Краткое руководство по Ultralytics Platform#

Ultralytics Platform предлагает пошаговый процесс: загружай датасеты, обучай новые модели YOLO на предобученных весах, тестируй готовые модели в браузере и настраивай выделенные конечные точки инференса.

На следующей интерактивной схеме показаны четыре основных этапа рабочего процесса Ultralytics Platform. Нажми на любой этап или подэтап, чтобы открыть подробные инструкции для этого раздела.

graph LR
    A(Sign Up):::start --> B(Prepare Data):::proc --> C(Train):::proc --> D(Deploy):::out
    A -.- A1["<a href='#get-started'>Create account</a><br/><a href='#region-selection'>Select region</a>"]:::proc
    B -.- B1["<a href='#upload-your-first-dataset'>Upload dataset</a><br/><a href='#create-your-first-project'>Create Project</a>"]:::proc
    C -.- C1["<a href='#training-configuration'>Configure training</a><br/><a href='#monitor-training'>Monitor progress</a>"]:::proc
    D -.- D1["<a href='#test-your-model'>Test model</a><br/><a href='#deploy-to-production'>Deploy endpoint</a>"]:::proc

    click A "#get-started"
    click B "#upload-your-first-dataset"
    click C "#train-your-first-model"
    click D "#deploy-to-production"

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

Начало работы#

Ultralytics Platform предлагает несколько удобных способов зарегистрироваться. Ты можешь создать учетную запись и войти через Google или GitHub либо указав адрес электронной почты.

Выбор региона#

Во время первоначальной настройки тебе предложат выбрать регион для данных. Platform автоматически измерит задержку для каждого региона и порекомендует ближайший. От этого выбора зависит, где будут храниться датасеты, модели и данные для управляемого обучения. Регионы для выделенных конечных точек выбираются отдельно при развертывании модели.

Бесплатные кредиты#

Каждая новая учетная запись получает бесплатные кредиты для обучения на облачных GPU:

Заполни профиль#

Процесс первоначальной настройки состоит из трех шагов:

1. Профиль — укажи отображаемое имя, уникальное имя пользователя (оно постоянное и не подлежит изменению), организацию (необязательно) и основную задачу
2. Регион данных — выбери US, EU или AP; на наглядной карте мира показана задержка
3. Завершение — проверь выбранные параметры, при желании введи промокод и заверши регистрацию, чтобы получить приветственные кредиты

Главная панель#

После входа ты попадешь на главную страницу Ultralytics Platform, где есть приветственная карточка со статистикой рабочего пространства, обзорное видео, быстрый доступ к наборам данных, проектам и хранилищу, а также лента последних действий.

Навигация боковой панели#

Боковая панель обеспечивает доступ ко всем разделам Platform:

В каждом разделе контента перечислены пять последних элементов со ссылкой на остальные. При наведении на элемент появляется действие удаления, которое перемещает его в Корзину, за исключением развертываний: они удаляются безвозвратно после подтверждения. Перейти в саму Корзину можно из поиска (Cmd+K) или открыв platform.ultralytics.com/trash.

Приветственная карточка#

На приветственной карточке отображаются твой профиль, значок тарифного плана (со ссылкой на сравнение тарифов) и краткая статистика рабочего пространства. Каждый показатель ведет к соответствующему разделу рабочего пространства:

Быстрые действия#

Под приветственной карточкой на панели отображаются три карточки:

• Наборы данных: создай набор данных или перетащи изображения, видео либо файлы наборов данных, чтобы загрузить их. Здесь показаны твои последние наборы данных.
• Проекты: создай проект или перетащи файлы моделей .pt, чтобы загрузить их. Здесь показаны твои последние проекты.
• Хранилище: обзор использования хранилища (наборы данных, модели, экспорты) с учетом ограничений тарифного плана.

В таблице Последние действия внизу отображаются последние наборы данных, проекты и развертывания, их статус и время последнего обновления.

Глобальный поиск#

Нажми Cmd+K (Mac) или Ctrl+K (Windows/Linux), чтобы открыть строку поиска. Мгновенно ищи по страницам, проектам, наборам данных и развертываниям.

ИИ-ассистент в чате#

Нажми Спросить ИИ, чтобы работать с ИИ-агентом, который автоматизирует задачи в Ultralytics Platform. Он напрямую работает с твоими наборами данных и моделями: размечает изображения, запускает эксперименты по обучению, сравнивает результаты, экспортирует и развертывает модели. В статье Автоматическое обучение с помощью Ask AI приведены примеры запросов и инструкции по настройке собственного агента для программирования.

Обучающие туры#

В Platform есть пошаговые туры, которые знакомят с основными функциями по мере изучения разных разделов:

Перезапуск туров#

Чтобы пройти любой тур повторно:

• Кнопка «Пройти тур повторно» — нажми на аватар профиля (внизу слева на боковой панели), чтобы открыть меню учетной записи, затем выбери Пройти тур повторно. Это сбросит все туры, и при следующем посещении каждого раздела они запустятся снова.
• Параметр URL — добавь ?tour= с идентификатором тура, чтобы перезапустить его напрямую: ?tour=nav на главной странице, ?tour=project на странице проекта или ?tour=dataset на странице набора данных.

Загрузи первый набор данных#

Открой Annotate на боковой панели и нажми +, чтобы создать новый набор данных. Также можно перетащить файлы прямо на карточку «Наборы данных» на главной панели.

В диалоговом окне New Dataset доступны четыре источника. В этом кратком руководстве используется Upload; остальные описаны в разделах «Наборы данных» и «Интеграции»:

Поддерживаются разные форматы загрузки (подробности — в разделе «Наборы данных»):

graph LR
    A[Drop Files]:::start --> B[Auto-Package ZIP]:::proc
    B --> C[Upload to Storage]:::proc
    C --> D[Process Data]:::proc
    D --> E[Resize & Thumbnail]:::proc
    E --> F[Parse Labels]:::proc
    F --> G[Compute Statistics]:::proc
    G --> H[Dataset Ready]:::out

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

После загрузки платформа автоматически обрабатывает данные:

1. Изображения шириной или высотой более 4096 px уменьшаются с сохранением пропорций; оригиналы TIFF хранятся без изменений
2. Для быстрого просмотра создаются миниатюры размером 256 px
3. Метки YOLO, COCO, LabelMe, а также NDJSON от Ultralytics и Labelbox разбираются и проверяются
4. Вычисляется статистика: распределение классов, тепловые карты и размеры

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

Подробнее о наборах данных и поддерживаемых форматах для задач detect, segment, pose, OBB и classify.

Создай свой первый проект#

Проекты помогают упорядочивать связанные модели и эксперименты. Открой Train на боковой панели и нажми +, чтобы создать проект. Также можно перетащить веса .pt на карточку Projects на главной панели, чтобы создать проект и импортировать их за один шаг.

Укажи название и при желании добавь описание. В проектах хранятся запуски обучения, импортированные или клонированные веса моделей, а также графики для сравнения результатов завершенного обучения.

Подробнее о проектах.

Обучи свою первую модель#

В проекте нажми New Model, чтобы открыть диалоговое окно Train New Model. Также можно начать со страницы набора данных — в этом случае набор данных будет выбран заранее, а тебе останется указать проект назначения.

Настройка обучения#

1. Базовая модель: выбери официальные веса Ultralytics или одну из собственных обученных моделей. Если задача модели не совпадает с задачей набора данных, диалог предупредит об этом.
2. Набор данных: выбери подготовленный набор данных, в котором есть хотя бы одно обучающее изображение, хотя бы одно изображение для валидации или тестирования и хотя бы одно размеченное изображение
3. Параметры: укажи Epochs (по умолчанию 100), Batch Size (пустое значение означает автоматический выбор), Image Size (по умолчанию 640) и при желании Name запуска. Разверни Advanced Settings, чтобы изменить любой другой аргумент обучения Ultralytics в редакторе YAML.
4. Выбор GPU: на вкладке Cloud Training выбери вычислительные ресурсы с учетом бюджета и размера модели. По умолчанию используется RTX PRO 6000 (96 ГБ Blackwell, $2.09/ч), которой хватает для всех вариантов YOLO26. Полный список и ограничения тарифов см. в таблице цен на GPU или на этапе выбора GPU для облачного обучения.
5. Начало обучения: проверь расчетную стоимость и длительность рядом с балансом кредитов, затем нажми Start Training.

Следи за ходом обучения#

После начала обучения открой вкладку Train модели, чтобы отслеживать ход обучения в реальном времени на трех подвкладках:

Метрики передаются в реальном времени через SSE (события, отправляемые сервером). Когда появятся результаты валидации, подвкладка Charts разделится на представления Training и Validation. Матрица ошибок, PR-кривые и F1-кривые будут доступны в разделе Validation.

Подробнее об облачном обучении.

Протестируй свою модель#

После завершения обучения протестируй модель прямо в браузере:

1. Перейди на вкладку Predict своей модели
2. Загрузи изображение, перетащи его, сделай снимок веб-камерой или нажми на пример изображения (при перетаскивании инференс запускается автоматически)
3. Просматривай подходящие для задачи наложения предсказаний, длительность каждого этапа (предобработка, инференс, постобработка, сеть) и исходный ответ JSON

Настрой параметры инференса:

На вкладке Predict в разделе API Docs приведены примеры кода на Python, JavaScript и cURL с уже заданными выше параметрами. Сначала разверни модель, затем замени URL-заполнитель и ключ значениями из своей конечной точки:

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())

Подробнее об инференсе.

Разверни модель для работы в production#

Разверни модель на выделенной конечной точке для использования в production:

1. Перейди на вкладку Deploy своей модели
2. Платформа измеряет задержку для всех 42 регионов и отображает результаты на карте мира с градиентом от зеленого до красного: чем ниже задержка, тем зеленее цвет, чем выше — тем краснее
3. В таблице Region Latency под картой, отсортированной по задержке от твоего местоположения, найди нужный регион. Чтобы повторить измерение в любой момент, используй Rescan.
4. Нажми Deploy в строке региона, чтобы создать конечную точку

graph LR
    A[Select Region]:::start --> B[Deploy]:::proc
    B --> C[Provisioning]:::proc
    C --> D[Running]:::out
    D --> E{Lifecycle}:::decide
    E --> F[Stop]:::error
    E --> G[Delete]:::error
    F --> H[Resume]:::proc
    H --> D

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,color:#fff
    classDef error fill:#F44336,color:#fff

После завершения подготовки конечная точка предоставляет:

• Уникальный URL: HTTPS-конечная точка для вызовов API
• Поведение при масштабировании до нуля: простаивающие конечные точки с размером по умолчанию масштабируются до нуля; пользовательские размеры остаются активными, и за время работы взимается почасовая плата (в развертываниях сейчас работает один активный экземпляр)
• Мониторинг: метрики запросов и журналы

После развертывания всеми конечными точками можно управлять на вкладке Deployments в профиле. Чтобы открыть профиль, перейди в раздел Deployments на боковой панели. На вкладке отображаются общая карта активных развертываний, метрики за 24 часа (активные развертывания, общее число запросов, доля ошибок и задержка P95), а также список всех конечных точек.

Подробнее о конечных точках.

Удаленное обучение (необязательно)#

Если ты предпочитаешь обучать модели на собственном оборудовании, используй API-ключ, чтобы запускать обучение где угодно и передавать метрики на платформу Ultralytics.

Самый быстрый способ — воспользоваться вкладкой Local Training в диалоговом окне обучения: она формирует полную команду для выбранной модели, набора данных и параметров, а также добавляет API-ключ (или создает его, если у тебя его еще нет). Скопируй команду и выполни ее в терминале.

Чтобы собрать команду самостоятельно:

1. Создай API-ключ в Settings > API Keys
2. Задай переменную окружения и запусти обучение, указав значение username/project для project:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

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

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

Обратная связь и помощь#

На странице Help в нижней части боковой панели собраны ссылки на документацию, видеоинструкции и ресурсы сообщества; там также есть форма обратной связи в приложении. Ты можешь оценить свой опыт от 1 до 5 звёзд, выбрать тип отзыва (Ошибка, Запрос функции или Общий) и прикрепить снимок экрана.

Если нужна дополнительная помощь:

• Чат с ИИ: нажми на плавающий виджет чата на любой странице, чтобы сразу получить помощь.
• Документация: изучи подробные руководства по наборам данных, аннотированию, обучению, развёртыванию и оплате.
• Discord: присоединяйся к нашему сообществу Discord, чтобы участвовать в обсуждениях.
• GitHub: сообщай о проблемах на GitHub.
• REST API и Python SDK: смотри справочник API, установи клиент ultralytics-platform или воспользуйся интерактивной документацией API, чтобы программно получить доступ ко всем функциям Platform.

Часто задаваемые вопросы#