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:

Вкладка 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

Вкладка Обучение#

Вкладка Обучение имеет три подвкладки:

Подвкладка Графики#

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

Подвкладка 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

Подвкладка Система#

Метрики GPU и системы во время обучения:

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 просмотри подробный анализ валидации:

Матрица ошибок (Confusion Matrix)#

Интерактивная тепловая карта, показывающая точность предсказания для каждого класса:

Кривые PR/F1#

Если результаты обучения доступны, на подвкладке Validation также отображаются графики производительности при различных порогах уверенности. Доступные графики валидации зависят от артефактов, созданных в ходе запуска.

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#

Ultralytics Platform предлагает следующие целевые варианты Jetson для экспорта TensorRT .engine. По состоянию на июль 2026 года рабочие процессы 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.

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.
• 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
4. Нажми Clone Model

Модель и её веса будут скопированы в целевой проект.

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:

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

Удалить модель#

Удали модель, которая тебе больше не нужна:

1. Нажми значок корзины Delete model в шапке модели
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#

Какие 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 7 типов задач: detect, segment, semantic, depth, classify, pose и OBB. YOLO11 и YOLOv8 поддерживают тот же набор, за исключением семантической сегментации и оценки глубины, в то время как YOLOv5 поддерживает detect, segment и classify.

Могу ли я скачать свою обученную модель?#

Да, скачай веса своей модели со страницы модели:

1. Нажми на значок загрузки на вкладке Overview
2. Основная контрольная точка .pt модели загружается автоматически
3. Экспортированные форматы можно скачать с вкладки Export

Как 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

Какой максимальный размер модели?#

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

Могу ли я дообучать (fine-tune) предобученные модели?#

Да. Выбери совместимую модель из официальных проектов YOLO26, YOLO11, YOLOv8 или YOLOv5 либо выбери один из своих завершенных или загруженных чекпоинтов в разделе My Models в диалоговом окне обучения.