Modelli

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

Carica Modello

Carica i pesi del modello esistente sulla piattaforma:

1. Naviga al tuo progetto
2. Trascina e rilascia .pt i file sulla pagina del progetto o sulla 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 l'upload, la piattaforma analizza i metadati del modello:

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

Addestramento del modello

Addestra un nuovo modello direttamente sulla piattaforma:

1. Naviga al tuo progetto
2. Clicca Nuovo Modello
3. Selezionare il modello base e il dataset.
4. Configura i parametri di addestramento
5. Scegli l'addestramento 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 del Modello

Ogni pagina del modello ha le seguenti schede:

Scheda Panoramica

Visualizza i metadati del modello e le metriche chiave:

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

Scheda Addestramento

La scheda Addestramento ha tre sottoschede:

Sottoscheda Grafici

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

Sottoscheda Console

Output della console in tempo reale dal processo di addestramento:

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

Sottoscheda Sistema

GPU e metriche di sistema durante l'addestramento:

Scheda Prevedi

Esegui l'inferenza interattiva direttamente nel browser:

• Carica un'immagine, incolla un URL o usa la webcam
• Visualizzazione dei risultati con bounding box, maschere o keypoint
• Inferenza automatica quando viene fornita un'immagine
• Supporta tutti i tipi di attività (detect, segment, pose, OBB, classify)

Scheda Esportazione

Esporta il tuo modello in oltre 17 formati di deployment. Vedi Esporta Modello qui sotto e la guida alla modalità di esportazione per tutti i dettagli.

Scheda Deploy

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

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 deployment:

1. Naviga alla scheda Esporta
2. Seleziona il formato di destinazione
3. Configura gli argomenti di esportazione (dimensione immagine, mezza precisione, dinamico, ecc.)
4. Per i formati che richiedono GPU (TensorRT), selezionare un tipo di GPU
5. Clicca su Esporta
6. Scarica al completamento

Formati supportati

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

Guida alla selezione del formato

Supporto chip RKNN

Quando si esporta nel formato RKNN, selezionare il 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: Clicca Export All per avviare i processi di esportazione per tutti i formati basati su 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 di architettura o di attività:

Clona Modello

Clona un modello in un progetto diverso:

1. Apri la pagina del modello
2. Clicca il pulsante Clone
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. Vai alla scheda Panoramica del modello
2. Clicca il pulsante Scarica
3. L'originale .pt il file viene scaricato automaticamente

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

Collegamento dataset

I modelli possono essere collegati al loro dataset di origine:

• Visualizza quale dataset è stato utilizzato per l'addestramento
• Clicca la scheda del dataset 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 (es., private oppure public) sulla pagina del modello. 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. Apri il menu delle azioni del modello
2. Clicca su Elimina
3. Conferma eliminazione

FAQ

Quali architetture di modelli sono supportate?

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

• YOLO26: varianti n, s, m, l, x (più recente, raccomandato) — 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

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

Posso scaricare il mio modello addestrato?

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

1. Clicca l'icona di download nella scheda Panoramica
2. L'originale .pt il file viene scaricato automaticamente
3. I formati esportati possono essere scaricati dalla scheda Esportazione

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 modelli in un singolo 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 qualsiasi modello YOLO26 ufficiale come base, oppure selezionare uno dei propri modelli completati dal selettore di modelli nella finestra di dialogo di addestramento. La Piattaforma supporta il fine-tuning da qualsiasi checkpoint caricato.

📅 Creato 2 mesi fa ✏️ Aggiornato 25 giorni fa

Commenti