Модели#

Ultralytics Platform предоставляет комплексные инструменты управления моделями для обучения, анализа и развёртывания моделей YOLO. Загружай предварительно обученные модели или обучай новые прямо на платформе.

Загрузка модели#

Загрузи на платформу веса существующей модели:

1. Перейди в свой проект
2. Перетащи файлы .pt на страницу проекта или в боковую панель моделей либо нажми значок Upload models
3. Метаданные модели автоматически считываются из файла

Можно одновременно загрузить несколько файлов (до 3 параллельных загрузок).

Поддерживаемые форматы моделей:

После загрузки платформа считывает метаданные модели:

• Тип задачи (обнаружение, сегментация, семантическая сегментация, оценка глубины, классификация, оценка позы, OBB)
• Архитектура (YOLO26n, YOLO26s и т. д.)
• Названия и количество классов
• Размер входных данных и параметры
• Результаты и метрики обучения (если они есть в контрольной точке)

Обучение модели#

Обучи новую модель прямо на платформе:

1. Перейди в свой проект
2. Нажми New Model
3. Выбери базовую модель и набор данных
4. Настрой параметры обучения
5. Выбери облачное или локальное обучение
6. Начни обучение

Подробные инструкции см. в разделе Облачное обучение.

Жизненный цикл модели#

graph LR
    A[Upload .pt]:::start --> B[Overview]:::proc
    C[Train]:::start --> B
    B --> D[Predict]:::proc
    B --> E[Export]:::proc
    B --> F[Deploy]:::proc
    E --> G[22 Formats]:::out
    F --> H[Endpoint]:::out

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

Вкладки страницы модели#

На странице каждой модели есть следующие вкладки:

Заголовок модели#

Над вкладками в заголовке отображаются цвет модели (его можно изменить), название (нажми на него, чтобы переименовать), значок задачи, версия контрольной точки ultralytics и средство выбора лицензии. В меню действий доступны Clone Model (для завершённых моделей с весами, которыми ты ещё не владеешь), Download, Star, Share (для общедоступных моделей) и меню More actions с пунктами Information, Refresh и Delete Model.

Сразу под заголовком для каждой метрики задачи показана карточка: итоговое значение и спарклайн хода обучения. Нажми на карточку, чтобы перейти к графикам. Рядом находится карточка со ссылкой на набор данных, на котором обучалась модель.

Вкладка «Обзор»#

В карточке Run Information записаны сведения о ходе запуска: статус, время начала, длительность, стоимость вычислений с указанием GPU и почасовой тарификации, версия ultralytics, данные о хосте (имя хоста, окружение, ОС, Python, CPU, GPU), родительская модель, закреплённая версия набора данных, репозиторий Git, ветка и коммит, если они указаны для запуска, а также воспроизводимая команда yolo train, которую можно скопировать.

Пока запуск активен, карточка отображает ход выполнения в реальном времени: счётчик эпох, индикатор выполнения, затраченное время, расчётное время завершения и текущие расходы. Также доступна кнопка Cancel. Если запуск завершится с ошибкой, вместо карточки появится баннер с сохранённой ошибкой и действиями View full console logs и Retry Training.

Под ней в разделе Training Configuration перечислены все использованные гиперпараметры, а в разделе Performance Metrics — итоговые результаты оценки. В обеих таблицах можно выполнять поиск, а в меню Export data доступны команды Copy JSON, Download CSV и Download JSON.

Вкладка «Обучение»#

На вкладке Train есть три подкладки:

Подкладка «Графики»#

Интерактивные графики метрик по эпохам, разделённые на представления Training и Validation, если в ходе запуска были созданы артефакты валидации. Группы графиков соответствуют метрикам, которые выводил запуск:

Каждую группу можно свернуть; в меню можно скрывать или показывать отдельные графики (а для потерь — ряды обучения или валидации). Графики можно перетаскивать и изменять их размер, а выбранная компоновка сохраняется между сеансами.

Вкладка Console#

Вывод консоли в реальном времени из процесса обучения:

• Потоковая передача журналов во время обучения в реальном времени с сохранением последних 2000 строк
• Индикаторы выполнения эпох и результаты валидации
• Обнаружение критических ошибок: завершение запуска и отображение сообщения в баннере
• Поддержка цветов ANSI, необязательный столбец с временными метками и копирование обычного текста одним нажатием

Вкладка System#

Карточка узла с краткими сведениями об инстансе обучения (имя хоста, CPU, GPU, объём RAM и диска, а также время последнего обнаружения), а затем графики по эпохам:

Графики GPU, сети и диска отображаются, только если запуск предоставил соответствующие счётчики.

Вкладка Predict#

Запускай интерактивный инференс прямо в браузере:

• Загружай изображения, используй примеры или веб-камеру
• Результаты отображаются с ограничивающими рамками, масками, семантическими картами классов или ключевыми точками
• Автоматический инференс при добавлении изображения
• Поддерживаются все типы задач (обнаружение, сегментация, семантическая сегментация, оценка глубины, классификация, оценка позы, OBB)

Вкладка Export#

Экспортируй модель в 22 формата развертывания. Подробности смотри ниже в разделе Экспорт модели и в основном руководстве по режиму экспорта.

Вкладка Deploy#

Создавай выделенные эндпоинты для инференса и управляй ими. Подробности см. в разделе Развёртывания.

Графики валидации#

После завершения обучения в представлении Validation на вкладке Charts отображается подробный анализ последней эпохи.

Матрица ошибок#

Интерактивная тепловая карта точности предсказаний для каждого класса:

Кривые PR/F1#

Если результаты доступны для обучающего запуска, в представлении Validation также отображаются кривые качества при разных порогах уверенности. Набор доступных графиков валидации зависит от артефактов, созданных запуском.

Диагностика по изображениям#

Для моделей обнаружения, обученных на сохранённой версии датасета, также доступен анализ валидации по отдельным изображениям, который помогает найти данные, связанные с низким результатом:

• Изображения с худшими и лучшими результатами — отсортированы по F1 для каждого изображения и показаны с рамками истинной разметки
• Исследователь характеристик — сопоставляет F1 с шириной и высотой изображения, количеством пикселей, соотношением сторон и числом экземпляров; по умолчанию выбрана наиболее сильная связь
• Классы, связанные с ошибками — показывает, какие классы чаще всего встречаются на изображениях с самыми низкими результатами
• Поиск похожих — доступен в галерее изображений с худшими результатами, для отдельного изображения в полноэкранном режиме и для строки класса. Функция ищет в общедоступных датасетах, а также в твоих личных и командных датасетах изображения, похожие на те, где были зафиксированы ошибки, и добавляет выбранные тобой изображения в обучающий датасет как неразмеченные изображения train (см. раздел Поиск похожих изображений); функция отображается, если у тебя есть права на редактирование проекта, а обучающий датасет не подключён и находится в той же рабочей области

Экспорт модели#

graph LR
    A[Select Format]:::start --> B[Configure Args]:::proc
    B --> C[Export]:::proc
    C --> D{GPU Required?}:::decide
    D -->|Yes| E[Cloud GPU Export]:::proc
    D -->|No| F[CPU Export]:::proc
    E --> G[Download]:::out
    F --> G

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

Экспортируй модель в 22 формата развертывания:

1. Перейди на вкладку Export
2. Выбери целевой формат
3. Настрой параметры экспорта (размер изображения, точность, динамический режим и т. д.)
4. Для форматов, требующих GPU (TensorRT), выбери тип GPU
5. Нажми Start Export
6. Скачай файл после завершения экспорта

Подключи уведомления Slack, чтобы получать сообщение о готовности экспорта или возникшей ошибке.

Поддерживаемые форматы#

Платформа поддерживает экспорт в 22 формата развертывания: TorchScript, ONNX, OpenVINO, TensorRT, CoreML, Apple Core AI, TF SavedModel, TF GraphDef, TF Edge TPU, LiteRT, PaddlePaddle, MNN, NCNN, IMX500, RKNN, ExecuTorch, Axelera, DeepX, Qualcomm (QNN), Hailo, Huawei Ascend и AMD Xilinx.

Руководство по выбору формата#

Целевые платформы TensorRT для NVIDIA Jetson#

Ultralytics Platform предлагает следующие целевые платформы Jetson для экспорта TensorRT .engine. Приведённые ниже результаты валидации за июль 2026 года получены с JetPack 7.2 / L4T r39.2, Python 3.12.3, NVIDIA PyTorch 2.12.0a0 (сборка 26.04), CUDA 13.2 и TensorRT 10.16.1.11. Они описывают протестированную среду; прежде чем повторно использовать экспортированный движок, проверь версии сред выполнения на текущем рабочем узле и устройстве развёртывания.

Значения времени — это результаты отдельных наблюдавшихся сквозных производственных тестов маршрутизации за июль 2026 года, округлённые до ближайшей секунды; это справочные измерения, а не SLA и не бенчмарк производительности для каждого SKU. Оба варианта Thor собраны на T5000 Developer Kit в профиле совместимости NVIDIA T4000. Все шесть маршрутов Orin собраны на AGX Orin 64GB; каждый полученный движок был загружен и запущен.

Поддержка чипов RKNN#

При экспорте в формат RKNN выбери целевое устройство Rockchip:

Жизненный цикл задания экспорта#

Задания экспорта проходят следующие этапы:

Действия для массового экспорта#

• Экспортировать всё: нажми Export All, чтобы запустить задания экспорта для всех форматов, использующих CPU, с настройками по умолчанию. Форматы, для которых нужно выбрать GPU, недоступные для этой модели или уже экспортированные, будут пропущены и перечислены.
• Удалить все экспорты: нажми Delete All, чтобы удалить все экспорты модели.

Ограничения форматов#

У некоторых форматов экспорта есть ограничения по архитектуре или типу задачи:

Перемещение моделей между проектами#

Перемещай модели, которые можешь редактировать, в другой проект той же рабочей области, не копируя их:

1. Открой исходный проект и выбери одну или несколько моделей в списке моделей
2. Щёлкни правой кнопкой мыши и выбери Вырезать (Cmd/Ctrl+X)
3. Открой проект назначения, щёлкни правой кнопкой мыши по списку моделей и выбери Вставить (Cmd/Ctrl+V) либо перетащи выбранные модели на проект назначения в боковой панели

Перемещённые модели сохраняют веса, метрики, экспорты и развёртывания и получают URL проекта назначения. Если URL-имя модели уже используется в проекте назначения, по прибытии модель будет переименована; модели, обучение которых ещё продолжается, перемещать нельзя, а Esc отменяет ожидающую операцию вырезания. Чтобы скопировать в свой проект модель, которой ты не владеешь, используй Клонировать модель.

Клонирование модели#

Клонируй модель в другой проект:

1. Открой страницу модели
2. Нажми Клонировать модель
3. Выбери проект назначения или нажми Новый проект, чтобы создать проект прямо здесь
4. При желании задай клону другое имя
5. Нажми Клонировать модель

Модель и её веса копируются в целевой проект. Кнопка Клонировать модель доступна для завершённых моделей с весами, которыми ты ещё не владеешь.

Скачать модель#

Скачай веса модели:

1. Открой страницу модели
2. Нажми значок загрузки в заголовке модели (доступен на любой вкладке)
3. Основной чекпоинт модели .pt скачивается автоматически

Экспортированные форматы можно скачать на вкладке Экспорт после завершения экспорта.

Связь с датасетом#

Модели можно связать с исходным датасетом:

• Посмотри, какой датасет использовался для обучения
• Нажми на карточку датасета на вкладке «Обзор», чтобы перейти к нему
• Отслеживай происхождение данных

При обучении на датасетах Platform с использованием URI-формата ul:// связь создаётся автоматически.

# Train with a Platform dataset — linking is automatic
yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100

Пользовательские метаданные#

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

• Метаданные Ultralytics: доступные только для чтения сведения Platform, например ID модели, проект, исходный датасет, задача, статус и временные метки
• Пользовательские метаданные: твой собственный объект JSON для контекста оценки, отслеживания релизов, управления или других данных, специфичных для модели

Пользовательские метаданные отделены от информации о модели, среды и аргументов обучения, которыми управляет процесс обучения. Участники рабочего пространства могут просматривать их, а участники с правом редактирования — заменять объект. Размер сериализованного объекта метаданных ограничен 500 000 символами, а длина каждого ключа верхнего уровня — 128 символами. Сохрани пустой объект ({}), чтобы очистить пользовательские метаданные.

Настройки видимости#

Управляй доступом к своей модели:

Видимость задаётся на уровне проекта, поэтому настройка распространяется на все модели в проекте. Чтобы изменить её, нажми на значок видимости (private или public) рядом с названием проекта в навигационной цепочке в верхней части страницы. Переключение на приватный режим вступает в силу сразу. При переключении на публичный режим перед применением появится диалог подтверждения.

Удалить модель#

Удали модель, которая тебе больше не нужна:

1. Открой меню Другие действия в заголовке модели и выбери Удалить модель
2. Подтверди удаление

См. также#

• Инференс: тестируй модели в браузере на вкладке Predict
• Эндпоинты: развёртывай модели в рабочей среде с помощью выделенных эндпоинтов
• Обучение в облаке: настраивай и запускай задания обучения на облачных GPU
• Форматы экспорта: полное руководство по всем 22 форматам экспорта

Часто задаваемые вопросы#