数据准备

数据准备是成功构建计算机视觉模型的基础。Ultralytics Platform 提供全面的工具来管理您的训练数据，涵盖从上传、标注到分析的整个过程。

概述

Ultralytics Platform 的数据部分可帮助您：

• 上传图像、视频和归档文件（ZIP、TAR、GZ）
• 使用手动绘图工具和SAM驱动的智能标注进行标注 — 可选择SAM 2.1或新的SAM 3
• 通过统计数据和可视化分析您的数据
• 导出为本地训练导出NDJSON格式

工作流程

graph LR
    A[Upload] --> B[Annotate]
    B --> C[Analyze]
    C --> D[Train]

    style A fill:#4CAF50,color:#fff
    style B fill:#2196F3,color:#fff
    style C fill:#FF9800,color:#fff
    style D fill:#9C27B0,color:#fff

支持的任务

Ultralytics平台支持所有5种YOLO任务类型：

主要功能

智能存储

Ultralytics 平台使用内容寻址存储 (CAS) 以实现高效数据管理：

• 重复数据删除：通过XXH3-128哈希，相同的图像只存储一次
• 完整性: 基于哈希的寻址确保数据完整性
• 效率：优化存储和快速处理

数据集 URI

使用以下方式引用数据集 ul:// URI格式（参见 使用平台数据集）：

yolo train data=ul://username/datasets/my-dataset

这允许从任何配置了您的 API 密钥 的机器上在平台的 datasets 上进行训练。

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(data="ul://username/datasets/my-dataset", epochs=100)

数据集版本控制

为您的数据集创建不可变的 NDJSON 快照，用于可复现的训练。每个版本都会在创建时捕获图像数量、类别数量和标注数量。有关详细信息，请参阅 版本选项卡。

数据集选项卡

每个数据集页面提供六个选项卡：

统计与可视化

字段 Charts 选项卡提供自动分析，包括：

• 分割分布：训练/验证/测试图像数量的环形图
• 热门类别：最常见标注类别的甜甜圈图
• 图像宽度：图像宽度分布直方图
• 图像高度：图像高度分布直方图
• 每个实例的点数：多边形顶点或关键点计数分布（segment/姿势估计数据集）
• 标注位置：边界框中心位置的2D热力图
• 图像尺寸：宽度与高度的 2D 热图，带有宽高比参考线

快速链接

• 数据集: 上传和管理您的训练数据
• 标注：使用手动和AI辅助工具进行标签数据标注

常见问题

支持哪些文件格式上传？

Ultralytics Platform 支持：

图像：JPEG、PNG、WebP、BMP、TIFF、HEIC、AVIF、JP2、DNG、MPO（每个最大 50MB）

视频： MP4、WebM、MOV、AVI、MKV、M4V（最大 1GB，以 1 FPS 提取帧，最多 100 帧）

归档文件：ZIP、TAR、TAR.GZ、TGZ、GZ（最大10GB），包含带有可选YOLO格式标签的图像

最大数据集大小是多少？

存储限制取决于您的套餐：

单个文件限制：图片 50MB，视频 1GB，归档文件 10GB

我可以使用我的平台数据集进行本地训练吗？

可以！使用数据集URI格式进行本地训练：

export ULTRALYTICS_API_KEY="your_key"
yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100

import os

os.environ["ULTRALYTICS_API_KEY"] = "your_key"

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(data="ul://username/datasets/my-dataset", epochs=100)

或者以NDJSON格式导出您的数据集，以进行完全离线训练。

📅 创建于 2 个月前 ✏️ 更新于 0 天前

评论