Начать

Подготовка данных

Подготовка данных — основа успешных моделей компьютерного зрения. Ultralytics Platform предоставляет инструменты для управления обучающими данными: от загрузки и разметки до анализа.



Смотри: Начало работы с платформой Ultralytics — данные

Обзор#

Раздел Data в Ultralytics Platform помогает:

  • Загружать изображения, видео и файлы датасетов (ZIP, TAR, в том числе .tar.gz/.tgz, NDJSON)
  • Импорт по URL: вставь прямую ссылку на архив или экспорт NDJSON либо импортируй данные из Roboflow и размещённого Label Studio
  • Подключать Google Cloud Storage, Amazon S3 или Azure Blob Storage и использовать данные на месте, не загружая копию
  • Хранить пиксели локально с помощью корпоративных CPU/GPU-воркеров On Premise
  • Размечай данные вручную с помощью инструментов рисования или используй интеллектуальную разметку с SAM (SAM 2.1, SAM 3 или SAM 3.1, выбранной по умолчанию), модели YOLO или модели с подсказками классов — размещённые модели с открытым исходным кодом или платные модели провайдеров — на датасетах обнаружения с 1–200 классами
  • Управлять классами: переименовывать, менять цвета, объединять и удалять их во всём датасете
  • Расширять датасеты с помощью функций Find Similar Images или Generate Similar Images, а затем аннотировать нужные изображения
  • Размывать лица на существующих изображениях или в будущих загрузках
  • Анализируй данные с помощью статистики, визуализаций и кластеризации на основе эмбеддингов изображений.
  • Экспортировать данные в формате NDJSON для локального обучения

Обзор данных Ultralytics Platform: боковая панель датасетов

Рабочий процесс#

ЭтапОписание
ЗагрузкаИмпортируй изображения, видео или архивы с автоматической обработкой
АннотированиеРазмечай данные вручную или используй Smart annotation с SAM (обнаружение, сегментация, семантическая сегментация и OBB), YOLO или модели с указанием классов — размещённые модели с открытым исходным кодом или платные модели провайдеров — на датасетах для обнаружения с 1–200 классами
АнализПросматривай распределение классов, пространственные тепловые карты, статистику размеров и кластеры эмбеддингов
ЭкспортСкачивай данные в формате NDJSON для использования без подключения к сети

Поддерживаемые задачи#

Датасеты Ultralytics Platform поддерживают все 7 типов задач YOLO:

ЗадачаОписаниеИнструмент аннотации
ОбнаружениеОбнаружение объектов с помощью ограничивающих рамокИнструмент «Прямоугольник»
СегментацияСегментация экземпляров с помощью попиксельных масокИнструмент «Полигон»
Семантическая сегментацияСемантическая сегментация с попиксельными областями для каждого классаИнструмент «Полигон»
ГлубинаКарты метрической глубины для каждого пикселяИмпортированные объекты
КлассификацияКлассификация на уровне изображенияВыбор класса
ПозаОценка положения ключевых точек с помощью встроенных и пользовательских шаблонов скелетаИнструмент «Ключевые точки»
OBBОриентированные ограничивающие рамки для повёрнутых объектовИнструмент «Ориентированная рамка»
Выбор типа задачи

Тип задачи задаётся при создании датасета и определяет доступные инструменты аннотации. Позже его можно изменить с помощью селектора типа задачи в заголовке датасета, но после переключения несовместимые аннотации не будут отображаться. Переключиться на глубину или с неё можно, только если датасет пуст — см. Edit Dataset.

Основные особенности#

Эффективное хранение#

Ultralytics Platform эффективно управляет хранилищем:

  • Удаление дубликатов: одинаковые изображения в одном регионе хранения сохраняются только один раз
  • Целостность: для загруженных данных проверяется их целостность
  • Эффективность: в клонах используются уже сохранённые изображения, а не их копии, но они всё равно учитываются в квоте хранилища целевого рабочего пространства

URI датасетов#

Указывай датасеты в формате URI ul:// (см. Using Platform Datasets):

yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset

Это позволяет обучаться на датасетах платформы с любого компьютера, если настроен ключ API.

Используй данные платформы из Python
from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(data="ul://username/datasets/my-dataset", epochs=100)

Версионирование датасетов#

Создавай неизменяемые снимки датасета в формате NDJSON для воспроизводимого обучения. Каждая версия сохраняет количество изображений, классов и аннотаций на момент создания. Подробнее см. на вкладке Versions.

Вкладки датасета#

В зависимости от состояния набора данных и твоих разрешений на его странице может отображаться до семи вкладок:

ВкладкаОписание
ИзображенияПросмотр изображений в виде сетки, компактного списка или таблицы с наложением аннотаций
КлассыПросмотр и переименование классов, изменение их цветов, объединение и удаление; для каждого класса показывается количество меток
ГрафикиАвтоматическая статистика: распределение по сплитам, количество классов, тепловые карты
МоделиМодели, обученные на этом датасете, с метриками и статусом
КомментарииТема обсуждения
ВерсииСоздание, сравнение, скачивание и восстановление неизменяемых снимков NDJSON
ОшибкиИзображения, обработка которых завершилась с ошибкой, сведения об ошибках и рекомендации по их устранению

Classes отображается, если в наборе данных есть изображения и для его задачи заданы классы, а Charts отображается при наличии изображений. Comments отображается в общедоступных наборах данных. Errors отображается только при наличии ошибок обработки. Versions отображается, если у тебя есть доступ на редактирование, либо в режиме только для чтения, если версии уже существуют.

Кластеризация#

Исследуй датасет на интерактивной двумерной диаграмме рассеяния: визуально похожие изображения располагаются близко друг к другу. Это помогает находить кластеры, дубликаты и выбросы, а также изучать распределение данных по сплитам и классам. Выдели область лассо или нажми на точку, чтобы отфильтровать галерею и просмотреть соответствующие изображения. Для анализа требуется от 20 до 200 000 изображений без ошибок. Те же эмбеддинги позволяют находить похожие изображения в общедоступных, собственных и командных датасетах и добавлять найденные изображения в свой датасет. Подробнее см. в разделе Clustering.

Статистика и визуализация#

На вкладке Charts автоматически выполняется анализ, в том числе:

  • Распределение по сплитам: кольцевая диаграмма с количеством изображений для train/val/test
  • Популярные классы: кольцевая диаграмма для 10 наиболее часто встречающихся классов аннотаций
  • Размеры изображений: гистограмма распределения ширины и высоты изображений (в пикселях)
  • Размеры изображений, 2D: двумерная тепловая карта ширины и высоты с направляющими линиями соотношения сторон
  • Расположение аннотаций: двумерная тепловая карта расположения центров ограничивающих рамок
  • Точек на экземпляр: распределение количества вершин полигона или ключевых точек (для наборов данных сегментации/поз)

Полный список смотри на вкладке «Диаграммы».

Часто задаваемые вопросы#

  • Ultralytics Platform поддерживает:

    Изображения: JPEG, PNG, WebP, BMP, TIFF, HEIC, AVIF, JP2, DNG, MPO (максимум 50 МБ каждый файл)

    Видео: MP4, WebM, MOV, MKV, M4V (максимум 1 ГБ; извлечение кадров с частотой 1 FPS, максимум 100 кадров)

    Файлы наборов данных: архивы ZIP или TAR, содержащие .tar.gz и .tgz (максимум 10 ГБ на тарифе Free, 20 ГБ на Pro, 50 ГБ на Enterprise), с изображениями и необязательными метками в формате YOLO, формате COCO JSON или формате JSON LabelMe, семантическими PNG-масками или картами глубины, а также экспортами Ultralytics NDJSON или Labelbox NDJSON

    Любой из этих архивов или файлов NDJSON также можно импортировать, вставив прямую ссылку HTTP(S) на вкладке URL диалогового окна New Dataset. Метки Pascal VOC XML обнаруживаются, но не импортируются.

  • Ограничения на хранение зависят от твоего тарифного плана:

    ТарифЛимит хранилища
    Free100 GB
    Pro500 GB
    EnterpriseБез ограничений

    Ограничения на размер отдельных файлов: изображения — 50 МБ, видео — 1 ГБ, наборы данных — 10 ГБ на Free / 20 ГБ на Pro / 50 ГБ на Enterprise

  • Да. Используй формат URI датасета для локального обучения:

    export ULTRALYTICS_API_KEY="YOUR_API_KEY"
    yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100

    Или экспортируй набор данных в формате NDJSON, чтобы перенести метаданные, разбиение на выборки, аннотации и подписанные URL изображений.

Комментарии

Задай вопрос, поделись результатами или помоги кому-нибудь.