Ask AIによるAutoTrain#
**AutoTrainはAsk AIを使用して、会話を通じてモデルのトレーニング、比較、および改善を支援します。**ベースラインから開始し、結果を確認して、次の実験を依頼します。Ask AIは、データセットの検索、画像の注釈付け、モデルのエクスポート、およびデプロイも実行できます。
Ultralytics Platformにサインインし、データセットまたはプロジェクトを開いて、Ask AIをクリックします。
Platform のアクションを使用するには、まず個人のワークスペースの Settings > API Keys で Ultralytics API key を作成します。Ask AI は既存の個人用キーを自動的に使用するため、会話に貼り付ける必要はありません。チーム ワークスペースで作業する場合は、プロジェクトまたはデータセットのリンクを含めてください。
試してみるプロンプト#
リクエストに目標指標、モデル、エポック制限、および実験回数を含めます。比較可能な結果を得るためには、1回につき1つの設定を変更しながら、データセット、分割、およびランダムシードを固定します。クラウド実行ではトレーニングクレジットを使用します。
関連するデータセットまたはプロジェクトを開いて、次のように質問します。
| 目標 | プロンプトの例 |
|---|---|
| プロジェクトを開始する | 「Wildlife Lab」という名前のプライベート プロジェクトを作成します。野生動物検出データセットを検索してクローンを作成し、ベースライン学習ランの準備をします。 |
| 解像度を比較する | 画像サイズ 640、800、960 で、このデータセットに対して 3 つのモデルを学習させます。他のすべての設定とデータセットの分割は固定してください。 |
| データセットを探索する | xView でコンテナ船、輸送用コンテナ、クレーンを検索します。これは港湾ロジスティクスの出発点として適していますか？ |
| ベースラインを作成する | このデータセットで YOLO26n を学習させ、ランに「xview-baseline」という名前を付けます。 |
| モデルを比較する | 検証のmAP50-95によって完了したモデルを比較します。違いを説明し、次の実験を提案します。 |
| モデルをデプロイする | このプロジェクトで最高の検証 mAP を持つ、完了したモデルをデプロイします。そのエンドポイント URL とステータスを教えてください。 |
| 自動アノテーション | 最適で互換性のあるモデルを使用して、このデータセット内のラベルのない画像にアノテーションを付けます。既存のアノテーションは保持してください。 |
| 分類を確認する | どのモデルが最も優れた分類精度を持っていますか？どの品種がまだ混乱を招いていますか。また、次に何を試すべきですか？ |
| モデルをエクスポートする | このモデルを ONNX にエクスポートし、準備ができたらダウンロード リンクを教えてください。 |
独自のコーディング エージェントを使用する#
Ask AI は、Platform CLI、ul cloud、およびその付属の platform-cli skill を使用します。Claude Code、Codex、またはその他の互換性のあるコーディング エージェントから同じコマンドを使用できます。
インストールと接続#
以下のセットアップは、Platform の外で独自のコーディング エージェントと共に Platform CLI を使用するためのものです。
ul CLI は、Python 3.11+ の Ultralytics パッケージに付属しています。インストールまたはアップデートします:
pip install -U ultralyticsPlatform API key を作成し、エージェントで使用されるターミナルに設定します。次のコマンドで接続を確認します:
export ULTRALYTICS_API_KEY="YOUR_API_KEY"
ul cloud account summaryスキルの追加#
Claude Code および Codex プラグインの Agent Skills installation guide に従ってください。skills CLI でサポートされているエージェントの場合は、次のコマンドで Platform スキルをインストールします:
npx skills add ultralytics/skills --skill platform-cliその後、コンテキスト用のプロジェクトまたはデータセットのリンクを含め、上記の例のようなプロンプトを使用します。
コマンドを直接実行する#
コマンドではプロジェクトとモデルのURLスラッグを使用します。これらの例は個人ワークスペースを対象としています。所属するチームワークスペースを対象とするには、owner=TEAMを追加します:
ul cloud datasets list
ul cloud models list project=license-plate
ul cloud models training project=license-plate model=baseline
ul cloud training start --helpul cloud --help を使用してコマンドを検出し、ul cloud <resource> <operation> --help を使用してその引数を検出します。詳細については、Platform API reference を参照してください。