Быстрый старт с Ultralytics Platform

Ultralytics Platform разработана как удобная и интуитивно понятная платформа, позволяющая пользователям быстро загружать свои наборы данных и обучать новые модели YOLO. Она предлагает широкий выбор предварительно обученных моделей, что облегчает начало работы для пользователей. После обучения модель можно протестировать непосредственно в браузере и развернуть в производственной среде одним щелчком мыши.

journey
    title Your First Model in 5 Minutes
    section Sign Up
      Create account: 5: User
      Select region: 5: User
    section Prepare Data
      Upload dataset: 5: User
      Review images: 4: User
    section Train
      Configure training: 5: User
      Monitor progress: 3: Platform
    section Deploy
      Test model: 5: User
      Deploy endpoint: 5: User

Начать

Ultralytics Platform предлагает различные простые варианты регистрации. Вы можете зарегистрироваться и войти в систему, используя свои учетные записи Google или GitHub, или с помощью адреса электронной почты.

Выбор региона

Во время регистрации вам будет предложено выбрать регион данных. Платформа автоматически измеряет задержку до каждого региона и рекомендует ближайший. Это важный выбор, так как он определяет, где будут храниться ваши данные, модели и развертывания.

Бесплатные кредиты

Каждый новый аккаунт получает бесплатные кредиты для обучения на облачных GPU:

Заполните свой профиль

Прежде чем выбрать свой регион, вы заполните свой профиль, указав отображаемое имя, имя пользователя, необязательную компанию и основной вариант использования. Процесс адаптации состоит из трех шагов: Профиль, Регион данных и Завершение.

Главная панель управления

После входа в систему вы будете перенаправлены на домашнюю страницу Ultralytics Platform, которая содержит приветственную карточку со статистикой рабочего пространства, быстрым доступом к наборам данных, проектам и хранилищу, а также ленту последних действий.

Навигация по боковой панели

Боковая панель предоставляет доступ ко всем разделам Платформы:

Приветственная карточка

Приветственная карточка показывает ваш профиль, значок плана и статистику рабочего пространства с первого взгляда:

Быстрые действия

Под приветственной карточкой панель управления показывает три карточки:

• Наборы данных: Создайте новый набор данных или перетащите изображения, видео или ZIP-файлы для загрузки. Показывает ваши последние наборы данных.
• Проекты: Создайте новый проект или перетащите .pt файлы модели для загрузки. Показывает ваши недавние проекты.
• Хранилище: Обзор использования вашего хранилища (наборы данных, модели, экспорты) с учетом лимитов тарифного плана.

Таблица Последняя активность внизу показывает ваши последние наборы данных, модели и запуски обучения.

Загрузите свой первый набор данных

Перейдите к Annotate на боковой панели и нажмите New Dataset чтобы добавить ваши тренировочные данные. Вы также можете перетаскивать файлы непосредственно на карточку «Наборы данных» на главной панели управления.

Ultralytics Platform поддерживает несколько форматов загрузки (подробности см. в Наборы данных):

graph LR
    A[Drop Files] --> B[Auto-Package ZIP]
    B --> C[Upload to Storage]
    C --> D[Backend Worker]
    D --> E[Resize & Thumbnail]
    E --> F[Parse Labels]
    F --> G[Compute Statistics]
    G --> H[Dataset Ready]

После загрузки платформа автоматически обрабатывает ваши данные:

1. Изображения размером более 4096 пикселей изменяются (с сохранением соотношения сторон).
2. Генерируются миниатюры 256px для быстрого просмотра
3. Метки парсятся и валидируются (YOLO .txt формат)
4. Вычисляются статистики (распределение классов, тепловые карты, размеры)

my-dataset.zip
├── data.yaml          # Class names and splits
├── train/
│   ├── images/
│   │   ├── img001.jpg
│   │   └── img002.jpg
│   └── labels/
│       ├── img001.txt
│       └── img002.txt
└── val/
    ├── images/
    └── labels/

Узнайте больше о наборах данных и поддерживаемых форматах для detect, segment, pose, OBB и classify.

Создайте свой первый проект

Проекты помогают организовать связанные модели и эксперименты. Перейдите в раздел «Проекты» и нажмите «Создать проект».

Введите имя и необязательное описание для вашего проекта. Проекты содержат:

• Модели: Обученные контрольные точки
• Журнал активности: История изменений

Подробнее о проектах.

Обучите свою первую модель

В вашем проекте нажмите Train Model чтобы начать облачное обучение.

Конфигурация обучения

1. Выберите набор данных: Выберите из загруженных вами наборов данных (только наборы данных с train разделение показаны)
2. Выбор модели: Выберите базовую модель — официальные модели Ultralytics или ваши собственные обученные модели.
3. Установить эпохи: Количество итераций обучения (по умолчанию: 100).
4. Выбор GPU: Выберите вычислительные ресурсы исходя из вашего бюджета и размера модели.

Мониторинг обучения

После начала обучения вы можете отслеживать прогресс в реальном времени через три подвкладки:

Метрики передаются в реальном времени через SSE (Server-Sent Events). После завершения обучения генерируются графики валидации, включая матрицу ошибок, PR-кривые и F1-кривые.

Подробнее об облачном обучении.

Протестируйте свою модель

После завершения обучения протестируйте свою модель прямо в браузере:

1. Перейдите к вашей модели Predict вкладка
2. Загрузите изображение, перетащите его или используйте примеры изображений (автоматический вывод при перетаскивании)
3. Просмотр результатов инференса с ограничивающими рамками, отображаемыми на холсте

Настройте параметры инференса:

Параметр Predict вкладка предоставляет готовые к использованию примеры кода с предварительно заполненным вашим фактическим ключом API:

import requests

url = "https://platform.ultralytics.com/api/models/{model_id}/predict"
headers = {"Authorization": "Bearer your_api_key"}

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

print(response.json())

curl -X POST "https://platform.ultralytics.com/api/models/{model_id}/predict" \
  -H "Authorization: Bearer your_api_key" \
  -F "file=@image.jpg"

Подробнее об инференсе.

Развертывание в производственной среде

Разверните вашу модель на выделенной конечной точке для использования в производственной среде:

1. Перейдите к вашей модели Deploy вкладка
2. Выберите регион на интерактивной карте мира (43 доступных региона)
3. The map shows real-time latency measurements with traffic light colors (green < 100ms, yellow < 200ms, red > 200ms)
4. Нажмите Deploy для создания вашей конечной точки

graph LR
    A[Select Region] --> B[Deploy]
    B --> C[Provisioning ~1 min]
    C --> D[Running]
    D --> E{Lifecycle}
    E --> F[Stop]
    E --> G[Delete]
    F --> H[Resume]
    H --> D

Ваша конечная точка будет готова примерно через минуту, предоставляя:

• Уникальный URL: Конечная точка HTTPS для вызовов API
• Автоматическое масштабирование: Автоматически масштабируется в зависимости от трафика
• Мониторинг: Метрики запросов и журналы

После развертывания вы можете управлять всеми своими конечными точками из Deploy раздел на боковой панели, который отображает глобальную карту с активными развертываниями, обзорные метрики и список всех конечных точек.

Подробнее о конечных точках.

Удаленное обучение (опционально)

Если вы предпочитаете обучать на собственном оборудовании, вы можете передавать метрики на платформу, используя свой ключ API. Это работает как Weights & Biases — обучайте где угодно, отслеживайте на платформе.

1. Сгенерировать ключ API в Settings > Profile (раздел API Keys)
2. Установите переменную окружения и обучите с помощью project/name формат:

export ULTRALYTICS_API_KEY="ul_your_api_key_here"

yolo train model=yolo26n.pt data=coco.yaml epochs=100 project=username/my-project name=exp1

Подробнее о ключах API, URI наборов данных и удаленном обучении.

Обратная связь

Мы ценим ваш отзыв! Используйте кнопку обратной связи, чтобы помочь нам улучшить платформу.

Нужна помощь?

Если у вас возникнут какие-либо проблемы или вопросы:

• Документация: Просмотрите эти документы для подробных руководств
• Discord: Присоединяйтесь к нашему сообществу Discord для обсуждений
• GitHub: Сообщайте о проблемах на GitHub

📅 Создано 2 месяцев назад ✍️ Обновлено 1 день назад

Комментарии