Модели
Ultralytics обеспечивает комплексное управление моделями для обучения, анализа и развертывания YOLO . Загружайте предварительно обученные модели или обучайте новые непосредственно на платформе.
Загрузить модель
Загрузите существующие веса модели на платформу:
- Перейдите к своему проекту
- Нажмите «Загрузить модель»
- Выберите свой
.ptфайла - Добавить название и описание
- Нажмите «Загрузить»
Поддерживаемые форматы моделей:
| Формат | Расширение | Описание |
|---|---|---|
| PyTorch | .pt | Нативный Ultralytics |
После загрузки платформа анализирует метаданные модели:
- Тип задачи (detect, segment, поза, OBB, classify)
- Архитектура (YOLO11n, YOLO11s и т. д.)
- Названия классов и количество
- Размер входных данных и параметры
Обучить модель
Обучите новую модель непосредственно на платформе:
- Перейдите к своему проекту
- Модель поездов Click
- Выбрать набор данных
- Выберите базовую модель
- Настройка параметров обучения
- Начать обучение
Подробные инструкции см. в разделе «Обучение по работе с облаком ».
Обзор модели
На странице каждой модели отображается:
| Раздел | Содержание |
|---|---|
| Обзор | Метаданные модели, тип задачи, архитектура |
| Метрики | Графики потерь и производительности обучения |
| Участки | Матрица путаницы, кривые PR, кривые F1 |
| Тест | Интерактивное тестирование выводов |
| Развернуть | Создание и управление конечными точками |
| Экспорт | Конвертация формата и загрузка |
Показатели обучения
Просмотр показателей обучения в режиме реального времени и за прошлый период:
Кривые потерь
| Потеря | Описание |
|---|---|
| Коробка | Потеря регрессии ограничивающей рамки |
| Класс | Потеря классификации |
| DFL | Распределение фокальной потери |
Метрики производительности
| Метрика | Описание |
|---|---|
| mAP50 | Средняя точность при IoU ,50 |
| mAP50 | Средняя точность при IoU ,50–0,95 |
| Точность | Соотношение правильных положительных прогнозов |
| Полнота (Recall) | Соотношение фактически выявленных положительных результатов |
Графики валидации
После завершения обучения просмотрите подробный анализ проверки:
Матрица ошибок (Confusion Matrix)
Интерактивная тепловая карта, показывающая точность прогнозирования по классам:
Кривые PR/F1
Кривые производительности при разных порогах достоверности:
| Кривая | Описание |
|---|---|
| Точность-Восстановление | Компромисс между точностью и полнотой |
| F1-Уверенность | Оценка F1 при разных уровнях достоверности |
| Точность-Уверенность | Точность при различных уровнях достоверности |
| Воспоминание-уверенность | Воспоминания с разным уровнем уверенности |
Экспортная модель
Экспортируйте свою модель в 17 форматов развертывания:
- Перейдите на вкладку «Экспорт ».
- Выберите целевой формат
- Нажмите «Экспорт»
- Скачать по завершении
Поддерживаемые форматы
| Формат | Описание | Пример использования |
|---|---|---|
| ONNX | Открытый обмен нейронными сетями | Кроссплатформенное развертывание |
| TorchScript | Сериализованный PyTorch | PyTorch |
| OpenVINO | Intel | Intel |
| TensorRT | NVIDIA | NVIDIA |
| CoreML | Оптимизация Apple | iOS |
| TFLite | TensorFlow Lite | Мобильные/встроенные |
| TF SavedModel | TensorFlow | TensorFlow |
| TF GraphDef | TensorFlow | Унаследованный TensorFlow |
| PaddlePaddle | Фреймворк Baidu | PaddlePaddle |
| NCNN | Мобильное вывод | Android |
| Краевой TPU | Google TPU | Коралловые устройства |
| TF.js | TensorFlow.js | Развертывание браузера |
| MNN | Фреймворк Alibaba | Оптимизация для мобильных устройств |
| RKNN | Rockchip NPU | Устройства Rockchip |
| IMX | NXP i.MX | Платформы NXP |
| Axelera | Metis AI | Ускорители Edge AI |
| ExecuTorch | Мета-фреймворк | Мета-платформы |
Время экспорта
Время экспорта зависит от формата. TensorRT может занять несколько минут из-за оптимизации движка.
Связывание наборов данных
Модели могут быть связаны с исходным набором данных:
- Просмотреть, какой набор данных использовался для обучения
- Доступ к набору данных со страницы модели
- Отслеживание происхождения данных
При обучении с использованием наборов данных Platform с помощью ul:// Формат URI, связывание происходит автоматически.
Настройки видимости
Контролируйте, кто может видеть вашу модель:
| Настройка | Описание |
|---|---|
| Частный | Только вы можете получить доступ |
| Общественный | Любой может просматривать на странице «Исследуйте» |
Чтобы изменить видимость:
- Открыть меню действий модели
- Нажмите «Изменить»
- Включить/выключить отображение
- Нажмите «Сохранить»
Удалить модель
Удалите модель, которая вам больше не нужна:
- Открыть меню действий модели
- Нажмите «Удалить»
- Подтвердить удаление
Удаление и восстановление
Удаленные модели попадают в корзину на 30 дней. Восстановите их в разделе «Настройки» > «Корзина».
Часто задаваемые вопросы
Какие архитектуры моделей поддерживаются?
Ultralytics поддерживает все YOLO :
- YOLO11: варианты n, s, m, l, x
- YOLO26: Последнее поколение (при наличии)
- YOLOv10: Поддержка устаревших версий
- YOLOv8: Поддержка устаревших версий
- YOLOv5: Поддержка устаревших версий
Могу ли я скачать свою обученную модель?
Да, загрузите веса вашей модели со страницы модели:
- Нажмите на значок загрузки
- Выберите формат (оригинал
.ptили экспортированы) - Загрузка начинается автоматически
Как сравнить модели из разных проектов?
В настоящее время сравнение моделей осуществляется в рамках проектов. Для сравнения между проектами:
- Перенести модели в один проект или
- Экспорт метрик и сравнение с внешними источниками
Каков максимальный размер модели?
Строгих ограничений нет, но очень большие модели (>2 ГБ) могут требовать больше времени для загрузки и обработки.
Могу ли я доработать предварительно обученные модели?
Да! Загрузите предварительно обученную модель, а затем начните обучение с этой контрольной точки с использованием вашего набора данных. Платформа автоматически использует загруженную модель в качестве отправной точки.