Modelli#

Ultralytics Platform offre funzionalità complete per gestire i modelli durante l'addestramento, l'analisi e la distribuzione dei modelli YOLO. Carica modelli preaddestrati 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 sulla pagina del progetto o nella barra laterale dei modelli, oppure fai clic sull'icona Carica modelli
3. I metadati del modello vengono estratti automaticamente dal file

Puoi caricare più file contemporaneamente (fino a 3 caricamenti simultanei).

Formati di modello supportati:

Dopo il caricamento, la piattaforma estrae 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 sul cloud o in locale
6. Avvia l'addestramento

Consulta Addestramento sul cloud per istruzioni dettagliate.

Ciclo di vita del modello#

Schede della pagina del modello#

Ogni pagina del modello contiene 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 ai preferiti, Condividi (modelli pubblici) e il menu Altre azioni, che contiene Informazioni, Aggiorna ed Elimina modello.

Subito sotto, una scheda per ogni metrica dell'attività mostra il valore finale sopra un grafico sparkline dell'andamento durante l'addestramento: fai clic su una scheda per passare ai grafici corrispondenti. È presente anche una scheda con un link al dataset usato per addestrare 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 GPU e tariffa oraria, versione ultralytics, dettagli dell'host (nome host, ambiente, sistema operativo, Python, CPU, GPU), modello padre, versione del dataset fissata, repository Git, branch e commit, se comunicati dall'esecuzione, e un comando yolo train riproducibile che puoi copiare.

Durante un'esecuzione attiva, la scheda mostra l'avanzamento in tempo reale — contatore delle epoche, barra di avanzamento, tempo trascorso, tempo stimato rimanente e costi accumulati — e un pulsante Annulla. Se un'esecuzione non va a buon fine, un banner di errore la sostituisce e mostra l'errore acquisito e le azioni Visualizza log completi della console e Riprova l'addestramento.

Sotto, Configurazione dell'addestramento elenca ogni iperparametro utilizzato e Metriche di prestazione elenca i risultati finali della valutazione. Puoi cercare in entrambe le tabelle e usare il menu Esporta dati (Copia JSON, Scarica CSV, Scarica JSON).

Scheda Addestramento#

La scheda Addestramento contiene tre sottoschede:

Sottoscheda Grafici#

Grafici interattivi delle metriche per epoca, suddivisi nelle viste Training e Validation quando l'esecuzione ha prodotto artefatti di validazione. I gruppi di grafici corrispondono alle metriche riportate dall'esecuzione:

Ogni gruppo può essere compresso; il menu consente di nascondere o mostrare i singoli grafici (e, per le loss, le serie di training o di validazione) e puoi trascinare e ridimensionare i grafici per creare un layout che rimane salvato tra una sessione e l'altra.

Sottoscheda Console#

Output della console in tempo reale del processo di training:

• Streaming dei log in tempo reale durante il training, con conservazione delle ultime 2000 righe
• Barre di avanzamento delle epoche e risultati della validazione
• Rilevamento degli errori fatali che interrompono l'esecuzione e mostrano il messaggio in un banner
• Supporto dei colori ANSI, colonna timestamp opzionale e copia in testo semplice con un clic

Sottoscheda Sistema#

Una scheda host con un riepilogo dell'istanza di training (nome host, CPU, GPU, RAM e spazio totale su disco, nonché l'ultima volta che è stata rilevata), seguita dai grafici per epoca:

I grafici di GPU, rete e disco vengono visualizzati solo se l'esecuzione ha riportato i relativi contatori.

Scheda Predict#

Esegui inferenze interattive direttamente nel browser:

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

Scheda Export#

Esporta il tuo modello in 22 formati di distribuzione. Per tutti i dettagli, consulta la sezione Esportare un modello qui sotto e la guida principale alla modalità di esportazione.

Scheda Deploy#

Crea e gestisci endpoint di inferenza dedicati. Per maggiori dettagli, consulta Deployment.

Grafici di validazione#

Al termine del training, la vista Validation nella sottoscheda Charts mostra un'analisi dettagliata dell'ultima epoca.

Matrice di confusione#

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

Curve PR/F1#

Se l'esecuzione 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 dall'esecuzione.

Diagnostica per immagine#

Anche i modelli di rilevamento addestrati con una versione del dataset salvata includono un'analisi di validazione per immagine, che aiuta a individuare i dati alla base di un punteggio deludente:

• Immagini con le 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 l'F1 con la larghezza, l'altezza, il numero di pixel, le proporzioni e il 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 immagini simili, disponibile nella galleria delle immagini con le prestazioni peggiori, sulla singola immagine nella vista a schermo intero e su una riga di classe; cerca nei dataset pubblici e nei tuoi dataset e in quelli del team immagini simili agli errori rilevati e aggiunge quelle selezionate al dataset di training come immagini train senza etichette (vedi Trova immagini simili); viene mostrato quando puoi modificare il progetto e il dataset di training è un dataset non collegato dello stesso workspace

Esporta modello#

Esporta il tuo modello in 22 formati di distribuzione:

1. Vai alla scheda Export
2. Seleziona il formato di destinazione
3. Configura gli argomenti di esportazione (dimensione dell'immagine, precisione, modalità dinamica ecc.)
4. Per i formati che richiedono una GPU (TensorRT), seleziona il 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 22 formati di distribuzione: TorchScript, ONNX, OpenVINO, TensorRT, CoreML, Apple Core AI, TF SavedModel, TF GraphDef, TF Edge TPU, LiteRT, PaddlePaddle, MNN, NCNN, IMX500, RKNN, ExecuTorch, Axelera, DeepX, Qualcomm (QNN), Hailo, Huawei Ascend e AMD Xilinx.

Guida alla scelta del formato#

Destinazioni TensorRT per NVIDIA Jetson#

La Ultralytics Platform offre le seguenti destinazioni Jetson selezionabili per le esportazioni TensorRT .engine. Le misurazioni di validazione di luglio 2026 riportate qui sotto sono state effettuate con 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. Descrivono l'ambiente testato; verifica i runtime attuali del worker e del dispositivo di deployment prima di riutilizzare un motore esportato.

I tempi sono risultati di test di instradamento in produzione end-to-end, osservati una sola volta nel luglio 2026 e arrotondati al secondo più vicino; sono misurazioni di riferimento, non uno SLA né un benchmark delle prestazioni per SKU. Entrambe le configurazioni Thor sono state compilate su un T5000 Developer Kit nel profilo di compatibilità T4000 di NVIDIA. I sei percorsi Orin sono stati compilati su un AGX Orin 64GB, dove ogni motore risultante è stato caricato ed eseguito.

Supporto dei chip RKNN#

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

Ciclo di vita dei processi di esportazione#

I processi di esportazione seguono questi stati:

Azioni di esportazione in blocco#

• Esporta tutto: fai clic su Export All per avviare i processi 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.

Limitazioni dei formati#

Alcuni formati di esportazione presentano limitazioni relative all'architettura o all'attività:

Sposta i modelli tra progetti#

Sposta i modelli che puoi modificare in un altro progetto dello stesso workspace, 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 pesi, metriche, esportazioni e distribuzioni e acquisiscono l'URL del progetto di destinazione. Se il nome dell'URL di un modello è già in uso nel progetto di destinazione, il modello viene rinominato al suo arrivo; i modelli ancora in fase di addestramento non possono essere spostati e Esc annulla un taglio in sospeso. Per copiare in uno dei tuoi progetti un modello di cui non sei proprietario, usa Clona modello.

Clona modello#

Clona un modello in un altro progetto:

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. Se vuoi, assegna un nome diverso alla copia
5. Fai clic su Clona modello

Il modello e i relativi pesi vengono copiati nel progetto di destinazione. Clona modello è disponibile per i modelli completati con pesi di cui non sei già proprietario.

Scarica il modello#

Scarica i pesi del modello:

1. Apri la pagina del modello
2. Fai clic sull'icona di download nell'intestazione del modello (disponibile da qualsiasi scheda)
3. Il checkpoint principale del modello .pt viene scaricato automaticamente

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

Collegamento dei dataset#

Puoi collegare i modelli al dataset di origine:

• Visualizza il dataset usato per l'addestramento
• Fai clic sulla scheda del dataset nella scheda Overview per aprirlo
• Tieni traccia della provenienza dei dati

Quando esegui l'addestramento con i dataset Platform usando 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

Metadati personalizzati#

Apri Altre azioni e seleziona Informazioni per consultare due sezioni:

• Metadati Ultralytics: dettagli Platform di sola lettura, come l'ID del modello, il progetto, il dataset di origine, l'attività, lo stato e i timestamp
• Metadati personalizzati: un tuo oggetto JSON per il contesto di valutazione, il monitoraggio delle release, la governance o altri dati specifici del modello

I metadati personalizzati sono separati dalle informazioni sul modello gestite dall'addestramento, dai dettagli dell'ambiente e dagli argomenti di addestramento. Chi visualizza il workspace può consultarli, mentre i membri con accesso in 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#

Scegli chi può vedere il tuo modello:

La visibilità è impostata a livello di progetto, quindi si applica a tutti i modelli del progetto. Per modificarla, fai clic sull'indicatore 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 di applicare la modifica.

Elimina il modello#

Rimuovi un modello che non ti serve più:

1. Apri il menu More actions nell'intestazione del modello e seleziona Delete Model
2. Conferma l'eliminazione

Vedi anche#

• Inferenza: prova i modelli nel browser con la scheda Predict
• Endpoint: distribuisci i modelli in produzione con endpoint dedicati
• Addestramento cloud: configura ed esegui processi di addestramento su GPU cloud
• Formati di esportazione: guida completa a tutti i 22 formati di esportazione

Domande frequenti#