Link to this sectionModels#

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

Link to this sectionЗагрузить модель#

Загрузи веса существующей модели на платформу:

1. Перейди к своему проекту
2. Перетащи файлы .pt на страницу проекта или в боковую панель моделей
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, pose, OBB, classify)
• Архитектура (YOLO26n, YOLO26s и т. д.)
• Имена и количество классов
• Размер входных данных и параметры
• Результаты обучения и метрики (если есть в чекпоинте)

Link to this sectionОбучить 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 смотри в разделе Cloud Training.

Link to this sectionЖизненный 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[19+ Formats]:::out
    F --> H[Endpoint]:::out

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

Link to this sectionВкладки страницы модели#

Каждая страница модели содержит следующие вкладки:

Link to this sectionВкладка Обзор#

Отображает метаданные модели и ключевые метрики:

• Имя модели (редактируемое), статус, тип задачи
• Итоговые метрики (mAP50, mAP50-95, precision, recall)
• Спарклайн-графики метрик, показывающие прогресс обучения
• Аргументы обучения (epochs, batch size, image size и т. д.)
• Ссылка на набор данных (при обучении с использованием набора данных платформы)
• Кнопка загрузки весов модели

Link to this sectionВкладка Обучение#

Вкладка Обучение имеет три подвкладки:

Link to this sectionПодвкладка Графики#

Интерактивные графики метрик обучения, показывающие кривые потерь и показатели производительности по эпохам:

Link to this sectionПодвкладка Консоль#

Живой вывод консоли процесса обучения:

• Потоковая передача логов в реальном времени во время обучения
• Индикаторы прогресса эпох и результаты валидации
• Обнаружение ошибок с выделенными баннерами
• Поддержка цветов ANSI для форматированного вывода

Link to this sectionПодвкладка Система#

Метрики GPU и системы во время обучения:

Link to this sectionВкладка 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, pose, OBB, classify)

Link to this sectionВкладка Экспорт#

Экспортируй свою модель в 19+ форматов развертывания. Смотри Экспорт модели ниже и основное руководство по режиму экспорта для получения полной информации.

Link to this sectionВкладка Развертывание#

Создавай и управляй выделенными эндпоинтами вывода. Подробности смотри в разделе Развертывания.

Link to this sectionГрафики валидации#

После завершения обучения просмотри подробный анализ валидации:

Link to this sectionМатрица ошибок (Confusion Matrix)#

Интерактивная тепловая карта, показывающая точность предсказания для каждого класса:

Link to this sectionКривые PR/F1#

Кривые производительности при различных порогах уверенности:

Link to this sectionЭкспорт 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 19+ 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 Export
6. Скачай по завершении

Link to this sectionПоддерживаемые форматы#

Платформа поддерживает экспорт в 19+ форматов развертывания: ONNX, TorchScript, OpenVINO, TensorRT, CoreML, TF SavedModel, TF GraphDef, LiteRT, TF Edge TPU, PaddlePaddle, NCNN, MNN, RKNN, Qualcomm (QNN), IMX500, Axelera, ExecuTorch и DeepX.

Link to this sectionРуководство по выбору формата#

Link to this sectionЦелевые платформы NVIDIA Jetson для TensorRT#

Платформа Ultralytics предлагает следующие варианты выбора целей Jetson для экспорта TensorRT .engine. По состоянию на июль 2026 года воркеры экспорта Jetson используют 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 внутри контейнера экспорта.

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.

Link to this sectionПоддержка чипов RKNN#

При экспорте в формат RKNN выбери свое целевое устройство Rockchip:

Link to this sectionЖизненный цикл задачи экспорта#

Задачи экспорта проходят через следующие статусы:

Link to this sectionМассовые действия по экспорту#

• Export All: Нажми Export All для запуска задач экспорта для всех форматов на базе CPU с настройками по умолчанию.
• Delete All Exports: Нажми Delete All для удаления всех экспортов модели.

Link to this sectionОграничения форматов#

Некоторые форматы экспорта имеют ограничения по архитектуре или задачам:

Link to this sectionКлонирование модели#

Клонируй модель в другой проект:

1. Открой страницу модели
2. Нажми кнопку Clone
3. Выбери целевой проект
4. Нажми Clone

Модель и её веса будут скопированы в целевой проект.

Link to this sectionСкачивание модели#

Скачай веса своей модели:

1. Перейди на вкладку Overview модели
2. Нажми кнопку Download
3. Оригинальный файл .pt скачивается автоматически

Экспортированные форматы можно скачать на вкладке Export после завершения экспорта.

Link to this sectionСвязывание 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 Platform в формате URI ul:// URI format, связывание происходит автоматически.

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

Link to this sectionНастройки видимости#

Управляй тем, кто видит твою модель:

Чтобы изменить видимость, нажми на значок видимости (например, private или public) в заголовке страницы. Видимость устанавливается на уровне проекта, поэтому это влияет на все модели в проекте. Переключение на «частный» (private) вступает в силу немедленно. Переключение на «публичный» (public) вызывает диалоговое окно подтверждения перед применением.

Link to this sectionУдалить модель#

Удали модель, которая тебе больше не нужна:

1. Открой меню действий с моделью
2. Нажми Delete
3. Подтверди удаление

Link to this sectionСмотри также#

• Вывод (Inference): Тестируй модели в браузере с помощью вкладки Predict
• Эндпоинты (Endpoints): Развертывай модели в продакшн с помощью выделенных эндпоинтов
• Облачное обучение (Cloud Training): Настраивай и запускай задачи обучения на облачных GPU
• Форматы экспорта (Export Formats): Полное руководство по всем 19+ форматам экспорта

Link to this sectionFAQ#

Link to this sectionКакие архитектуры моделей поддерживаются?#

Ultralytics Platform полностью поддерживает все архитектуры YOLO с выделенными проектами:

• YOLO26: варианты n, s, m, l, x (последние, рекомендуемые) — platform.ultralytics.com/ultralytics/yolo26
• YOLO11: варианты n, s, m, l, x — platform.ultralytics.com/ultralytics/yolo11
• YOLOv8: варианты n, s, m, l, x — platform.ultralytics.com/ultralytics/yolov8
• YOLOv5: варианты n, s, m, l, x — platform.ultralytics.com/ultralytics/yolov5

YOLO26 поддерживает 6 типов задач: detect, segment, semantic, pose, OBB и classify. YOLO11 и YOLOv8 поддерживают тот же набор, за исключением семантической сегментации, а YOLOv5 поддерживает detect, segment и classify.

Link to this sectionМогу ли я скачать свою обученную модель?#

Да, скачай веса своей модели со страницы модели:

1. Нажми на значок загрузки на вкладке Overview
2. Оригинальный файл .pt скачивается автоматически
3. Экспортированные форматы можно скачать с вкладки Export

Link to this sectionКак сравнить модели между проектами?#

В настоящее время сравнение моделей происходит внутри проектов. Чтобы сравнить модели из разных проектов:

1. Скопируй модели в один проект, или
2. Экспортируй метрики и сравнивай их внешними средствами

Link to this sectionКакой максимальный размер модели?#

Загружаемые файлы моделей .pt ограничены размером 1 ГБ, и модели, близкие к этому пределу, могут загружаться и обрабатываться дольше.

Link to this sectionМогу ли я дообучать (fine-tune) предобученные модели?#

Да! Ты можешь использовать любую из официальных моделей YOLO26 в качестве основы или выбрать одну из своих завершенных моделей в селекторе моделей в диалоговом окне обучения. Platform поддерживает дообучение с любого загруженного чекпоинта.