Models#

Ultralytics Platform предоставляет комплексное управление моделями для обучения, анализа и развертывания моделей YOLO. Загружай предобученные модели или обучай новые прямо на платформе.

Загрузить модель#

Загрузи веса существующей модели на платформу:

1. Перейди к своему проекту
2. Перетащи файлы .pt на страницу проекта или в боковую панель моделей либо нажми значок Загрузить модели
3. Метаданные модели анализируются автоматически из файла

Можно загружать несколько файлов одновременно (до 3 параллельно).

Поддерживаемые форматы моделей:

После загрузки платформа анализирует метаданные модели:

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

Обучить модель#

Обучи новую модель прямо на платформе:

1. Перейди к своему проекту
2. Нажми New Model
3. Выбери базовую модель и набор данных
4. Настрой параметры обучения
5. Выбери облачное или локальное обучение
6. Запусти обучение

Подробные инструкции см. в разделе Обучение в облаке.

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#

Каждая страница модели содержит следующие вкладки:

Заголовок модели#

Над вкладками в заголовке отображаются цвет модели (редактируемый), имя (нажми, чтобы переименовать), бейдж задачи, версия чекпоинта ultralytics и селектор лицензии. Доступные действия: Клонировать модель (для завершенных моделей с весами, которые тебе еще не принадлежат), Скачать, Добавить в избранное, Поделиться (для публичных моделей), а также меню Другие действия, содержащее пункты Информация, Обновить и Удалить модель.

Сразу под ними для каждой метрики задачи на одной карточке показано финальное значение поверх спарклайна процесса обучения — нажми на любую карточку, чтобы перейти к графикам, — рядом с карточкой, ссылающейся на датасет, на котором обучалась модель.

Вкладка Обзор#

Карточка Информация о запуске фиксирует, как выполнялся запуск: статус, время начала, время работы, стоимость вычислений с учетом GPU и почасовой ставки, версия ultralytics, сведения о хосте (имя хоста, окружение, ОС, Python, CPU, GPU), родительская модель, закрепленная версия датасета, репозиторий Git, ветка и коммит, когда запуск их передал, а также воспроизводимая команда yolo train, которую ты можешь скопировать.

Пока запуск активен, карточка показывает прогресс в реальном времени — счетчик эпох, полосу прогресса, прошедшее время, расчетное время до конца (ETA), накапливаемую стоимость — и кнопку Отменить. Если запуск завершается ошибкой, блок с ошибкой заменяет карточку, выводя перехваченную ошибку и действия Посмотреть полные логи консоли и Повторить обучение.

Под ней в разделе Конфигурация обучения перечислены все использованные гиперпараметры, а в разделе Метрики производительности — финальные результаты оценки. Обе таблицы поддерживают поиск и содержат меню Экспорт данных (Скопировать JSON, Скачать CSV, Скачать JSON).

Вкладка Обучение#

Вкладка Обучение имеет три подвкладки:

Подвкладка Графики#

Интерактивные графики метрик по эпохам, разделенные на виды Обучение и Валидация, если в ходе запуска были созданы артефакты валидации. Группы графиков соответствуют метрикам, о которых отчитался запуск:

Каждую группу можно свернуть, ее меню скрывает или показывает отдельные графики (а для потерь — серии обучения или валидации), а графики можно перетаскивать и изменять их размер, формируя макет, который сохраняется между сеансами.

Подвкладка Консоль#

Живой вывод консоли процесса обучения:

• Потоковая передача логов в реальном времени во время обучения с сохранением последних 2000 строк
• Индикаторы прогресса эпох и результаты валидации
• Обнаружение фатальных ошибок, которое завершает запуск и выводит сообщение в баннере
• Поддержка цветов ANSI, опциональный столбец с метками времени и копирование в один клик в виде простого текста

Подвкладка Система#

Карточка хоста, обобщающая информацию об экземпляре обучения (имя хоста, CPU, GPU, общий объем ОЗУ и диска, а также время последней активности), за которой следуют графики по эпохам:

Графики GPU, сети и диска появляются только тогда, когда запуск передал эти счетчики.

Вкладка Предсказание (Predict)#

Запускай интерактивный вывод прямо в браузере:

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

Вкладка Экспорт#

Экспортируй модель в 20 форматов развертывания. Подробную информацию см. в разделе Экспорт модели ниже и в основном Руководстве по режиму экспорта.

Вкладка Развертывание#

Создавай выделенные конечные точки выводом и управляй ими. Подробности см. в разделе Развертывания.

Графики валидации#

После завершения обучения в виде Валидация на подвкладке «Графики» отображается подробный анализ финальной эпохи.

Матрица ошибок (Confusion Matrix)#

Интерактивная тепловая карта, показывающая точность предсказания для каждого класса:

Кривые PR/F1#

Если запуск обучения предоставляет их, в виде Валидация также отображаются кривые производительности при различных порогах уверенности. Доступные графики валидации зависят от артефактов, созданных запуском.

Диагностика по изображениям#

Модели обнаружения, обученные с сохраненной версией датасета, также получают анализ валидации для каждого изображения, который указывает на данные, стоящие за неутешительным результатом:

• Изображения с худшими и лучшими результатами, отсортированные по F1 для каждого изображения и отрисованные с их ограничивающими рамками истинной разметки (ground truth)
• Исследователь характеристик, сопоставляющий F1 с шириной, высотой, количеством пикселей, соотношением сторон и количеством экземпляров изображения, причем наиболее сильная зависимость выбрана по умолчанию
• Классы, связанные с ошибками, ранжирующие, какие классы чаще всего появляются на худших изображениях

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 свою модель в 20 форматов развертывания:

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

Подключи уведомления Slack, чтобы получать сообщения о готовности экспорта или возникновении ошибок.

Поддерживаемые форматы#

Платформа поддерживает экспорт в 20 форматов развертывания: 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 целевых устройств Jetson для экспорта TensorRT .engine. По состоянию на июль 2026 года экспорты Jetson TensorRT собираются 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.

Указанные тайминги — это результаты одиночных сквозных тестов производственной маршрутизации за июль 2026 года, округленные до ближайшей секунды; они являются справочными измерениями, а не SLA или эталонным показателем производительности для конкретных SKU. Обе конфигурации Thor собраны на базе комплекта T5000 Developer Kit в профиле совместимости T4000 от NVIDIA. Шесть маршрутов Orin построены на AGX Orin 64GB, где каждый полученный движок был загружен и запущен.

Поддержка чипов RKNN#

При экспорте в формат RKNN выбери свое целевое устройство Rockchip:

Жизненный цикл задачи экспорта#

Задачи экспорта проходят через следующие статусы:

Массовые действия по экспорту#

• Экспортировать все: нажми Export All, чтобы запустить задачи экспорта для всех форматов на базе CPU с настройками по умолчанию. Форматы, которым требуется выбор GPU, недоступные для этой модели или уже имеющие экспорт, пропускаются и выводятся в списке для тебя.
• Удалить весь экспорт: нажми Delete All, чтобы удалить все результаты экспорта для данной модели.

Ограничения форматов#

Некоторые форматы экспорта имеют ограничения по архитектуре или задачам:

Клонирование модели#

Клонируй модель в другой проект:

1. Открой страницу модели
2. Нажми Clone Model
3. Выбери целевой проект или нажми Новый проект, чтобы создать его прямо здесь
4. При желании задай клону другое имя
5. Нажми Clone Model

Модель и ее веса копируются в целевой проект. Кнопка Клонировать модель отображается на завершенных моделях с весами, которые тебе еще не принадлежат.

Скачивание модели#

Скачай веса своей модели:

1. Перейди на вкладку Overview модели
2. Нажми кнопку Download
3. Основная контрольная точка .pt модели загружается автоматически

Экспортированные форматы можно скачать на вкладке Export после завершения экспорта.

Связывание набора данных#

Модели можно связать с их исходным набором данных:

• Посмотри, какой набор данных использовался для обучения
• Нажми на карточку набора данных на вкладке Overview, чтобы перейти к нему
• Отслеживай происхождение данных

При обучении с использованием наборов данных платформы и формата URI ul:// связывание происходит 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 Ещё действия и выбери Информация, чтобы просмотреть два раздела:

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

Пользовательские метаданные отделены от информации о модели, принадлежащей процессу обучения, сведений об окружении и аргументов обучения. Участники с правами просмотра могут изучать их, а участники с доступом на редактирование могут заменять объект. Сериализованный объект метаданных ограничен 500 000 символов, а каждый ключ верхнего уровня ограничен 128 символами. Сохрани пустой объект ({}), чтобы очистить пользовательские метаданные.

Настройки видимости#

Управляй тем, кто видит твою модель:

Видимость устанавливается на уровне проекта и управляет каждой моделью в нем. Чтобы изменить ее, нажми бейдж видимости (private или public) рядом с названием проекта в «хлебных крошках» в верхней части страницы. Переключение на частный режим вступает в силу немедленно. Переключение на публичный режим перед применением выводит диалоговое окно 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

Смотри также#

• Вывод: тестируй модели в браузере с помощью вкладки Predict
• Конечные точки: развертывай модели в продакшене с помощью выделенных эндпоинтов
• Обучение в облаке: настраивай и запускай задачи обучения на облачных GPU
• Форматы экспорта: полное руководство по всем 20 форматам экспорта

FAQ#