本地部署#

On Premise 让你可以在 Linux、macOS 或 Windows 计算机上使用 Enterprise 工作空间来处理数据集和计算任务。源图像和视频会保留在你的计算机上。训练行为与任何其他远程训练位置一样：指标会传输到 Platform，完成的模型权重会上传以便进行下载、预测、导出和部署。

只需一条命令即可完成设置。Platform 会自动检测你的操作系统，填入合理的文件夹路径，并在需要时安装 Docker，同时实时显示连接进度。

工作原理#

flowchart LR
    A[Your browser] <-->|Interface, labels, and progress| B[Ultralytics Platform]
    A <-->|Dataset previews| C[Your On Premise computer]
    B <-->|Jobs, metrics, and model weights| C
    C --- D[(Dataset folder)]
    C --- E[(Models folder)]

数据边界#

数据	你的 On Premise 计算机	Platform 和云服务
源数据集和衍生数据集像素	保持在本地进行摄取、预览和训练	从不存储、记录或处理
类、标签和标注	源标签在摄取期间被读取	存储为规范的数据集元数据，以便你可以在 Platform 中进行标注
训练模型	运行记录、最佳检查点和其他训练工件会被写入到你的 models 文件夹中	最佳检查点会上传以便进行下载、预测、导出和部署；其他工件保留在你的计算机上

模型权重、标签、标注和指标可以编码从你的图像中学到的信息。只有数据集像素具有严格的本地边界。云端预测仅处理你单独提交给该云工作流的图像；工作节点永远不会转发来自你挂载数据集的图像。

开始之前#

选择一台 Linux 计算机、Apple silicon Mac 或 64 位 Windows 计算机，该计算机能够访问你的数据集，并且在 Platform 使用它们期间保持开机状态。为数据集、模型运行和 Docker 镜像留出足够的可用存储空间，并确保计算机能够建立出站 HTTPS 连接。

GPU 是可选的。每台计算机都可以利用其 CPU 来摄取数据集并训练模型。兼容的 NVIDIA GPU 可以加速更大规模的训练任务。

企业网络

如果你的公司限制了出站流量，请在设置前允许访问 Ultralytics Platform、Docker 注册表以及 Python 包下载地址的 HTTPS 流量。

连接你的计算机#

在你能够访问数据集的计算机上打开 Ultralytics Platform。
转到 Settings > Integrations，并在集成列表中选择 On Premise。
检查预填的 Dataset folder on this machine 和 Models folder on this machine 路径。
选择 创建安装命令。
打开对话框中指定的终端，复制该命令，粘贴并按 Enter 键。
保持 Integrations 页面打开，直到进度指示器显示 Connected。

Ultralytics Platform On Premise Integration Setup

在你复制命令之前，Platform 会自动填入文件夹路径和一次性连接令牌。生成的命令遵循以下格式：

打开 终端 (Terminal) 并粘贴：

curl -fsSL 'https://platform.ultralytics.com/api/workers/install?os=linux' \
  | sudo sh -s -- \
    "/datasets" \
    "/models" \
    "YOUR_CONNECTION_TOKEN"

从 Platform 复制你的命令

Platform 会自动包含连接令牌。它用于证明这台计算机被允许连接到你的工作空间，有效期为 10 分钟，且仅能使用一次。你无需单独输入它。请勿在令牌有效期间分享生成的命令。

默认设置无需修改即可使用：

	Linux	macOS 和 Windows
数据集文件夹	`/datasets`	`~/Ultralytics/datasets`
模型文件夹	`/models`	`~/Ultralytics/models`

安装命令会创建这些文件夹，在需要时安装并启动 Docker，并配置连接以随计算机启动。你的操作系统可能会要求你批准安装或重启，以便完成设置。

Docker 基础镜像#

安装程序会运行一个容器，并为宿主机选择官方 Ultralytics 基础镜像：

宿主机	基础镜像模式
Apple silicon 或 ARM64 Linux	`ultralytics/ultralytics:<version>-arm64`
x86-64 CPU	`ultralytics/ultralytics:<version>-cpu`
带有受支持 NVIDIA GPU 的 x86-64	`ultralytics/ultralytics:<version>`

安装程序会为主机选择一个版本锁定的官方镜像。工作线程在不重新安装 Ultralytics 的情况下添加其连接依赖项。它会在设置过程中检测 CUDA，因此 NVIDIA 主机仍运行单个容器，而不是分离的 CPU 和 GPU 工作线程。在上传最佳检查点后，Platform 的云服务将处理模型预测和导出。

使用 CDI 进行 GPU 访问

CPU 设置无需额外步骤，按照引导式安装即可。在 Linux 上，NVIDIA GPU 加速需要 Docker >= 28.2 和 NVIDIA Container Toolkit >= 1.18。安装程序使用 CDI --device 预留，而不是传统的 --gpus all，因此 GPU 访问在宿主机守护进程重启后依然有效。Windows 上的 Docker Desktop 使用其支持的 NVIDIA 设备预留功能，因为 NVIDIA CDI 设备在那里不可用。平台会自动检测受支持的 GPU 路径；有关设置详情，请参阅 Docker 快速入门指南。

添加数据集#

将你的数据集放入已配置的数据集文件夹中。
在平台中，选择 New Dataset > On Premise。
选择已连接的计算机。
浏览至数据集文件夹，选择任务类型，然后选择 创建 (Create)。

Platform 会在本地索引该数据集，并将其显示在与上传或云端存储数据集相同的图库中。你可以预览图像、检查标签、筛选数据集并进行标注，而无需上传原始像素数据。

支持的数据#

On Premise 支持与上传数据相同的摄取格式和计算机视觉任务：

图像和视频
ZIP、TAR、 TAR.GZ 和 TGZ 压缩包
Ultralytics NDJSON 和 COCO JSON
YOLO 数据集和分类文件夹
检测 (Detect)、分割 (Segment)、姿态估计 (Pose)、带方向边界框 (OBB) 和分类 (Classify) 任务

Platform 会自动识别常见的数据集布局、类别、标签以及训练/验证/测试拆分。Platform 将源文件视为只读，绝不会对其进行调整大小、重新编码、编辑或删除操作。

预览和标注#

当你打开图像时，你的浏览器会直接从已连接的计算机加载它。无需证书、主机名、VPN 或预览配置。

标注和数据集组织结构保存在你的 Platform 工作空间中，但在 Platform 中的编辑操作永远不会更改你的源图像或标签文件。

训练模型#

通过常规的 Platform 训练对话框开始训练：

打开一个项目并选择 New Model。
选择 On Premise 数据集。
选择模型和训练设置。
开始训练。

Platform 会在已连接的计算机上运行任务。它会自动使用可用的 NVIDIA GPU 或回退到 CPU，因此即使没有专用 GPU 硬件，Mac 也能在 COCO8 上训练小型模型（如 YOLO26n）。

训练文件在运行期间被写入配置好的 models 文件夹中。Ultralytics 包使用与任何客户托管机器相同的远程训练回调：进度和指标流向 Platform，最佳检查点上传到 Platform 存储，并且已完成的模型可使用现有的下载、预测、导出和部署路径。其他训练工件保留在你的 models 文件夹中。On Premise 训练不使用 Platform 计算额度，并且 Platform 永远不会将训练作业发送到云端计算。

管理连接#

打开 Settings > Integrations 查看计算机及其 CPU 或 GPU 是否可用。你可以通过重新连接来刷新访问权限，或者在不再需要时将其断开连接。

断开连接会阻止新的作业和预览，但不会从计算机中删除数据集或源文件。已上传的模型在 Platform 中仍然可用。

如果设置未完成#

Docker 请求权限： 批准该提示并等待 Docker 启动。设置会自动继续。
Windows 要求重启： 重启计算机，返回 Settings > Integrations，然后创建新的安装命令。
安装命令已过期： 创建新的安装命令。每个命令都是临时的，且仅能使用一次。
连接保持离线： 打开 Docker Desktop，重新运行新生成的命令，并保持终端窗口开启，直到它报告 On Premise 正在运行。
预览无法加载： 在已连接的计算机上的浏览器中打开 Platform。数据集预览直接来自该计算机。

另请参阅 Datasets、Annotation 和 Training。

贡献者

GLglenn-jocher⁷

创建时间 2周前更新时间 21小时前