数据集#

Ultralytics Platform 数据集为管理训练数据提供了简化方案。上传后，平台会自动处理图像、标签和统计信息。

处理完成后，只要数据集中 train 划分至少有一张图像、val 或 test 划分至少有一张图像，并且至少有一张已标注图像，数据集就可以开始训练。满足这三个条件时，数据集标题会显示 Ready 徽标；否则会显示 Not Ready 徽标 — 点击徽标即可查看具体缺少哪个条件。

使用 Agents 收集图像#

使用 Agents 在模型检测结果满足条件时向数据集添加图像，例如置信度落在指定范围内。将条件连接到 Dataset 块，并选择一个你有权编辑的目标数据集。图像会以未标注状态添加到 train 划分；已存在的副本会被跳过。使用现有的标注编辑器检查并标注这些图像。

上传数据集#

Ultralytics Platform 支持多种上传格式，使用起来更加灵活。

支持的格式#

视频编解码器支持#

仅凭文件扩展名无法判断：如果处理过程中无法解码视频所用的编解码器，视频仍可能无法处理。

ffmpeg -i input.mov \
  -c:v libx264 -pix_fmt yuv420p \
  -c:a aac -movflags +faststart \
  output.mp4

准备数据集#

Platform 支持 Ultralytics YOLO、COCO、LabelMe JSON、语义 PNG 掩码、深度数据集、Ultralytics NDJSON 和 Labelbox NDJSON，以及原始（未标注）上传数据：

my-dataset/
├── images/
│   ├── train/
│   │   ├── img001.jpg
│   │   └── img002.jpg
│   └── val/
│       ├── img003.jpg
│       └── img004.jpg
├── labels/
│   ├── train/
│   │   ├── img001.txt
│   │   └── img002.txt
│   └── val/
│       ├── img003.txt
│       └── img004.txt
└── data.yaml

# data.yaml
train: images/train
val: images/val

names:
    0: person
    1: car
    2: dog

如果标签引用了类别 ID，但没有提供类别名称，Platform 会将这些 ID 重新映射为从 0 开始的连续序列，并将每个类别命名为其来源 ID（class0、class3、…）；之后你可以在类别选项卡中重命名这些类别。

有关特定任务的格式详情，请参阅支持的任务和数据集概览。

上传流程#

创建数据集的步骤：

1. 在侧边栏中前往 Annotate
2. 点击 New Dataset
3. 选择一个数据源选项卡（参见下文的数据源）
4. 添加名称——系统会自动生成 URL 路径标识，也可以手动编辑——并可选择填写描述
5. 选择任务类型（参见支持的任务）、可选的许可证（参见可用许可证）以及可见性（公开或私有）。新建的公开数据集默认选中 CC BY 4.0；选择其他许可证或 None 即可更改
6. 点击 Create & Upload 选择本地文件，点击 Create & Import 选择 URL 或已连接的数据源，或点击 Create Dataset 创建空数据集

要向现有数据集添加文件，请打开该数据集页面，然后将文件拖到图库中，或点击页面标题栏中的上传图标。由于数据集任务已定义，上传图标会直接打开浏览器自带的文件选择器。

数据来源#

New Dataset 对话框提供四种数据源：

深度数据集只能通过 上传 或 URL 创建；深度任务不支持 云端 和 本地部署 选项卡。

开始上传前#

Platform 会在上传任何文件前于浏览器中验证文件，因此常见问题会立即显现，而不是等到漫长的传输结束后才发现。系统会检查归档文件是否损坏、为空或受密码保护，以及 YAML 语法是否有误，并会按名称列出超大文件。

随后可能会出现两个对话框：

上传后，平台会自动处理你的数据：

1. 验证：检查格式和大小
2. 规范化：大图像会调整大小（最大 4096px，最短边至少 28px），灰度图会扩展为 RGB，透明区域会铺在白色背景上，并应用 EXIF 方向信息；除非训练需要转换 TIFF 原始文件（见下文“存储图像编码”），否则会按上传时的状态存储
3. 缩略图：生成 256px 的 WebP 预览图
4. 标签解析：提取 YOLO、COCO、LabelMe 以及 Ultralytics 或 Labelbox NDJSON 标签
5. 统计：计算类别分布和图片尺寸

from ultralytics.data.utils import check_det_dataset

check_det_dataset("path/to/data.yaml")

浏览图片#

以多种布局查看数据集中的图片。

在图库工具栏中打开聚类面板，以交互式二维散点图的形式探索数据集。

排序和筛选#

你可以对图片进行排序和筛选，以便高效浏览：

全屏查看器#

点击任意图片，即可打开全屏查看器，其中提供：

• 导航：使用方向键或缩略图预览浏览图片
• 图片信息：查看 Platform 生成的属性、自定义元数据和嵌入文件中的元数据（例如 EXIF）
• 自定义元数据：所有者和编辑者可以添加或替换 JSON 对象，包括嵌套值；序列化后最多 500,000 个字符，顶层键最多 128 个字符
• 标注：切换标注叠加层的显示状态
• 类别分布：按类别统计标签数量并显示颜色指示
• 标注：拥有编辑权限时，在桌面端打开全屏查看器后，标注控件会立即启用
• 模糊人脸：右键点击图像或标注，即可在可用时预览并应用人脸模糊
• 下载：下载原始图像文件
• 删除：从数据集中删除图像
• 缩放：使用 Cmd/Ctrl+Scroll、Cmd/Ctrl++ 或 Cmd/Ctrl+= 放大，使用 Cmd/Ctrl+- 缩小
• 重置视图：使用 Cmd/Ctrl + 0 或重置按钮，使图像适合查看器大小
• 平移：按住 Space 并拖动，或按住鼠标中键拖动，即可在任意缩放级别平移画布
• 像素视图：切换像素化渲染，以便近距离检查
• 深度帘幕：在深度数据集中，可拖动分隔线，在 RGB 图像和着色后的深度图之间切换

按数据集划分筛选#

按数据集划分筛选图像：

聚类#

Clustering 面板会将数据集投影到交互式二维散点图中，视觉上相似的图像会彼此靠近。你可以用它发现聚类、查找重复项和异常值，并检查数据中各划分或类别的分布情况——无需离开图库。你可以在任意数据集页面的图库工具栏中，点击散点图图标打开该面板。该面板仅适用于桌面端；数据集完成分析后，没有编辑权限的查看者也会看到此图标。

运行分析#

开始分析：

1. 打开数据集，然后点击图库工具栏中的散点图图标
2. 点击 Analyze Dataset
3. 等待进度条完成——结果会显示在同一面板中

分析在后台分两个阶段运行：Computing embeddings 和 Clustering；具体耗时取决于数据集大小，可能需要几分钟。你可以关闭面板或离开页面，之后再返回。

可视化#

分析完成后，面板会显示所有已分析图像的二维散点图，并附有图例和点数计数器。图库筛选条件（划分、类别、已标注/未标注）会淡化筛选范围外的点，让你专注于所需子集——计数器随后会显示 visible / total points。

按以下属性着色#

使用面板工具栏中的 Color by 下拉菜单，更改数据点的着色方式。你可以随时切换视图模式——图表会立即重新着色，让你查看各聚类中划分、类别或图像属性的分布情况：

套索和点击选择#

在图表上圈出任意区域以突出显示其中的点，或点击某个点以选择所有以相同颜色绘制的点（按宽度、高度、大小或标注数量着色时，仅选择该点）；点击图表中的空白区域可清除选择。图库会筛选出匹配的图像，你可以使用常见的图像操作检查、重新标注、移动或删除这些图像。

平移和缩放#

你可以直接使用鼠标和键盘浏览大型散点图，也可以使用图表左下角的缩放按钮：

重新分析#

如果分析后数据集发生变化（例如有新图像加入，或已分析图像数量与数据集不再一致），或者分析是在 聚类 着色选项推出前完成的，面板顶部就会为所有者和编辑者显示 Re-analyze 按钮。

点击 Re-analyze，从头重新计算嵌入和二维投影。

查找相似图像#

这些嵌入向量还可用于在公共数据集以及你自己的数据集和团队数据集中进行相似性搜索。在你可以编辑的数据集中，在 Grid 或 Compact 视图中右键点击一张图片（或在 Table 视图中右键点击唯一选中的一行），然后选择 Find similar images。对话框会在源图片旁显示最多 24 张最相似的图片，每张图片都标有相似度分数；你的数据集以及任何包含所选图片副本的数据集都不会显示。点击图片可全尺寸预览，并查看图片的源数据集、许可证和相似度分数。勾选图片旁的复选框来选择图片（也可以全选），然后点击 Add N to dataset：这些图片会作为未标注图片添加到 train 划分中，占用你的存储空间，并可供标注。

对于尚未分析的数据集中的图像，或上次分析后添加的图像，如果尚无嵌入向量，打开对话框时会自动生成嵌入向量，因此你无需先运行聚类分析。云存储数据集需要开启 AI 功能，并且只能浏览，因为无法向已连接的数据集中添加图像；本地部署数据集不支持此功能。模型的逐图验证诊断会针对表现最差的图像运行相同的搜索。

数据集选项卡#

每个数据集页面最多可显示六个选项卡，具体取决于数据集状态和你的权限：

图像选项卡#

默认视图，显示带有标注叠加层的图像图库。支持网格、紧凑和表格视图模式。将文件拖放到此处即可添加更多图像。

类别选项卡#

当数据集中有图像且其任务包含类别时，会显示此选项卡。

管理数据集的标注类别：

• 类别直方图：按频次排序的类别标注数量柱状图，并提供线性/对数刻度切换
• 类别表格：可排序、可搜索的表格，包含索引、名称、标注数量和图像数量
• 编辑类别名称：点击任意类别名称，即可直接重命名
• 编辑类别颜色：点击颜色样本即可更改类别颜色
• 添加新类别：使用底部的输入框添加类别
• 合并类别：选择两行或更多行，然后点击 Merge into one
• 删除类别：选择一行或更多行，然后点击 Delete

合并类别#

合并操作会整合重复或重叠的标签，例如将 car、automobile 和 vehicle 合并为一个类别：

1. 使用行复选框选择两个或更多类别
2. 点击表格标题中的 Merge into one，或右键点击所选内容
3. 选择一个类别作为目标类别，其他类别将合并到该类别中
4. 确认

源类别中的所有标注都会重新分配到目标类别，源类别则会被移除。不会删除任何标注，因此数据集的标注总数保持不变。

删除类别#

1. 使用行复选框选择一个或多个类别
2. 点击表格标题中的 Delete，或右键点击所选内容
3. 确认

删除类别会移除该类别及其所有标注。对于分类数据集，标签会被移除，但图像会保留并变为未标注状态。

图表标签页#

数据集包含图像时，此标签页会显示。

根据你的数据集自动计算的统计信息：

图表按以下顺序显示；如果数据集没有相应数据，则会省略该图表——原始图像数据集不会显示标注图表，而 Points per Instance 仅会在分割和姿态数据中显示：

模型标签页#

在可搜索的表格中查看使用此数据集训练的所有模型：

错误标签页#

只有一个或多个文件处理失败时，此标签页才会显示。

处理失败的图像会在此处列出，并附有：

• 错误横幅：失败图像的总数和相关说明
• 错误表格：文件名、易于理解的错误说明、修复提示和预览缩略图
• 常见错误包括文件损坏、格式不受支持、图像尺寸过小（最小 28px）以及颜色模式不受支持

版本标签页#

创建不可变的 NDJSON 快照，以便复现数据集训练。每个版本都会记录创建时的图像数量、类别数量、标注数量以及新增的存储空间。

创建版本的步骤：

1. 打开 版本 标签页
2. 可选：填写说明（例如“添加了 500 张训练图像”或“修正了错误标注的类别”）
3. 点击 新建版本
4. 新版本会显示在表格中。如果数据集与现有版本相同（例如刚刚还原了该版本），系统会重复使用该版本；如果你填写了新说明，也会为该版本更新说明

每个版本按顺序编号（v1、v2、v3……），且不可变——版本无法编辑或删除，只能更改说明。你可以随时使用行操作下载或还原任意版本。

比较版本#

点击 v1 之后任一版本上的比较图标，即可查看与较早版本相比有哪些变化。比较版本默认从 前一版本开始；在 From 菜单中选择其他版本。归于 Images、Annotations、 Classes 和 Settings 的标签会统计新增、移除、修改以及移至其他数据拆分的图像数量，还会统计 新增和移除的标注，并列出新增、移除或重命名的类别以及发生变化的数据集设置。每张变更的 图像都会显示其标签。选择一张图像即可查看其 Before 和 After 状态，每一侧都会显示 该版本保存的标签。当图像的元数据发生变化时，Metadata changes 会列出每个新增、移除或修改的键，以及 该键在两个版本中的值。如果图像、图像元数据和标注都相同，对话框会显示 No changes；如果只有类别定义或数据集设置不同，则会显示 No image changes。

导出数据集#

你可以从数据集页眉或 Versions 选项卡下载 NDJSON，将数据集导出以供离线使用。

导出方法：

1. 点击数据集页眉中的 Download 按钮（下载图标）
2. 直接下载当前 NDJSON 快照
3. 如果你需要不可变的编号快照，以便稍后重新下载，请使用 Versions 选项卡

NDJSON 格式每行存储一个 JSON 对象。第一行包含数据集元数据，后续每行对应一张图像：

{"type": "dataset", "task": "detect", "name": "my-dataset", "description": "...", "bytes": 12345678, "url": "https://platform.ultralytics.com/...", "class_names": {"0": "person", "1": "car"}, "version": 1, "created_at": "2026-01-15T10:00:00Z", "updated_at": "2026-02-20T14:30:00Z"}
{"type": "image", "file": "img001.jpg", "url": "https://...", "width": 640, "height": 480, "split": "train", "metadata": {"location": {"site": "factory-1"}, "reviewed": true}, "annotations": {"boxes": [[0, 0.5, 0.5, 0.2, 0.3]]}}
{"type": "image", "file": "img002.jpg", "url": "https://...", "width": 1280, "height": 720, "split": "val"}

将 NDJSON 文件导入 Platform 时，可选的图像级 metadata 对象会保留下来。你可以在图像的全屏信息面板中查看或编辑该对象。对于以编程方式上传归档文件，Ingest Dataset Data API 接受等效的 imageMetadata 路径映射。

姿态数据集的头部行中也包含 kpt_shape 字段；如果尚未设置该字段，系统会根据标注推断其值。

深度导出会在数据集行中声明 "task": "depth" 和 "depth_scale": 1000。每张图像对应的行都包含一个 depth.url，指向其配对的纯 uint16 PNG。Ultralytics 会并行下载图像和深度 URL，并写入使用相同尺度的 训练 YAML，因此可以将 NDJSON 文件直接传递给 model.train(data=...)。

NDJSON 文件链接到图像，而不是包含图像。要将图像和 YOLO 格式标签下载到你的电脑上，请将文件或数据集的 ul:// URI直接传给 model.train(data=...)，Ultralytics 就会为你下载图像并创建 YOLO 文件夹。要在不进行训练的情况下获取文件夹，请在本地转换文件：

import asyncio

from ultralytics.data.converter import convert_ndjson_to_yolo

yaml_path = asyncio.run(convert_ndjson_to_yolo("my-dataset.ndjson", output_path="datasets"))

完整规范请参阅 Ultralytics NDJSON 格式文档。

图像操作#

快捷操作#

在 Grid 或 Compact 视图中右键点击图像，或在 Table 视图中右键点击单个选中行，即可使用快捷操作。可用操作取决于你的编辑权限和数据集来源：

批量移动到划分#

将选中的图像重新分配到同一数据集中的其他划分：

1. 切换到 Table 视图
2. 使用复选框选择图像
3. 右键点击以打开上下文菜单
4. 选择 Move to split > Train、Validation 或 Test

你也可以在网格视图中将图像拖放到划分筛选选项卡上。如果移动图像会与目标划分中一张完全相同的图像冲突，Platform 会询问你是跳过、保留两张，还是替换。

重新分配划分#

使用自定义比例，将所有图像重新分配到训练、验证和测试划分：

1. 在 Images 选项卡中，点击 All / Train / Val / Test 正下方的细彩色 split bar，打开 Redistribute Splits 对话框
2. 使用以下任一方法调整划分百分比
3. 查看实时图像计数预览，以确认分配结果
4. 点击 Apply，根据你设置的百分比随机重新分配所有图像

该对话框提供三种设置目标划分比例的方式：

实时预览会在应用更改前准确显示每个划分将包含的图像数量。

批量删除#

一次删除多张图像：

1. 在表格视图中选择图像
2. 右键点击并选择 Delete，或按 Cmd/Ctrl+Delete
3. 确认删除

复制和移动图像#

将图像从一个你有权编辑的数据集复制或移动到另一个数据集，也可以是不同工作区中的数据集：

1. 在源数据集中，在 Grid 或 Compact 视图中右键点击图像并选择 Copy 或 Cut；也可以在 Table 视图中选择图像，然后按 Cmd/Ctrl+C 或 Cmd/Ctrl+X。Esc 会清空剪贴板。
2. 打开目标数据集，右键点击图像并选择 Paste，或按 Cmd/Ctrl+V。

粘贴的图像会保留其标签和划分；如果目标数据集在同一划分中已包含这些图像，则会跳过。Cut 会从源数据集中删除已粘贴的图像；Copy 不会更改源数据集。源数据集和目标数据集必须具有相同的任务以及兼容的图像通道、姿态关键点设置和深度尺度，即使复制的图像没有标签也一样。空目标数据集可以继承尚未设置的图像通道和姿态设置。图像不能粘贴到已连接的数据集中。

类别按名称匹配，除一到两个字符的名称外均忽略大小写；目标数据集没有类别时，会采用源数据集的类别列表。粘贴的图像使用了目标数据集没有的类别时，映射类别 对话框会要求你将每个此类类别映射到数据集中的类别或新类别，也可以取消选中其 包含 复选框以丢弃该类别的标签；无论如何，图像都会被粘贴。

生成相似图像#

根据已有图像创建新的训练图像。在你可以编辑的数据集中，在 Grid 或 Compact 视图中右键点击图像（或在 Table 视图中选中单个行），然后选择 Generate similar images。Platform 会根据该图像描述并生成受其启发的新场景，每个场景生成一张图像，因此结果会保留源图像的主体和风格，但不会照搬源图像。

Ultralytics Image 9B 和 Krea 2 Turbo 也会列出，但只有开启抢先体验后才能选择。Krea 2 Turbo 是最慢的选项。在支持的情况下，系统会保留源图像的比例。非常窄的图像可能需要设置更大的长边；输出尺寸会取整，并限制为生成器支持的尺寸。

点击 生成，或在 说明 中按 ⌘/Ctrl+Enter。图像完成后会逐张显示，并且默认全部选中；点击 停止 可结束正在运行的批次，同时保留已生成的图像。若要尝试其他说明或设置，请修改后点击 生成更多：每个新批次都会显示在之前的批次上方，之前批次中的图像仍保持原有的选择状态。点击图像可查看大图，取消勾选不需要的图像，然后点击 将 N 张图像添加到数据集。保留的图像会以 JPEG 格式上传，文件名沿用源图像的名称，不带标签，会计入你的存储用量，并可立即用于标注。这些图像会遵循当前启用的数据集拆分筛选条件：生成前选择 Train，即可将它们添加到 train。选择 All 时，会按常规上传拆分规则分配图像，包括在需要时自动拆分验证集。点击 取消 会丢弃预览，不添加图像。生成的图像遵循数据集的上传图像人脸模糊设置。云存储数据集需要开启 AI 功能，且存储桶必须具有写入权限：保留的图像会写入数据集文件夹中的 generated/ 文件夹，而不是 Platform 存储空间。只读存储桶和本地部署数据集不支持此功能。

付费图像生成模型#

模型选择器还会按 API 名称列出各提供商的付费模型。OpenAI 模型以低质量生成图像。

付费模型使用保存在数据集工作区设置 > API 密钥中的提供商密钥进行生成，提供商会像使用付费标注模型一样，按每张图像向该密钥计费。如果没有保存密钥，批次会在生成任何图像之前失败，并显示一个添加 API 密钥链接；如果提供商拒绝该密钥，错误消息会链接到检查 API 密钥。在团队工作区中，请让工作区所有者添加密钥。每个批次都会列出模型、尺寸和费用：托管模型显示免费；付费模型则显示提供商收取的费用，否则显示计费方和提供商名称。结果上方的总计会随着图像生成，显示付费批次的累计费用。

模糊人脸#

在你可以编辑的数据集中，你可以模糊图像中的人脸，例如保护数据中人员的隐私。已连接的数据集或图像通道数超过三个的数据集不支持模糊人脸。

• 单张图像：在 Grid 或 Compact 视图中右键点击图像（或在 Table 视图中右键点击单个选中的行）；也可以在全屏查看器中进行标注时（分类数据集除外），右键点击图像或标注，然后选择 Blur faces。
• 整个数据集：在数据集页面中打开 More actions (⋯)，然后选择 Blur faces。

对话框会先预览最多六张图像（或单张图像）中检测到的人脸，不会修改图像。调整 Confidence（默认值为 0.25）和 Box scale（0.5–1.5，默认值为 1；该参数用于围绕中心缩放每个人脸框），即可重新运行预览；然后点击 Apply，替换所有检测到人脸的图像中的原始像素。未检测到人脸的图像不会更改；标签和划分会保留。系统可能会漏掉部分人脸，因此请检查处理结果。模糊操作不会自动创建版本快照。对整个数据集进行模糊处理的费用为每处理 1,000 张图像 $1.00，每次运行最低收费 $0.01（按 Auto-Annotation 计费）；对话框会在你应用操作前显示预估费用。预览和单张图像模糊处理免费。

要在上传图像时模糊人脸，请在通过 Upload 或 URL 创建数据集时开启 Blur faces，或在针对整个数据集的 Blur faces 对话框中开启 Blur future uploads。即使你关闭对话框而不点击 Apply，Blur future uploads 开关也会立即保存。此后上传到该数据集的图像会在处理过程中自动模糊，且不收取费用；更改此设置不会模糊数据集中已有的图像。

数据集 URI#

使用 ul:// URI 格式引用 Platform 数据集（参见使用 Platform 数据集）：

ul://username/datasets/dataset-slug

你也可以直接粘贴数据集或模型网页 URL（例如 https://platform.ultralytics.com/username/datasets/dataset-slug）；系统会自动将其改写为 ul:// URI。传入数据集列表会依次使用每个数据集微调同一个基础模型，例如 model.train(data=["ul://username/datasets/a", "ul://username/datasets/b"])。

使用此 URI 从任何位置训练模型：

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

可用许可证#

平台支持以下数据集许可证：

可见性设置#

控制谁可以查看你的数据集：

创建数据集时，你可以在 New Dataset 对话框中通过切换开关设置可见性；开关初始值为工作区的默认可见性。之后若要更改可见性，点击页面面包屑中数据集名称旁的 Public 或 Private 标记；将数据集设为公开时，系统会要求你确认。On Premise 数据集始终为私有。公开数据集会显示在 Explore 页面上。

编辑数据集#

你可以直接在数据集页面内编辑元数据，无需打开对话框：

• 名称：点击数据集名称进行编辑。失去焦点或输入 Enter 时会自动保存更改。名称最多为 100 个字符。
• 描述：点击描述（或“添加描述...”占位文本）进行编辑。更改会自动保存。描述最多为 1,000 个字符。
• 任务类型：点击任务徽标以选择其他任务类型。
• 许可证：点击许可证选择器以更改数据集许可证。
• 图标：点击数据集图标，可上传自己的图像、将数据集中的某张图像设为图标，或选择一个字母和颜色。

自定义元数据#

打开 更多操作，然后选择 信息，查看以下两个部分：

• Ultralytics 元数据：只读的平台信息，例如数据集 ID、所有者、任务、图像和标注数量、存储区域及时间戳
• 自定义元数据：你自己的 JSON 对象，可用于记录来源、采集条件、客户 ID、治理信息或其他上下文数据

工作区查看者可以检查元数据，拥有编辑权限的成员则可以替换自定义元数据对象。序列化后的元数据对象最多为 500,000 个字符，每个顶层键最多为 128 个字符。保存空对象 ({}) 即可清除自定义元数据。

克隆数据集#

查看你不拥有的公开数据集时，点击 Clone Dataset 打开克隆对话框。检查目标工作区、名称、可见性和许可证，然后确认克隆。除非你只选择部分 Splits 或某个已保存的 Versions，副本会包含所有图像、标注和类别定义；而 Existing dataset 会将无标签图像添加到你拥有的数据集中。若要只复制部分图像，请选中这些图像并点击 Clone Images；其中的 Annotations 开关决定是否同时复制这些图像的标签。除非工作区的默认数据集可见性为私有，否则公开源数据集默认仍为公开。如果原始数据集采用著佐权许可证，克隆数据集会继承该许可证，且许可证选择器会被锁定。

创建新数据集时，如果目标工作区中已使用该 URL，克隆对话框会禁用 Clone Dataset。克隆需要有足够的剩余存储配额来容纳副本。

收藏和分享#

• 收藏：点击星形按钮，将数据集加入书签。所有用户都能看到收藏数。
• 分享：对于公开数据集，点击分享按钮即可复制链接、获取嵌入代码，或分享到社交平台。

删除数据集#

删除不再需要的数据集：

1. 在数据集页眉中打开 更多操作（… 按钮）
2. 选择 删除数据集
3. 在对话框中确认：“这会将 [name] 移至回收站。你可以在 30 天内恢复。”

同一菜单中还有 信息，用于打开自定义元数据中所述的元数据对话框；还有 刷新，用于从服务器重新读取数据集。

使用数据集训练#

直接从数据集开始训练：

1. 在数据集页面上点击 New Model
2. 选择一个项目或新建项目
3. 配置训练参数
4. 开始训练

详情请参阅云端训练。

常见问题#