Наборы данных#

Наборы данных Ultralytics Platform позволяют легко управлять данными для обучения. После загрузки платформа автоматически обрабатывает изображения, метки и статистику.

Набор данных готов к обучению после завершения обработки, если в выборке train есть хотя бы одно изображение, в выборке val или test — хотя бы одно изображение, а также есть хотя бы одно размеченное изображение. В заголовке набора данных отображается значок Ready, когда выполнены все три условия, и значок Not Ready в противном случае — нажми на значок, чтобы узнать, какого именно условия не хватает.

Сбор изображений с помощью агентов#

Используй Agents, чтобы добавлять изображения в набор данных, когда обнаружение модели соответствует заданному условию, например когда уверенность попадает в выбранный диапазон. Свяжи условие с блоком Набор данных и выбери доступное для редактирования место назначения. Изображения поступают без меток в выборку train; существующие копии пропускаются. Проверь и разметь их с помощью существующего редактора аннотаций.

Загрузка набора данных#

Ultralytics Platform поддерживает загрузку данных в разных форматах.

Поддерживаемые форматы#

Поддержка видеокодеков#

Одного расширения файла недостаточно: видео всё равно может не обработаться, если его кодек нельзя декодировать.

ffmpeg -i input.mov \
  -c:v libx264 -pix_fmt yuv420p \
  -c:a aac -movflags +faststart \
  output.mp4

Подготовка набора данных#

Platform поддерживает Ultralytics YOLO, COCO, JSON LabelMe, семантические PNG-маски, наборы данных глубины, Ultralytics NDJSON и Labelbox NDJSON, а также загрузку исходных (неразмеченных) данных:

my-dataset/
├── images/
│   ├── train/
│   │   ├── img001.jpg
│   │   └── img002.jpg
│   └── val/
│       ├── img003.jpg
│       └── img004.jpg
├── labels/
│   ├── train/
│   │   ├── img001.txt
│   │   └── img002.txt
│   └── val/
│       ├── img003.txt
│       └── img004.txt
└── data.yaml

# data.yaml
path: .
train: images/train
val: images/val

names:
    0: person
    1: car
    2: dog

Если метки ссылаются на идентификаторы классов, но имена классов не указаны, Platform переназначает идентификаторы на плотную последовательность с нуля и присваивает каждому классу имя на основе исходного идентификатора (class0, class3, …). Позже ты сможешь переименовать их на вкладке «Классы».

Подробнее о форматах для конкретных задач см. в разделе «Поддерживаемые задачи» и в обзоре датасетов.

Процесс загрузки#

Чтобы создать датасет:

1. Перейди в Annotate на боковой панели
2. Нажми New Dataset
3. Выбери вкладку источника данных (см. раздел «Источники данных» ниже)
4. Укажи имя — URL-слаг будет создан автоматически, и его можно будет изменить, — а также при желании добавь описание
5. Выбери тип задачи (см. раздел «Поддерживаемые задачи»), при желании укажи лицензию (см. раздел «Доступные лицензии») и выбери видимость (публичный или приватный)
6. Нажми Create & Upload для загрузки локальных файлов, Create & Import для URL или подключенного источника либо Create Dataset, чтобы начать с пустого датасета

Чтобы добавить файлы в существующий датасет, открой его страницу и перетащи файлы в галерею или нажми значок загрузки в заголовке страницы. Значок загрузки сразу открывает стандартное окно выбора файлов браузера, поскольку задача датасета уже задана.

Источники данных#

В диалоговом окне New Dataset доступны четыре источника:

Датасеты глубины можно создать только через Upload или URL; вкладки Cloud и On Premise недоступны для задачи глубины.

Перед началом загрузки#

Platform проверяет файлы в браузере до начала загрузки, поэтому распространенные проблемы обнаруживаются сразу, а не после долгой передачи данных. Архивы проверяются на повреждения, пустое содержимое, защиту паролем и ошибки синтаксиса YAML; слишком большие файлы перечисляются по именам.

После этого могут появиться два диалоговых окна:

После загрузки платформа автоматически обработает данные:

graph LR
    A[Upload]:::start --> B[Validate]:::proc
    B --> C[Normalize]:::proc
    C --> D[Thumbnail]:::proc
    D --> E[Parse Labels]:::proc
    E --> F[Statistics]:::out

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

1. Проверка: проверка формата и размера
2. Нормализация: большие изображения уменьшаются (максимум 4096 пикселей, минимальный размер — 28 пикселей), изображения в оттенках серого преобразуются в RGB, прозрачность заменяется белым фоном, применяется ориентация EXIF; исходные TIFF-файлы сохраняются в загруженном виде
3. Миниатюры: создаются превью WebP размером 256 пикселей
4. Разбор меток: извлекаются метки YOLO, COCO, LabelMe и NDJSON от Ultralytics или Labelbox
5. Статистика: вычисляются распределение классов и размеры изображений

from ultralytics.data.utils import check_det_dataset

check_det_dataset("path/to/data.yaml")

Просмотр изображений#

Просматривай изображения датасета в разных режимах отображения.

Открой панель «Кластеризация» на панели инструментов галереи, чтобы изучить датасет в виде интерактивной двумерной диаграммы рассеяния.

Сортировка и фильтрация#

Для удобного просмотра изображения можно сортировать и фильтровать:

Полноэкранный просмотр#

Нажми на любое изображение, чтобы открыть его в полноэкранном режиме и получить доступ к следующим возможностям:

• Навигация: переходи между изображениями с помощью клавиш со стрелками или миниатюр
• Информация об изображении: просматривай свойства, созданные Platform, пользовательские метаданные и встроенные метаданные файла, например EXIF
• Пользовательские метаданные: Владельцы и редакторы могут добавлять или заменять объект JSON, включая вложенные значения общим размером до 500 000 сериализованных символов и ключи верхнего уровня длиной до 128 символов
• Аннотации: включить или выключить отображение наложения аннотаций
• Разбивка по классам: количество меток для каждого класса с цветовыми индикаторами
• Разметка: если у тебя есть права на редактирование, инструменты разметки сразу становятся активными при открытии полноэкранного просмотрщика на компьютере
• Размытие лиц: щёлкни правой кнопкой мыши по аннотации, чтобы просмотреть результат и применить размытие лиц на изображении, если эта функция доступна
• Скачать: скачать исходный файл изображения
• Удалить: удалить изображение из датасета
• Масштаб: используй Cmd/Ctrl+Scroll, Cmd/Ctrl++ или Cmd/Ctrl+=, чтобы увеличить масштаб, и Cmd/Ctrl+-, чтобы уменьшить
• Сбросить вид: используй Cmd/Ctrl + 0 или кнопку сброса, чтобы подогнать изображение под размер просмотрщика
• Перемещение: удерживай Space и перетаскивай или перетаскивай средней кнопкой мыши, чтобы перемещаться по холсту при любом масштабе
• Просмотр пикселей: включить или выключить пикселизацию для детального изучения
• Шторка глубины: в датасетах глубины разделитель можно перетаскивать, чтобы переключаться между RGB-изображением и его цветной картой глубины

Фильтр по выборке#

Фильтруй изображения по выборке датасета:

Кластеризация#

Панель Clustering отображает датасет в виде интерактивной двумерной диаграммы рассеяния: визуально похожие изображения располагаются близко друг к другу. Используй её, чтобы выявлять кластеры, находить дубликаты и выбросы, а также изучать распределение выборок и классов в данных — не покидая галерею. Открой панель, нажав значок диаграммы рассеяния на панели инструментов галереи на странице любого датасета. Панель доступна только на компьютере. Пользователи без прав на редактирование увидят значок после анализа датасета.

Выполнение анализа#

Запусти анализ:

1. Открой датасет и нажми значок диаграммы рассеяния на панели инструментов галереи
2. Нажми Analyze Dataset
3. Дождись завершения индикатора выполнения — результаты появятся в той же панели

Анализ выполняется в фоновом режиме в два этапа: Computing embeddings и Clustering. В зависимости от размера датасета он может занять несколько минут. Можно закрыть панель или покинуть страницу и вернуться позже.

Визуализация#

После завершения анализа на панели появится двумерная диаграмма рассеяния со всеми проанализированными изображениями, легендой и счётчиком точек. Фильтры галереи (выборка, класс, наличие или отсутствие меток) приглушают точки, не соответствующие фильтрам, чтобы ты мог сосредоточиться на нужной подвыборке. Счётчик будет показывать visible / total points.

Цветовая схема#

Измени способ окрашивания точек данных с помощью раскрывающегося списка Color by на панели инструментов. Переключай режимы просмотра в любое время — цвета диаграммы изменятся мгновенно, и ты увидишь, как выборки, классы и свойства изображений распределены по кластерам:

Выделение лассо и щелчком#

Обведи область произвольной формы, чтобы выделить точки на диаграмме, или щёлкни точку, чтобы выбрать все точки того же цвета (только эту точку при окрашивании по ширине, высоте, размеру или аннотациям). Чтобы снять выделение, щёлкни пустую область диаграммы. В галерее останутся только соответствующие изображения — их можно просматривать, менять метки, перемещать или удалять с помощью стандартных операций с изображениями.

Панорамирование и масштабирование#

Перемещайся по большим диаграммам рассеяния с помощью мыши и клавиатуры или кнопок масштабирования в левом нижнем углу диаграммы:

Повторный анализ#

Если после анализа датасет изменился — появились новые изображения или число проанализированных изображений больше не совпадает с числом изображений в датасете — либо анализ был выполнен до появления цветовой схемы Кластеры, в верхней части панели появится кнопка Re-analyze. Она доступна владельцам и редакторам.

Нажми Re-analyze, чтобы заново вычислить эмбеддинги и двумерную проекцию.

Поиск похожих изображений#

Те же эмбеддинги используются для поиска похожих изображений в общедоступных датасетах, а также в твоих личных и командных датасетах. В датасете, который ты можешь редактировать, щёлкни правой кнопкой мыши по изображению в режиме Сетка или Компактный (или по единственной выбранной строке в режиме Таблица) и выбери Найти похожие изображения. В диалоговом окне рядом с исходным изображением будут показаны до 24 наиболее похожих изображений с оценкой сходства для каждого. Из поиска исключаются изображения, уже имеющиеся в твоём датасете, и копии выбранного изображения в других датасетах. Щёлкни изображение, чтобы просмотреть его в полном размере и увидеть исходный датасет, лицензию и оценку сходства. Отметь нужные изображения флажками (или выбери все), затем нажми Добавить N в датасет: изображения добавятся в выборку train без меток, будут учтены в объёме хранилища и станут доступны для разметки.

Для изображения без эмбеддинга — из ещё не проанализированного датасета или добавленного после последнего анализа — эмбеддинг вычисляется при открытии диалогового окна. Поэтому предварительно запускать анализ кластеризации не нужно. Диалоговое окно недоступно для подключённых датасетов. Диагностика валидации для каждого изображения модели выполняет тот же поиск, используя изображения с наихудшими показателями.

Вкладки датасета#

На странице каждого датасета может отображаться до шести вкладок — в зависимости от состояния датасета и твоих прав:

Вкладка «Изображения»#

Вид по умолчанию: галерея изображений с наложением аннотаций. Поддерживаются режимы сетки, компактный и табличный. Перетащи сюда файлы, чтобы добавить изображения.

Вкладка «Классы»#

Эта вкладка появляется, если в датасете есть изображения, а его задача предусматривает классы.

Управляй классами аннотаций в датасете:

• Гистограмма классов: столбчатая диаграмма с количеством аннотаций для каждого класса, отсортированных по частоте; можно переключаться между линейной и логарифмической шкалой
• Таблица классов: таблица с сортировкой и поиском, содержащая индекс, название, количество аннотаций и количество изображений
• Изменение названий классов: щёлкни название любого класса, чтобы изменить его прямо в таблице
• Изменение цветов классов: щёлкни образец цвета, чтобы изменить цвет класса
• Добавление класса: добавляй классы с помощью поля ввода внизу
• Объединение классов: выбери две или более строк и нажми Merge into one
• Удаление классов: выбери одну или несколько строк и нажми Delete

Объединение классов#

Объединение помогает свести дублирующиеся или пересекающиеся метки в один класс — например, объединить car, automobile и vehicle:

1. Выбери два или более класса с помощью флажков в строках
2. Нажми Merge into one в заголовке таблицы или щёлкни правой кнопкой мыши по выделенным строкам
3. Выбери, какой из отмеченных классов станет целевым, а в него будут объединены остальные
4. Подтверди действие

Все аннотации исходных классов переназначаются целевому классу, а исходные классы удаляются. Аннотации не удаляются, поэтому общее количество аннотаций в датасете не меняется.

Удаление классов#

1. Выбери один или несколько классов с помощью флажков в строках
2. Нажми Delete в заголовке таблицы или щёлкни правой кнопкой мыши по выделенным строкам
3. Подтверди действие

При удалении класса удаляется сам класс и все его аннотации. В датасетах для классификации удаляются метки, но изображения остаются без разметки.

Вкладка «Графики»#

Эта вкладка появляется, если в датасете есть изображения.

Автоматически рассчитанная статистика по твоему датасету:

Графики расположены в указанном порядке; каждый график пропускается, если в датасете для него нет данных: для датасета только с исходными изображениями графики разметки не отображаются, а Points per Instance появляется только для данных сегментации и поз:

Вкладка «Модели»#

Просматривай все модели, обученные на этом датасете, в таблице с поиском:

Вкладка «Ошибки»#

Эта вкладка появляется, только если не удалось обработать один или несколько файлов.

Здесь перечислены изображения, обработка которых завершилась ошибкой:

• Баннер ошибки: общее количество изображений с ошибкой и рекомендации
• Таблица ошибок: имя файла, понятное описание ошибки, подсказки по её устранению и миниатюра для предварительного просмотра
• К распространённым ошибкам относятся повреждённые файлы, неподдерживаемые форматы, слишком маленькие изображения (минимум 28 пикселей) и неподдерживаемые цветовые режимы.

Вкладка «Версии»#

Создавай неизменяемые снимки датасета в формате NDJSON для воспроизводимого обучения. В каждом снимке сохраняются количество изображений, классов и объектов разметки, а также объём добавленного хранилища на момент создания.

Чтобы создать версию:

1. Открой вкладку Versions
2. При желании укажи описание (например, «Добавлено 500 обучающих изображений» или «Исправлены неверные метки классов»)
3. Нажми New Version
4. Новая версия появится в таблице. Если датасет совпадает с существующей версией, например сразу после её восстановления, эта версия будет использована повторно и получит новое описание, если ты его указал.

Версии нумеруются последовательно (v1, v2, v3...) и являются неизменяемыми: их нельзя редактировать или удалять, можно менять только их описания. В любое время используй действия в строке, чтобы скачать или восстановить нужную версию.

Сравнение версий#

Нажми значок сравнения у любой версии после v1, чтобы посмотреть, что изменилось с предыдущей версии. Сравнение версий начинается с предыдущей версии; выбери другую в меню From. Счётчики в разделах Images, Annotations, Classes и Settings показывают количество добавленных, удалённых и изменённых изображений, а также изображений, перенесённых в другую выборку, и добавленных или удалённых объектов разметки; также они показывают названия добавленных, удалённых или переименованных классов и изменившиеся настройки датасета. Каждое изменённое изображение отображается со значком. Выбери изображение, чтобы посмотреть его Before и After, а также метки, сохранённые в каждой версии. Если изображения и объекты разметки идентичны, в диалоговом окне отображается No changes; если изменились только определения классов или настройки датасета — No image changes.

Экспорт набора данных#

Экспортируй набор данных для автономного использования: скачай NDJSON из заголовка набора данных или на вкладке Versions.

Чтобы экспортировать данные:

1. Нажми кнопку Download (значок загрузки) в заголовке набора данных
2. Скачай текущий снимок NDJSON напрямую
3. Если нужен неизменяемый пронумерованный снимок, который можно будет скачать позже, используй вкладку Versions

В формате NDJSON каждая строка содержит один объект JSON. Первая строка содержит метаданные набора данных, за ней следует по одной строке на каждое изображение:

{"type": "dataset", "task": "detect", "name": "my-dataset", "description": "...", "bytes": 12345678, "url": "https://platform.ultralytics.com/...", "class_names": {"0": "person", "1": "car"}, "version": 1, "created_at": "2026-01-15T10:00:00Z", "updated_at": "2026-02-20T14:30:00Z"}
{"type": "image", "file": "img001.jpg", "url": "https://...", "width": 640, "height": 480, "split": "train", "metadata": {"location": {"site": "factory-1"}, "reviewed": true}, "annotations": {"boxes": [[0, 0.5, 0.5, 0.2, 0.3]]}}
{"type": "image", "file": "img002.jpg", "url": "https://...", "width": 1280, "height": 720, "split": "val"}

Необязательный объект metadata на уровне изображения сохраняется при импорте файла NDJSON в Platform. Его можно посмотреть или отредактировать на полноэкранной панели сведений об изображении. Для программной загрузки архивов API приема данных набора данных принимает эквивалентную карту путей imageMetadata.

В заголовке набора данных с позами также указывается поле kpt_shape; если оно еще не задано, значение определяется по аннотациям.

В экспортах глубины в строке набора данных указываются "task": "depth" и "depth_scale": 1000. В каждой строке изображения есть depth.url для соответствующего PNG в формате plain uint16. Ultralytics параллельно скачивает URL изображений и глубины, а затем создает YAML для обучения с тем же масштабом, поэтому файл NDJSON можно напрямую передать в model.train(data=...).

Полную спецификацию смотри в документации по формату NDJSON Ultralytics.

Операции с изображениями#

Быстрые действия#

Щелкни правой кнопкой мыши по изображению в режиме Grid или Compact либо по единственной выбранной строке в режиме Table, чтобы открыть быстрые действия. Доступные действия зависят от твоих прав на редактирование и источника набора данных:

Массовое перемещение в разбиение#

Переназначь выбранные изображения в другое разбиение того же набора данных:

1. Переключись в режим Table
2. Выбери изображения с помощью флажков
3. Щелкни правой кнопкой мыши, чтобы открыть контекстное меню
4. Выбери Move to split > Train, Validation или Test

Также можно перетащить изображения на вкладки фильтров разбиений в режиме сетки. Если при перемещении изображения в целевом разбиении окажется идентичное изображение, Platform предложит пропустить его, сохранить оба изображения или заменить существующее.

Перераспределение разбиений#

Перераспредели все изображения между разбиениями Train, Validation и Test, задав собственные пропорции:

1. Нажми split bar на панели инструментов набора данных, чтобы открыть диалоговое окно Redistribute Splits
2. Настрой процентные доли разбиений одним из способов ниже
3. Проверь предварительный просмотр текущего количества изображений, чтобы подтвердить распределение
4. Нажми Apply, чтобы случайным образом переназначить все изображения согласно заданным процентным долям

В диалоговом окне есть три способа задать целевые пропорции разбиений:

Перед применением изменений предварительный просмотр в реальном времени показывает точное количество изображений в каждом разбиении.

Массовое удаление#

Удали несколько изображений одновременно:

1. Выбери изображения в режиме таблицы
2. Щелкни правой кнопкой мыши и выбери Delete или нажми Cmd/Ctrl+Delete
3. Подтверди удаление

Копирование и перемещение изображений#

Копируй или перемещай изображения из одного доступного для редактирования набора данных в другой, в том числе в набор данных из другой рабочей области:

1. В исходном наборе данных щелкни правой кнопкой мыши по изображению в режиме Grid или Compact и выбери Copy или Cut либо выбери изображения в режиме Table и нажми Cmd/Ctrl+C или Cmd/Ctrl+X. Команда Esc очищает буфер обмена.
2. Открой целевой набор данных, щелкни правой кнопкой мыши по изображению и выбери Paste либо нажми Cmd/Ctrl+V.

Вставленные изображения сохраняют свои метки и разбиения, а изображения, которые уже есть в целевом наборе данных и относятся к тому же разбиению, пропускаются. Действие Cut удаляет вставленные изображения из исходного набора данных; Copy оставляет исходный набор без изменений. У исходного и целевого наборов данных должны совпадать задача, а также быть совместимыми каналы изображений, настройки ключевых точек позы и масштаб глубины — даже если у копируемых изображений нет меток. Пустой целевой набор данных может унаследовать незаданные настройки каналов изображений и позы. Вставлять изображения в подключенный набор данных нельзя.

Классы сопоставляются по названию без учета регистра, кроме названий длиной в один или два символа; если в целевом наборе данных нет классов, он получает список классов исходного набора. Если во вставляемом изображении используется класс, которого нет в целевом наборе, в диалоговом окне Сопоставить классы предлагается связать каждый такой класс с классом набора данных или новым классом либо снять флажок Включить, чтобы удалить метки этого класса; изображения вставляются в любом случае.

Создание похожих изображений#

Создавай новые обучающие изображения на основе уже имеющихся. В доступном для редактирования наборе данных щелкни правой кнопкой мыши по изображению в режиме Grid или Compact (или по единственной выбранной строке в режиме Table) и выбери Generate similar images. Platform описывает новые сцены, вдохновленные изображением, и создает по одному изображению для каждой сцены, поэтому результаты сохраняют объекты и стиль исходного изображения, не копируя его.

Ultralytics Image 9B и Krea 2 Turbo также есть в списке, но выбрать их можно только после включения Раннего доступа. Krea 2 Turbo — самый медленный вариант. Если это поддерживается, исходные пропорции сохраняются. Для очень узких изображений может потребоваться увеличить размер длинной стороны, а размеры выходного изображения округляются и ограничиваются значениями, поддерживаемыми генератором.

Нажми Generate или нажми ⌘/Ctrl+Enter в поле Instructions. Готовые изображения появляются по мере создания и выделяются автоматически. Кнопка Stop останавливает выполняющуюся серию, сохраняя уже полученные изображения. Чтобы попробовать другие инструкции или настройки, измени их и нажми Generate more: каждая новая серия появляется над предыдущими, выделение которых сохраняется. Нажми на изображение, чтобы просмотреть его в полном размере, сними флажок у ненужных изображений и нажми Add N to dataset. Сохраненные изображения загружаются в формате JPEG, получают имена исходных изображений и не содержат меток; они учитываются в объеме хранилища и готовы к аннотированию. Для них используется активный фильтр разбиения: перед созданием выбери Train, чтобы добавить изображения в train. Если выбрано All, применяются стандартные правила распределения загружаемых изображений по разбиениям, включая автоматическое выделение валидационной выборки при необходимости. Кнопка Cancel удаляет предварительно просмотренные изображения, не добавляя их. Для созданных изображений применяются настройки размытия лиц при загрузке набора данных. Это действие недоступно для подключенных наборов данных.

Размытие лиц#

Размывай лица на изображениях в доступном для редактирования наборе данных, например, чтобы защитить конфиденциальность людей в твоих данных. Размытие лиц недоступно для подключенных наборов данных и наборов данных, в которых больше трех каналов изображения.

• Одно изображение: щелкни правой кнопкой мыши по изображению в режиме Grid или Compact (или по единственной выбранной строке в режиме Table) либо по аннотации в полноэкранном просмотре и выбери Blur faces.
• Весь набор данных: открой More actions (⋯) на странице набора данных и выбери Blur faces.

Сначала в диалоговом окне отображается предварительный просмотр обнаруженных лиц на изображениях (не более шести) или на одном изображении; сами изображения при этом не изменяются. Настрой параметры Confidence (по умолчанию 0.25) и Box scale (0.5–1.5, по умолчанию 1; параметр масштабирует рамку лица относительно ее центра), чтобы заново запустить предварительный просмотр. Затем нажми Apply, чтобы заменить исходные пиксели на каждом изображении, где обнаружены лица. Изображения, на которых лица не обнаружены, не меняются; метки и разбиения сохраняются. Некоторые лица могут остаться необнаруженными, поэтому проверь результат. Размытие автоматически не создает снимок версии. Размытие всего набора данных стоит $1.00 за 1 000 обработанных изображений, минимальная стоимость одного запуска — $0.01 (оплата проводится как Auto-Annotation). Перед применением диалоговое окно показывает расчетную стоимость; предварительный просмотр и размытие одного изображения бесплатны.

Чтобы размывать лица при загрузке изображений, включи Blur faces при создании набора данных из Upload или URL либо включи Blur future uploads в диалоговом окне Blur faces для всего набора данных. Переключатель Blur future uploads сохраняет настройку сразу, даже если закрыть диалоговое окно, не нажав Apply. Изображения, загруженные в набор данных после этого, размываются во время обработки бесплатно; изменение этой настройки не размывает изображения, уже имеющиеся в наборе данных.

URI набора данных#

Ссылайся на наборы данных Platform, используя формат URI ul:// (см. раздел Использование наборов данных Platform):

ul://username/datasets/dataset-slug

Также можно вставить URL веб-страницы набора данных или модели напрямую (например, https://platform.ultralytics.com/username/datasets/dataset-slug); он автоматически преобразуется в URI ul://. Если передать список наборов данных, одна базовая модель будет последовательно дообучаться на каждом из них, например model.train(data=["ul://username/datasets/a", "ul://username/datasets/b"]).

Используй этот URI, чтобы обучать модели из любой точки:

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

Доступные лицензии#

Для наборов данных Platform поддерживает следующие лицензии:

Настройки видимости#

Укажи, кто может видеть твой набор данных:

Видимость задаётся при создании набора данных в диалоговом окне New Dataset с помощью переключателя. Чтобы изменить настройку позже, нажми на значок Публичный или Приватный рядом с названием набора данных в хлебных крошках страницы; при публикации набора данных потребуется подтверждение. Наборы данных On Premise всегда приватные. Публичные наборы данных отображаются на странице Explore.

Редактирование набора данных#

Метаданные набора данных редактируются прямо на его странице — диалоговое окно не требуется:

• Название: нажми на название набора данных, чтобы изменить его. Изменения сохраняются автоматически после потери фокуса или Enter. Длина названия не должна превышать 100 символов.
• Описание: нажми на описание (или на текст-заполнитель «Добавить описание...»), чтобы изменить его. Изменения сохраняются автоматически. Длина описания не должна превышать 1 000 символов.
• Тип задачи: нажми на значок типа задачи, чтобы выбрать другой тип.
• Лицензия: нажми на поле выбора лицензии, чтобы изменить лицензию набора данных.
• Значок: нажми на значок набора данных, чтобы загрузить собственное изображение, установить в качестве значка одно из изображений набора данных или выбрать букву и цвет.

Пользовательские метаданные#

Открой Другие действия и выбери Информация, чтобы просмотреть два раздела:

• Метаданные Ultralytics: доступные только для чтения сведения Platform, например идентификатор набора данных, владелец, тип задачи, количество изображений и аннотаций, регион хранения и временные метки
• Пользовательские метаданные: собственный JSON-объект с данными о происхождении, условиях съёмки, идентификаторах клиентов, управлении или другой контекстной информацией

Пользователи рабочего пространства могут просматривать метаданные, а участники с правом редактирования могут заменить объект пользовательских метаданных. Сериализованный объект метаданных может содержать не более 500 000 символов, а длина каждого ключа верхнего уровня ограничена 128 символами. Сохрани пустой объект ({}), чтобы очистить пользовательские метаданные.

Клонирование набора данных#

Просматривая публичный набор данных, которым ты не владеешь, нажми Clone Dataset, чтобы открыть диалоговое окно клонирования. Проверь целевое рабочее пространство, название, видимость и лицензию, затем подтверди клонирование. Копия включает все изображения, аннотации и определения классов. В рабочих пространствах, где по умолчанию используются публичные наборы данных, исходные публичные наборы данных остаются публичными. Клоны в рабочих пространствах Enterprise по умолчанию приватные. Если у исходного набора данных лицензия с копилефтом, клон наследует её, а выбор лицензии блокируется.

В диалоговом окне клонирования кнопка Клонировать набор данных остаётся неактивной, если этот URL уже используется в целевом рабочем пространстве. Для клонирования также должно хватать оставшейся квоты хранилища на копию.

Добавление в избранное и публикация#

• Добавить в избранное: нажми на кнопку со звездой, чтобы добавить набор данных в закладки. Количество звёзд видно всем пользователям.
• Поделиться: чтобы поделиться публичным набором данных, нажми кнопку «Поделиться»: можно скопировать ссылку, получить фрагмент для вставки или опубликовать ссылку в социальных сетях.

Удаление набора данных#

Удали ненужный набор данных:

1. Открой Другие действия (кнопка …) в заголовке набора данных
2. Выбери Удалить набор данных
3. Подтверди действие в диалоговом окне: «[name] будет перемещён в корзину. Его можно восстановить в течение 30 дней».

В этом же меню есть пункт Информация, открывающий диалоговое окно с метаданными, описанное в разделе Пользовательские метаданные, и пункт Обновить, который повторно загружает данные набора с сервера.

Обучение на наборе данных#

Начни обучение прямо из набора данных:

1. Нажми New Model на странице набора данных
2. Выбери проект или создай новый
3. Настрой параметры обучения
4. Начни обучение

graph LR
    A[Dataset]:::start --> B[New Model]:::proc
    B --> C[Select Project]:::proc
    C --> D[Configure]:::proc
    D --> E[Start Training]:::out

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

Подробнее см. в разделе Облачное обучение.

Часто задаваемые вопросы#