Модели#

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

Загрузка модели#

Загружай существующие веса моделей на платформу:

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

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

Поддерживаемые форматы моделей:

После загрузки платформа извлекает метаданные модели:

• Тип задачи (detect, segment, semantic, depth, classify, pose, OBB)
• Архитектура (YOLO26n, YOLO26s и т. д.)
• Названия и количество классов
• Размер входных данных и параметры
• Результаты обучения и метрики (если они есть в чекпойнте)

Обучение модели#

Обучай новую модель прямо на платформе:

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

Подробные инструкции см. в разделе Cloud Training.

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[20 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 каждой странице модели есть следующие вкладки:

Заголовок модели#

Над вкладками в заголовке отображаются цвет модели (его можно изменить), имя (нажми на него, чтобы переименовать), значок задачи, версия ultralytics чекпойнта и селектор лицензии. В нем доступны действия Clone Model (для завершенных моделей с весами, которыми ты еще не владеешь), Download, Star, Share (для общедоступных моделей), а также меню More actions с пунктами Information, Refresh и Delete Model.

Ниже отображается по одной карточке для каждой метрики задачи: в ней указано итоговое значение над спарклайном динамики обучения — нажми любую карточку, чтобы перейти к графикам, — а также карточка со ссылкой на датасет, на котором обучалась модель.

Вкладка Overview#

В карточке Run Information записываются сведения о выполнении запуска: статус, время начала, длительность, стоимость вычислений с указанием GPU и почасовой ставки, версия ultralytics, сведения о хосте (имя хоста, окружение, ОС, Python, CPU, GPU), родительская модель, зафиксированная версия датасета, репозиторий Git, ветка и коммит, если они были указаны запуском, а также воспроизводимая команда yolo train, которую можно скопировать.

Пока запуск активен, карточка отображает текущий прогресс — счетчик эпох, индикатор выполнения, прошедшее время, ETA и текущую стоимость — и кнопку Cancel. Если запуск завершается с ошибкой, карточка заменяется баннером с полученной ошибкой и действиями View full console logs и Retry Training.

Ниже в разделе Training Configuration перечислены все использованные гиперпараметры, а в разделе Performance Metrics — итоговые результаты оценки. Обе таблицы поддерживают поиск и имеют меню Export data (Copy JSON, Download CSV, Download JSON).

Вкладка Train#

На вкладке Train есть три подвкладки:

Подвкладка Charts#

Интерактивные графики метрик по эпохам, разделенные на представления Training и Validation, если во время запуска были созданы артефакты валидации. Группы графиков соответствуют метрикам, о которых сообщил запуск:

Каждую группу можно свернуть, ее меню позволяет скрывать или показывать отдельные графики (а для потерь — ряды обучения или валидации), а графики можно перетаскивать и изменять их размер в раскладке, которая сохраняется между сеансами.

Подвкладка Console#

Вывод консоли в реальном времени из процесса обучения:

• Потоковая передача журналов в реальном времени во время обучения с сохранением последних 2000 строк
• Индикаторы прогресса эпох и результаты валидации
• Обнаружение критических ошибок, которое завершает запуск и отображает сообщение в баннере
• Поддержка цветов ANSI, необязательный столбец с отметками времени и копирование обычного текста одним нажатием

Подвкладка System#

Карточка хоста со сводными сведениями об экземпляре обучения (имя хоста, CPU, GPU, общий объем RAM и диска, а также время последнего обнаружения), за которой следуют графики по эпохам:

Графики GPU, сети и диска отображаются только в том случае, если запуск передал соответствующие счетчики.

Вкладка Predict#

Запускай интерактивный инференс прямо в браузере:

• Загрузи изображение, используй примеры изображений или веб-камеру
• Результаты отображаются с ограничивающими рамками, масками, семантическими картами классов или ключевыми точками
• Автоматический инференс при добавлении изображения
• Поддерживаются все типы задач (detect, segment, semantic, depth, classify, pose, OBB)

Вкладка Export#

Экспортируй модель в 20 форматов для развертывания. Подробности см. ниже в разделе Export Model и в основном руководстве по режиму Export.

Вкладка Deploy#

Создавай и управляй выделенными конечными точками инференса. Подробности см. в разделе Deployments.

Графики валидации#

После завершения обучения представление Validation внутри подвкладки Charts показывает подробный анализ последней эпохи.

Матрица ошибок#

Интерактивная тепловая карта точности прогнозов по каждому классу:

Кривые PR/F1#

Если результаты обучения содержат необходимые данные, представление Validation также отображает кривые производительности при разных порогах уверенности. Доступные графики валидации зависят от артефактов, созданных в ходе запуска.

Диагностика по изображениям#

Модели детекции, обученные с сохранённой версией датасета, также получают анализ валидации по каждому изображению, который указывает на данные, лежащие в основе неудовлетворительной оценки:

• Изображения с худшими и лучшими результатами, отсортированные по F1 для каждого изображения и отображённые с их боксами ground truth
• Исследователь характеристик, сопоставляющий F1 с шириной, высотой, количеством пикселей, соотношением сторон и количеством экземпляров на изображении; по умолчанию выбирается наиболее сильная взаимосвязь
• Классы, связанные с ошибками, с ранжированием классов, которые чаще всего встречаются на изображениях с наихудшими результатами
• Найти похожее в галерее с худшими результатами, для отдельного изображения в полноэкранном режиме и в строке класса, что выполняет поиск по общему набору данных изображений, похожих на зафиксированные ошибки, и добавляет выбранные изображения в обучающий набор данных в качестве неразмеченных train изображений (см. Поиск похожих изображений); отображается, когда проект можно редактировать, а обучающий набор данных является несвязанным набором данных того же рабочего пространства

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 20 форматов для развёртывания:

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

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

Поддерживаемые форматы#

Platform поддерживает экспорт в 20 форматов для развёртывания: ONNX, TorchScript, OpenVINO, TensorRT, CoreML, TF SavedModel, TF GraphDef, LiteRT, TF Edge TPU, PaddlePaddle, NCNN, MNN, RKNN, Qualcomm (QNN), IMX500, Axelera, ExecuTorch, DeepX, Hailo и Huawei Ascend.

Руководство по выбору формата#

Целевые платформы NVIDIA Jetson для TensorRT#

Платформа Ultralytics предлагает следующие варианты выбора целей Jetson для экспорта TensorRT .engine. Измерения валидации за июль 2026 года, приведенные ниже, использовались 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 эту протестированную среду; проверяй текущие среды выполнения рабочего узла и устройства развертывания перед повторным использованием экспортированного движка.

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

Поддержка чипов RKNN#

При экспорте в формат RKNN выбери целевое устройство Rockchip:

Жизненный цикл задачи экспорта#

Задачи экспорта проходят следующие статусы:

Массовые действия экспорта#

• Экспортировать всё: нажми Export All, чтобы запустить задачи экспорта для всех форматов на основе CPU с настройками по умолчанию. Форматы, для которых требуется выбрать GPU, недоступные для этой модели или уже экспортированные, пропускаются и отображаются в списке.
• Удалить все экспорты: нажми Delete All, чтобы удалить все экспорты модели.

Ограничения форматов#

Некоторые форматы экспорта имеют ограничения по архитектуре или задаче:

Перемещение моделей между проектами#

Перемещение моделей, которые ты можешь редактировать, в другой проект того же рабочего пространства без их копирования:

1. Открой исходный проект и выбери одну или несколько моделей в списке моделей
2. Нажми правую кнопку мыши и выберите Вырезать (Cmd/Ctrl+X)
3. Открой целевой проект, нажми правую кнопку мыши на списке моделей и выберите Вставить (Cmd/Ctrl+V), либо перетащи выбранные модели в целевой проект на боковой панели

Перемещенные модели сохраняют свои веса, метрики, экспорты и развертывания, а также получают URL целевого проекта. Модель, имя URL которой уже используется в целевом проекте, переименовывается при добавлении, модели, которые все еще обучаются, не могут быть перемещены, а Esc отменяет ожидающее вырезание. Чтобы скопировать модель, которой ты не владеешь, в один из своих проектов, используйте Клонировать модель.

Клонирование модели#

Клонируй модель в другой проект:

1. Открой страницу модели
2. Нажми Клонировать модель
3. Выбери целевой проект или выбери Новый проект, чтобы создать его прямо здесь
4. При необходимости задай клону другое имя
5. Нажми Клонировать модель

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

Скачивание модели#

Скачай веса своей модели:

1. Перейди на вкладку Обзор модели
2. Нажми кнопку Скачать
3. Основной чекпойнт модели .pt скачивается автоматически

Экспортированные форматы можно скачать на вкладке Экспорт после завершения экспорта.

Связывание с датасетом#

Модели можно связать с исходным датасетом:

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

При обучении на датасетах Platform с использованием формата URI ul:// связывание выполняется 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 Дополнительные действия и выбери Информация, чтобы просмотреть два раздела:

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

Пользовательские метаданные отделены от информации о модели, принадлежащей процессу обучения, сведений об окружении и аргументов обучения. Участники с правом просмотра могут изучать 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 тем, кто может видеть твою модель:

Видимость задаётся на уровне проекта, поэтому она применяется ко всем моделям в проекте. Чтобы изменить её, нажми значок видимости (private или public) рядом с названием проекта в цепочке навигации в верхней части страницы. Переключение в приватный режим вступает в силу немедленно. При переключении в публичный режим перед применением отображается диалог подтверждения.

Удаление модели#

Удали ненужную модель:

1. Открой меню Дополнительные 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 выделенными эндпоинтами
• Обучение в облаке: настраивай и запускай задачи обучения на облачных GPU
• Форматы экспорта: полное руководство по всем 20 форматам экспорта

Часто задаваемые вопросы#