Перейти к содержанию

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:

  1. Перейдите к своему проекту
  2. Нажмите «Загрузить модель»
  3. Выберите свой .pt файла
  4. Добавить название и описание
  5. Нажмите «Загрузить»

Поддерживаемые форматы моделей:

ФорматРасширениеОписание
PyTorch.ptНативный 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:

  1. Перейдите к своему проекту
  2. Модель поездов Click
  3. Выбрать набор данных
  4. Выберите базовую модель
  5. Настройка параметров обучения
  6. Начать обучение

Подробные инструкции см. в разделе «Обучение по работе с облаком ».

Обзор модели

На странице каждой модели отображается:

РазделСодержание
ОбзорМетаданные модели, тип задачи, архитектура
МетрикиГрафики потерь и производительности обучения
УчасткиМатрица путаницы, кривые PR, кривые F1
ТестИнтерактивное тестирование выводов
РазвернутьСоздание и управление конечными точками
ЭкспортКонвертация формата и загрузка

Показатели обучения

Просмотр показателей обучения в режиме реального времени и за прошлый период:

Кривые потерь

ПотеряОписание
КоробкаПотеря регрессии ограничивающей рамки
КлассПотеря классификации
DFLРаспределение фокальной потери

Метрики производительности

МетрикаОписание
mAP50Средняя точность при IoU ,50
mAP50Средняя точность при IoU ,50–0,95
ТочностьСоотношение 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:

КриваяОписание
Точность-ВосстановлениеКомпромисс между точностью и полнотой
F1-УверенностьОценка F1 при разных уровнях достоверности
Точность-УверенностьТочность при различных уровнях достоверности
Воспоминание-уверенностьВоспоминания с разным уровнем уверенности

Экспортная модель

Экспортируйте свою модель в 17 форматов развертывания:

  1. Перейдите на вкладку «Экспорт ».
  2. Выберите целевой формат
  3. Нажмите «Экспорт»
  4. Скачать по завершении

Поддерживаемые форматы

ФорматОписаниеПример использования
ONNXОткрытый обмен нейронными сетямиКроссплатформенное развертывание
TorchScriptСериализованный PyTorchPyTorch
OpenVINOIntelIntel
TensorRTNVIDIANVIDIA
CoreMLОптимизация AppleiOS
TFLiteTensorFlow LiteМобильные/встроенные
TF SavedModelTensorFlowTensorFlow
TF GraphDefTensorFlowУнаследованный TensorFlow
PaddlePaddleФреймворк BaiduPaddlePaddle
NCNNМобильное выводAndroid
Краевой TPUGoogle TPUКоралловые устройства
TF.jsTensorFlow.jsРазвертывание браузера
MNNФреймворк AlibabaОптимизация для мобильных устройств
RKNNRockchip NPUУстройства Rockchip
IMXNXP i.MXПлатформы NXP
AxeleraMetis AIУскорители Edge AI
ExecuTorchМета-фреймворкМета-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:

НастройкаОписание
ЧастныйТолько вы можете получить доступ
ОбщественныйЛюбой может просматривать на странице «Исследуйте»

Чтобы изменить видимость:

  1. Открыть меню действий модели
  2. Нажмите «Изменить»
  3. Включить/выключить отображение
  4. Нажмите «Сохранить»

Удалить модель

Удалите модель, которая вам больше не нужна:

  1. Открыть меню действий модели
  2. Нажмите «Удалить»
  3. 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:

  1. Нажмите на значок загрузки
  2. Выберите формат (оригинал .pt или экспортированы)
  3. Загрузка начинается автоматически

Как сравнить модели из разных проектов?

В настоящее время сравнение моделей осуществляется в рамках проектов. Для сравнения между проектами:

  1. Перенести модели в один проект или
  2. 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.



📅 Создано 0 дней назад ✏️ Обновлено 0 дней назад
glenn-jocher

Комментарии