YOLO Vision 2026:

Ultralytics Platform#

Ultralytics Platform — это комплексная сквозная платформа компьютерного зрения, оптимизирующая весь рабочий процесс машинного обучения от подготовки данных до развертывания моделей. Она создана для команд и отдельных разработчиков, которым нужны готовые к работе в продакшене решения для компьютерного зрения без лишней сложности инфраструктуры.

Скриншот датасета Ultralytics Platform

Что такое Ultralytics Platform?#

Ultralytics Platform объединяет в едином рабочем пространстве управление и разметку датасетов, отслеживание экспериментов, облачное и удаленное обучение, экспорт моделей, выделенные эндпоинты для инференса и мониторинг развертывания. Платформа имеет встроенную поддержку моделей YOLO26, YOLO11, YOLOv8 и YOLOv5.

Рабочий процесс: Загрузка → Разметка → Обучение → Экспорт или развертывание#

Платформа обеспечивает полный цикл работы:

graph LR
    subgraph Data["📁 Data"]
        A[Upload]:::start --> B[Annotate]:::proc
    end
    subgraph Train["🚀 Train"]
        D[Configure]:::proc --> E[Train on GPU]:::proc
        E --> F[View Metrics]:::out
    end
    subgraph Deploy["🌐 Export or Deploy"]
        G[Export]:::proc
        H[Deploy Endpoint]:::proc --> I[Monitor]:::out
    end
    Data --> Train
    E --> G
    E --> H

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff
ЭтапФункции
ЗагрузкаИзображения (50 МБ), видео (1 ГБ) и файлы датасетов (ZIP, TAR, включая .tar.gz/.tgz, NDJSON) с твоего компьютера, по URL, из облачного хранилища или с локального сервера
РазметкаИнструменты ручной разметки для 6 типов задач, а также Smart Annotation с моделями SAM и YOLO для детекции, сегментации, семантического анализа и OBB (см. supported task types)
ОбучениеОблачные GPU (24 на всех тарифах + 2 эксклюзивно для Pro/Enterprise: B200, B300), метрики в реальном времени, организация проектов
Экспорт20 форматов развертывания (ONNX, TensorRT, CoreML, LiteRT, Hailo, Ascend и др.; см. поддерживаемые форматы)
Развертывание42 глобальных региона с выделенными эндпоинтами, масштабированием до нуля по умолчанию (один активный экземпляр) и мониторингом

Что ты можешь делать:

  • Загружать изображения, видео и файлы наборов данных для создания обучающих датасетов
  • Визуализируй разметку с помощью интерактивных наложений для 6 типов задач YOLO, поддерживаемых редактором разметки (см. supported task types)
  • Обучай модели на облачных GPU (24 на всех тарифах, 26 с Pro или Enterprise для B200 и B300) с использованием метрик в реальном времени
  • Экспортируй в 20 форматов развертывания (ONNX, TensorRT, CoreML, LiteRT, Hailo, Ascend и др.)
  • Развертывай в 42 глобальных регионах с помощью выделенных эндпоинтов в один клик
  • Отслеживать прогресс обучения, состояние развертывания и метрики использования
  • Подключай облачные хранилища, инструменты разметки и Slack с помощью интеграций
  • Сотрудничать, делая проекты и датасеты общедоступными для сообщества

Мультирегиональная инфраструктура#

Твои данные остаются в твоем регионе. Ultralytics Platform управляет инфраструктурой в трех глобальных регионах:

РегионМеткаРасположениеЛучший выбор для
USАмерикаАйова, СШАПользователи из Америки, быстрее всего для Америки
EUЕвропа, Ближний Восток и АфрикаБельгия, ЕвропаЕвропейские пользователи, соответствие GDPR
APАзиатско-Тихоокеанский регионТайвань, Азиатско-Тихоокеанский регионПользователи из АТР, минимальная задержка в Азиатско-Тихоокеанском регионе

Ты выбираешь регион данных при регистрации. Датасеты, модели и данные управляемого обучения остаются в этом регионе. Выделенные эндпоинты развертываются отдельно в регионе, который ты выбираешь на карте глобального развертывания.

Регион фиксирован

Ты не можешь самостоятельно изменить регион данных после создания аккаунта. В процессе онбординга платформа измеряет задержку (latency) для каждого региона и рекомендует наиболее близкий. Обратись в службу поддержки, если тебе позже потребуется запросить изменение региона. Это относится к содержимому датасетов и моделей; данные уровня аккаунта, такие как профиль, платежная информация и записи об активности, обрабатываются глобально, как описано в нашей Политике конфиденциальности и Соглашении об обработке данных.

Ключевые особенности#

Подготовка данных#

  • Управление датасетами: создание датасетов из локальных файлов, по URL, из подключенного облачного хранилища или с локального сервера с автоматической обработкой
  • Annotation Editor: Инструменты ручной разметки для 6 типов задач YOLO (детекция, сегментация, семантический анализ, классификация, поза, OBB; см. supported task types)
  • Шаблоны скелетов: встроенные (человек, рука, собака, лицо, бабочка/прямоугольник) и пользовательские шаблоны скелетов для разметки поз в один клик
  • Умная разметка (Smart Annotation): используй SAM 2.1 (Tiny, Small, Base, Large), SAM 3, предобученные модели Ultralytics YOLO или собственные дообученные модели YOLO прямо с панели инструментов разметки для задач детекции, сегментации, семантической разметки и OBB
  • Версионирование датасетов: создание пронумерованных снимков NDJSON с описаниями, а затем скачивание или восстановление любой версии для воспроизводимого обучения
  • Статистика: распределение классов, распределение разбиений, тепловые карты расположения и анализ размеров ограничивающих прямоугольников
graph LR
    A[Upload Dataset/Images/Video]:::start --> B[Auto-Process]:::proc
    B --> C[Browse & Filter]:::proc
    C --> D{Annotate}:::decide
    D --> E[Manual Tools]:::proc
    D --> F[SAM Smart]:::proc
    D --> G[YOLO Auto-Label]:::proc
    E --> H[Train-Ready Dataset]:::out
    F --> H
    G --> H

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,color:#fff
Поддерживаемые типы задач

Редактор разметки предоставляет инструменты для 6 типов задач YOLO: detect (ограничивающие рамки), segment (полигоны), semantic (области по классам), classify (метки уровня изображения), pose (ключевые точки) и OBB (ориентированные рамки). Каждый тип задачи имеет специализированные элементы управления разметкой и сочетания клавиш.

Обучение моделей#

  • Облачное обучение: обучение на облачных GPU (24 на всех тарифах, 26 с Pro или Enterprise для B200 и B300) с метриками в реальном времени и расчетом стоимости в прямом эфире
  • Удаленное обучение: обучайте где угодно и передавай метрики в Ultralytics Platform в режиме реального времени
  • Расширенные настройки: переопределение любого аргумента обучения Ultralytics из встроенного YAML-редактора в диалоговом окне обучения
  • Организация проектов: Группируй связанные модели, сравнивай эксперименты, отслеживай активность
  • 20 форматов экспорта: ONNX, TensorRT, CoreML, LiteRT, Hailo, Ascend и многое другое (см. поддерживаемые форматы)

Скриншот проекта Ultralytics Platform Ты можешь обучать модели либо через веб-интерфейс (облачное обучение), либо со своего собственного компьютера (удаленное обучение):

  1. Перейди к своему проекту
  2. Нажми New Model
  3. Выбери набор данных, модель, GPU и количество эпох
  4. Отслеживай графики потерь и метрики в реальном времени

Развертывание#

  • Тестирование инференса: тестирование моделей прямо в браузере с твоими собственными изображениями, захватом с веб-камеры или встроенными примерами
  • Выделенные эндпоинты: развертывай в 42 глобальных регионах с масштабированием до нуля по умолчанию (один активный экземпляр)
  • Мониторинг: Метрики в реальном времени, логи запросов и дашборды производительности
graph LR
    A[Trained Model]:::start --> B{Action}:::decide
    B --> C[Browser Predict]:::proc
    B --> D[Export Format]:::proc
    B --> E[Deploy Endpoint]:::proc
    D --> F[ONNX / TensorRT / CoreML / LiteRT / ...]:::out
    E --> G[42 Global Regions]:::proc
    G --> H[API Endpoint URL]:::proc
    H --> I[Monitor & Scale]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,color:#fff

После развертывания вызывай свой эндпоинт на любом языке. conf, iou и imgsz — это необязательные поля формы, значениями по умолчанию для которых являются 0.25, 0.7 и 640:

import requests

url = "https://your-deployment-url.run.app/predict"
api_key = "YOUR_API_KEY"
args = {"conf": 0.25, "iou": 0.7, "imgsz": 640}

with open("image.jpg", "rb") as f:
    response = requests.post(
        url,
        headers={"Authorization": f"Bearer {api_key}"},
        data=args,
        files={"file": f},
    )

print(response.json())

Управление учетной записью#

  • Команды и организации: сотрудничай с членами команды, управляй ролями и приглашениями и переключай рабочие пространства из меню аккаунта
  • API-ключи: Безопасное управление ключами для удаленного обучения и API-доступа
  • Кредиты и биллинг: оплата по факту использования (pay-as-you-go) с прозрачным ценообразованием и пополнением баланса от $5 до $1000
  • Лента активности: Отслеживай все события и действия в аккаунте
  • Корзина и восстановление: Мягкое удаление на 30 дней с возможностью восстановления
  • Соответствие GDPR: Экспорт данных и удаление аккаунта
Уровни тарифов

Актуальные лимиты, доступ к GPU, возможности совместной работы и лицензирование см. в каноническом сравнении тарифов Free, Pro и Enterprise.

Быстрые ссылки#

Начни работу с этими ресурсами:

Устранение неполадок#

Проблемы с наборами данных#

ПроблемаРешение
Набор данных не обрабатываетсяУбедись, что формат файла поддерживается (JPEG, PNG, WebP, TIFF, HEIC, AVIF, BMP, JP2, DNG, MPO для изображений). Максимальный размер файла: изображения — 50 МБ, видео — 1 ГБ, архивы наборов данных — 10 ГБ (Free) / 20 ГБ (Pro) / 50 ГБ (Enterprise)
Отсутствующие аннотацииУбедись, что метки представлены в формате YOLO с файлами .txt, совпадающими по имени с файлами изображений, либо загрузи COCO JSON
«Требуется обучающая выборка (Train split)»Добавь папку train/ в структуру своего датасета или перераспредели выборки через панель разделения (split bar)
Имена классов не определеныДобавь файл data.yaml со списком names: (см. формат YOLO) или определи классы на вкладке Классы (Classes tab)

Проблемы с обучением#

ПроблемаРешение
Обучение не начинаетсяПроверь баланс кредитов в разделе Настройки > Биллинг. Требуется положительный баланс
Ошибка нехватки памяти (Out of memory)Уменьши размер пакета (batch size), используй модель поменьше (n/s) или выбери GPU с большим объемом видеопамяти
Низкие показатели метрикПроверь качество набора данных, увеличь количество эпох, попробуй аугментацию данных, проверь сбалансированность классов
Обучение идет медленноВыбери более быстрый GPU, уменьши размер изображений, убедись, что узким местом не является набор данных

Проблемы с развертыванием#

ПроблемаРешение
Эндпоинт не отвечаетПроверяй статус эндпоинта (Готов против Остановлен). Холодный старт после простоя может занимать до ~45 секунд при первом запросе
401 Unauthorized (Ошибка авторизации)Убедись, что API-ключ активен и скопирован правильно
Медленный инференсПроверь размер модели, рассмотри возможность экспорта в TensorRT, выбери более близкий регион
Сбой экспортаНекоторые форматы требуют определенных архитектур моделей. Попробуй ONNX для максимальной совместимости

Часто задаваемые вопросы#

Могу ли я изменить имя пользователя после регистрации?

Нет, имена пользователей постоянны и не подлежат изменению. Выбирай внимательно во время регистрации.

Могу ли я изменить регион моих данных?

Регион твоих данных выбирается во время адаптации и не может быть изменен тобой самостоятельно. Чтобы сменить регион, свяжись со службой поддержки для оформления заявки.

Как получить больше кредитов?

Перейди в Settings > Billing и нажми Top Up. Покупай кредиты на сумму от $5 до $1,000. Купленные кредиты никогда не сгорают.

Что произойдет, если обучение прервется?

Если облачные вычисления уже начались, затраченное время GPU тарифицируется. Ошибки, возникшие до запуска GPU, не влекут за собой плату за вычислительные ресурсы.

Могу ли я скачать свою обученную модель?

Да. Нажми значок скачивания на странице модели, чтобы получить ее веса .pt, или открой вкладку Экспорт (Export) для уже готовых экспортированных форматов.

Как сделать свою работу публичной?

Открой проект или датасет, нажми значок Private на верхней панели навигации и подтверди выбор Make Public. Публичный контент появится на странице Explore.

Каковы лимиты размера файлов?

Изображения: 50 МБ, видео: 1 ГБ, наборы данных: 10 ГБ на тарифе Free, 20 ГБ на Pro, 50 ГБ на Enterprise. Для файлов большего размера разбей их на несколько загрузок.

Как долго удаленные объекты хранятся в Корзине?

30 дней. После этого элементы удаляются навсегда и не подлежат восстановлению.

Могу ли я использовать модели Platform в коммерческих целях?

Тарифы Free и Pro используют лицензию AGPL. Для коммерческого использования без требований AGPL см. раздел Лицензирование Ultralytics (Ultralytics Licensing).

FAQ#

  • Чтобы начать работу с Ultralytics Platform:

    1. Регистрация (Sign Up): создай аккаунт на platform.ultralytics.com
    2. Выбор региона: Выбери регион данных (US, EU или AP) при регистрации
    3. Загрузка датасета (Upload Dataset): открой Annotate на боковой панели и загрузи свои данные
    4. Обучение модели: Создай проект и начни обучение на облачных GPU
    5. Развертывание: Протестируй свою модель и разверни её на выделенном эндпоинте

    Подробное руководство см. на странице Быстрый старт (Quickstart).

  • Ultralytics Platform предлагает:

    • Единый рабочий процесс: Данные, обучение и развертывание в одном месте
    • Мультирегиональность: Хранение данных в регионах US, EU или AP
    • Обучение без кода: Обучай продвинутые модели YOLO без написания кода
    • Метрики в реальном времени: Транслируй ход обучения и отслеживай развертывание
    • 42 региона развертывания: развертывай модели ближе к своим пользователям по всему миру
    • 7 типов задач: Поддержка детекции, сегментации экземпляров, семантической сегментации, оценки глубины, классификации, позы и OBB (см. документацию по задачам)
    • Разметка с помощью ИИ (AI-Assisted Annotation): умная разметка с использованием моделей SAM и YOLO для ускорения подготовки данных
  • Ultralytics Platform поддерживает несколько типов GPU для облачного обучения:

    GPUПоколениеVRAMСтоимость/часЛучший выбор для
    RTX 2000 AdaAda16 GB$0.24Небольшие наборы данных, тестирование
    RTX A4500Ampere20 GB$0.25Малые-средние наборы данных
    RTX 4000 AdaAda20 GB$0.26Средние наборы данных
    RTX A5000Ampere24 GB$0.27Средние наборы данных
    L4Ada24 GB$0.39Оптимизировано для вывода
    A40Ampere48 GB$0.44Большие размеры пакетов
    RTX 3090Ampere24 GB$0.46Общее обучение
    RTX A6000Ampere48 GB$0.49Большие модели
    RTX PRO 4000Blackwell24 GB$0.57Бюджетный Blackwell
    RTX PRO 4500Blackwell32 GB$0.64Отличное соотношение цена/производительность
    RTX 4090Ada24 GB$0.69Лучшее соотношение цена/производительность
    RTX 6000 AdaAda48 GB$0.77Обучение с большими пакетами
    L40SAda48 GB$0.86Обучение с большими пакетами
    RTX PRO 5000Blackwell48 GB$0.96Обучение с большими пакетами
    RTX 5090Blackwell32 GB$0.99Последнее потребительское поколение
    L40Ada48 GB$0.99Большие модели
    A100 PCIeAmpere80 GB$1.39Промышленное обучение
    A100 SXMAmpere80 GB$1.49Промышленное обучение
    RTX PRO 6000Blackwell96 GB$2.09Рекомендуемый вариант по умолчанию
    H100 PCIeHopper80 GB$2.89Высокопроизводительное обучение
    H100 NVLHopper94 GB$3.19Максимальная производительность
    H100 SXMHopper80 GB$3.29Самое быстрое обучение
    H200 NVLHopper143 GB$3.39Максимальный объем памяти
    H200 SXMHopper141 GB$4.39Максимальная производительность
    B200Blackwell180 GB$5.89Большие модели (Pro+)
    B300Blackwell288 GB$7.39Крупнейшие модели (Pro+)

    Полную информацию о ценах и доступных GPU см. в разделе Облачное обучение (Cloud Training).

  • Ты можешь обучать модели на собственном оборудовании и транслировать метрики в реальном времени в Ultralytics Platform.

    Требование к версии пакета

    Для интеграции с Platform требуется ultralytics>=8.4.120. Более старые версии НЕ будут работать с Platform.

    pip install "ultralytics>=8.4.120"
    # Set your API key
    export ULTRALYTICS_API_KEY="YOUR_API_KEY"
    
    # Train with project/name to stream metrics
    yolo train model=yolo26n.pt data=coco.yaml epochs=100 project=username/my-project name=exp1

    Подробнее об удаленном обучении читай в разделе Облачное обучение (Cloud Training).

  • Платформа включает полнофункциональный редактор разметки с поддержкой:

    • Инструменты ручной разметки: Bounding boxes, полигоны, ключевые точки с шаблонами скелетов, ориентированные боксы, классификация
    • Шаблоны скелетов: размещай все ключевые точки сразу, используя встроенные (человек, рука, собака, лицо, прямоугольник) или пользовательские шаблоны
    • Умная разметка (Smart Annotation): используй SAM 2.1 или SAM 3 для разметки кликами либо запускай предобученные модели Ultralytics YOLO и собственные дообученные модели YOLO прямо с панели инструментов для задач детекции, сегментации, семантической разметки и OBB
    • Горячие клавиши: эффективные рабочие процессы с помощью комбинаций клавиш, перечисленных во всплывающем окне горячих клавиш редактора
    Сочетание клавишДействие
    VРежим ручной разметки (рисование)
    SУмный режим (модель SAM или YOLO)
    PПредсказание (в интеллектуальном режиме)
    AПереключить автоприменение (в режиме «Умная разметка»)
    1 - 9Выбрать класс по номеру
    HПереключить видимость разметки
    Space + перетаскиваниеПеремещение холста
    Delete / BackspaceУдалить выбранную аннотацию
    Ctrl+SСохранить аннотации
    Ctrl+ZОтменить
    Ctrl+YВернуть
    EscapeСохранить / отменить выбор / выйти

    Полное руководство см. в разделе Разметка (Annotation).

  • Платформа поддерживает те же 20 форматов развертывания, что и режим экспорта Ultralytics Export mode. Исходным форматом является PyTorch; каждая строка с аргументом format представляет собой целевой формат экспорта.

    ФорматАргумент formatМодельМетаданныеАргументы
    PyTorch-yolo26n.pt-
    TorchScripttorchscriptyolo26n.torchscriptimgsz, quantize, dynamic, nms, batch, device
    ONNXonnxyolo26n.onnximgsz, quantize, dynamic, simplify, opset, nms, batch, data, fraction, device
    OpenVINOopenvinoyolo26n_openvino_model/imgsz, quantize, dynamic, nms, batch, data, fraction, device
    TensorRTengineyolo26n.engineimgsz, quantize, dynamic, simplify, opset, workspace, nms, batch, data, fraction, device
    CoreMLcoremlyolo26n.mlpackageimgsz, dynamic, quantize, nms, batch, device
    TF SavedModelsaved_modelyolo26n_saved_model/imgsz, keras, quantize, opset, nms, batch, data, fraction, device
    TF GraphDefpbyolo26n.pbimgsz, opset, batch, device
    TF Edge TPUedgetpuyolo26n_edgetpu.tfliteimgsz, quantize, opset, data, fraction, device
    PaddlePaddlepaddleyolo26n_paddle_model/imgsz, batch, device
    MNNmnnyolo26n.mnnimgsz, batch, dynamic, quantize, simplify, opset, nms, device
    NCNNncnnyolo26n_ncnn_model/imgsz, quantize, batch, device
    IMX500imxyolo26n_imx_model/imgsz, quantize, data, fraction, nms, device
    RKNNrknnyolo26n_rknn_model/imgsz, batch, name, quantize, simplify, opset, data, fraction, device
    ExecuTorchexecutorchyolo26n_executorch_model/imgsz, batch, device
    Axeleraaxelerayolo26n_axelera_model/imgsz, batch, quantize, data, fraction, device
    DEEPXdeepxyolo26n_deepx_model/imgsz, quantize, simplify, opset, data, optimize, device
    Qualcomm QNNqnnyolo26n_qnn.onnximgsz, batch, name, quantize, simplify, opset, data, fraction, device
    LiteRTlitertyolo26n.tfliteimgsz, quantize, batch, data, fraction, device
    Hailohailoyolo26n_hailo_model/imgsz, name, quantize, data, fraction, simplify, conf, iou
    Huawei Ascendascendyolo26n_ascend_model/imgsz, batch, name, quantize, opset, simplify, nms
    Apple Core AIcoreaiyolo26n.aimodelimgsz, batch, quantize

    Параметры для конкретных форматов см. в разделах Экспорт моделей (Models Export), Руководство по режиму экспорта (Export mode guide) и Индекс интеграций (Integrations index).

Комментарии