutti i dettagli.

Scheda Distribuzione#

Crea e gestisci endpoint di inferenza dedicati. Consulta Distribuzioni per i dettagli.

Grafici di convalida#

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

Matrice di confusione#

Mappa di calore interattiva che mostra l'accuratezza delle predizioni per classe:

Curve PR/F1#

Quando la sessione di training le fornisce, la vista Validation mostra anche le curve delle prestazioni a diverse soglie di confidenza. I grafici di validazione disponibili dipendono dagli artefatti prodotti dalla sessione.

Diagnostica per immagine#

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

• Immagini con prestazioni peggiori e migliori, ordinate in base all'F1 per immagine e visualizzate con i relativi riquadri di ground truth
• Esploratore delle caratteristiche, che mette in relazione F1 con larghezza, altezza, numero di pixel, rapporto d'aspetto e numero di istanze dell'immagine, selezionando per impostazione predefinita la relazione più forte
• Classi associate agli errori, con una classifica delle classi che compaiono più spesso nelle immagini con le prestazioni peggiori
• Trova simili (Find similar), nella galleria con prestazioni peggiori, su una singola immagine nella sua visualizzazione a schermo intero e su una riga di classe, che cerca nei dataset pubblici immagini simili ai fallimenti catturati e aggiunge quelle che selezioni al dataset di addestramento come immagini non etichettate train (vedi Trova immagini simili); viene mostrato quando puoi modificare il progetto e il dataset di addestramento è un dataset non connesso dello stesso spazio di lavoro

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 deployment:

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

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

Formati supportati#

La piattaforma supporta l'esportazione in 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#

Destinazioni TensorRT NVIDIA Jetson#

Ultralytics Platform offre le seguenti selezioni di destinazione Jetson per le esportazioni di TensorRT di .engine. Le misurazioni di convalida di luglio 2026 seguenti hanno utilizzato 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. Esse descrivono quell'ambiente testato; verifica i runtime attuali del worker e del dispositivo di distribuzione prima di riutilizzare un motore esportato.

I tempi sono test di routing produttivo end-to-end osservati una sola volta a luglio 2026 e arrotondati al secondo più vicino; sono misurazioni di riferimento, non uno SLA né un benchmark delle prestazioni per SKU. Entrambe le selezioni Thor sono create su un Developer Kit T5000 nel profilo di compatibilità NVIDIA T4000. I sei percorsi Orin sono creati su un AGX Orin 64GB, dove ogni engine risultante è stato caricato ed eseguito.

Supporto dei chip RKNN#

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

Ciclo di vita del job di esportazione#

I job 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. I formati che richiedono la selezione di una GPU, non sono disponibili per questo modello o hanno già un'esportazione vengono ignorati e indicati.
• Elimina tutte le esportazioni: fai clic su Delete All per rimuovere tutte le esportazioni del modello.

Restrizioni dei formati#

Alcuni formati di esportazione presentano restrizioni relative all'architettura o al task:

Sposta i modelli tra i progetti#

Sposta i modelli che puoi modificare in un altro progetto dello stesso spazio di lavoro senza copiarli:

1. Apri il progetto di origine e seleziona uno o più modelli nell'elenco dei modelli
2. Fai clic con il pulsante destro del mouse e scegli Taglia (Cmd/Ctrl+X)
3. Apri il progetto di destinazione, fai clic con il pulsante destro del mouse sull'elenco dei modelli e scegli Incolla (Cmd/Ctrl+V), oppure trascina i modelli selezionati sul progetto di destinazione nella barra laterale

I modelli spostati mantengono i loro pesi, metriche, esportazioni e distribuzioni e assumono l'URL del progetto di destinazione. Un modello il cui nome URL è già utilizzato nella destinazione viene rinominato all'arrivo, i modelli ancora in fase di addestramento non possono essere spostati e Esc annulla un taglio in sospeso. Per copiare un modello che non possiedi in uno dei tuoi progetti, usa Clona modello.

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 oppure scegli Nuovo progetto per crearne uno direttamente
4. Facoltativamente, assegna al clone un nome diverso
5. Fai clic su Clona modello

Il modello e i relativi pesi vengono copiati nel progetto di destinazione. Clona modello viene visualizzato per i modelli completati con pesi che non possiedi già.

Scarica modello#

Scarica i pesi del tuo modello:

1. Vai alla scheda Panoramica del modello
2. Fai clic sul pulsante Scarica
3. Il checkpoint principale .pt del modello viene scaricato automaticamente

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

Collegamento del dataset#

I modelli possono essere collegati al dataset di origine:

• Visualizza quale dataset è stato utilizzato per l'addestramento
• Fai clic sulla scheda del dataset nella scheda Panoramica per aprirlo
• Traccia la provenienza dei dati

Quando esegui l'addestramento con i dataset della Platform usando il formato URI ul://, 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 di sola lettura della Platform, come ID del modello, progetto, dataset di origine, task, stato e timestamp
• Metadati personalizzati: il tuo oggetto JSON per il contesto della valutazione, il monitoraggio delle release, la governance o altri dati specifici del modello

I metadati personalizzati sono separati dalle informazioni del modello gestite dall'addestramento, dai dettagli dell'ambiente e dagli argomenti di addestramento. I visualizzatori del workspace possono esaminarli, mentre i membri con accesso alla modifica possono sostituire l'oggetto. L'oggetto dei metadati serializzato è limitato a 500.000 caratteri e ogni 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 del progetto. Per modificarla, fai clic sul badge di visibilità (private o public) accanto al nome del progetto nel breadcrumb nella parte superiore della pagina. Il passaggio a privato ha effetto immediato. Il passaggio a pubblico mostra una finestra di conferma prima dell'applicazione.

Elimina modello#

Rimuovi un modello di cui non hai più bisogno:

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: distribuisci i modelli in produzione con endpoint dedicati
• Addestramento cloud: configura ed esegui job di addestramento su GPU cloud
• Formati di esportazione: guida completa a tutti i 20 formati di esportazione

FAQ#