本地部署#

本地部署让你的 Enterprise 工作区可以在 Linux、 macOS 或 Windows 计算机上使用数据集和计算资源。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 远程训练位置相同：指标会流式传输到 Platform，训练完成的模型 权重会上传，以便下载、预测、导出和部署。

设置只需一条命令。Platform 会检测你的操作系统，填充合理的文件夹位置（如有需要则安装 Docker），并显示实时连接进度。

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#

模型权重、标签、注释和指标可能包含从你的图像中学习到的信息。只有数据集像素受到严格的仅限本地边界约束。云端预测只处理你单独提交到相应云工作流的图像；工作进程绝不会转发挂载数据集中的图像。

开始之前#

选择一台能够访问你的数据集，并且在 Platform 使用数据集期间保持开机的计算机：

GPU 为可选配置。每台计算机都可以使用 CPU 摄取数据集并训练模型。兼容的 NVIDIA GPU 可以加速较大的训练任务。

连接你的计算机#

1. 在能够访问你的数据集的计算机上打开 Ultralytics Platform。
2. 转到 Settings > Integrations，然后从集成列表中选择 本地部署。
3. 检查预填充的 此计算机上的数据集文件夹 和 此计算机上的模型文件夹 路径。
4. 选择 创建安装命令。
5. 打开对话框中指定的终端，复制命令并粘贴，然后按 Enter。
6. 保持集成页面打开，直到进度指示器显示 已连接。

该页面会实时跟踪六个设置步骤——运行命令、下载工作进程文件、下载 Docker 镜像、构建工作进程、启动工作进程以及确认连接——因此你无需查看终端即可了解进度。连接主机需要工作区编辑者角色和有效的 Enterprise 计划；使用其他计划的工作区会看到 继续 按钮，该按钮会请求引导式本地部署 演示，而不是安装命令。

Platform 会在你复制命令前填入文件夹和一次性连接令牌。生成的命令格式如下：

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

默认设置无需编辑即可使用：

设置命令会创建这些文件夹，在需要时安装并启动 Docker，并将连接配置为随计算机启动而重新启动。你的操作系统可能会要求你批准安装或重启，设置才能完成。

Docker 基础镜像#

安装程序运行一个容器，并为主机选择官方 Ultralytics 基础镜像：

安装程序会为主机选择固定版本的官方镜像。工作进程会添加连接依赖项， 而不会重新安装 Ultralytics。它会在设置期间检测 CUDA，因此配备 NVIDIA 的主机仍运行一个容器，而不是 分别运行 CPU 和 GPU 工作进程。最佳检查点上传后，Platform 的云服务会处理模型预测和导出。

添加数据集#

1. 将数据集放入配置的数据集文件夹中。
2. 在 Platform 中选择 新建数据集 > 本地部署。
3. 选择已连接的计算机。
4. 浏览到数据集文件夹，选择任务，然后选择 创建。

Platform 会在本地为数据集建立索引，并在与上传数据集和云存储数据集相同的图库中打开它。你可以预览图像、检查标签、筛选数据集并进行注释，而无需上传像素。

受支持的数据#

本地部署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、分割、语义分割、分类、姿态和定向边界框 (OBB) 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/测试划分。数据集文件夹以只读方式挂载，因此 Platform 绝不会调整大小、重新编码、编辑或删除你的源文件。摄取过程中生成的任何内容——提取的压缩包、下载的 NDJSON 资源和视频帧——都会写入同一台计算机上的私有 Docker 卷。

预览和注释#

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

注释和数据集组织信息会保存在你的 Platform 工作区中，但你在 Platform 中的编辑绝不会更改源图像或标签文件。

训练模型#

通过 Platform 的标准训练对话框开始训练：

1. 打开项目并选择 新建模型。
2. 选择本地部署数据集。
3. 选择模型和训练设置。
4. 开始训练。

Platform 会在已连接的计算机上运行任务。它会使用可用的 NVIDIA GPU，或自动回退到 CPU，因此 Mac 无需专用 GPU 硬件也可以在 COCO8 上训练 YOLO26n 等小型模型。

运行处于活动状态时，训练文件会写入配置的模型文件夹。Ultralytics 软件包使用与任何客户管理计算机相同的远程训练回调：进度和指标会流式传输到 Platform，最佳检查点会上传到 Platform 存储，而训练完成的模型可以使用现有的下载、预测、导出和部署路径。其他训练产物会保留在你的模型文件夹中。本地部署训练不会使用 Platform 计算额度，Platform 也绝不会将训练任务发送到云端计算资源。

管理连接#

打开 Settings > Integrations，查看每台已连接计算机、其主机名和硬件信息，以及其 CPU 和 GPU 当前是否在线。主机会持续报告状态，因此关机或失去连接的计算机会显示为离线，其数据集会暂时不可用，而不会回退到云端计算。

重新连接会为你之前断开连接的主机生成新的安装命令。它会复用相同的主机记录，因此现有数据集无需重新导入即可恢复使用。

断开连接会立即撤销该主机的访问权限。与其绑定的排队中、启动中和运行中的任务都会被取消，包括正在进行的训练；仍在导入的数据集会失败，并显示 On Premise host disconnected during ingest.。已完成导入的数据集会保留其类别、标签和注释，但在你重新连接之前无法预览或训练。计算机上的任何内容都不会被删除，已上传到 Platform 的模型仍然可用。

当前限制#

• 不会重新扫描。 数据集在创建时只建立一次索引。如果源文件之后发生变化，Platform 不会察觉——请创建新数据集以获取这些更改。
• Platform 副本功能不可用。 本地部署数据集不支持需要由 Platform 持有图像副本的功能：自动注释、聚类分析、数据集克隆和不可变的版本快照。
• 训练不会迁移。 如果工作进程在运行中途停止，运行会失败，而不是在其他位置重新启动。
• 模型文件保留在主机上。 在 Platform 中删除或移入回收站模型，只会将其从 Platform 中移除，不会从你的模型文件夹中删除——运行不再需要时，请自行清理该文件夹。

删除本地部署数据集或其中的单个图像，只会移除 Platform 的引用和注释。你的文件绝不会被修改。

如果设置未完成#

• **Docker 请求权限：**批准提示并等待 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。
• **设置命令已过期：**创建新的安装命令。每条命令都是临时的，且只能使用一次。
• **连接一直处于离线状态：**打开 Docker Desktop，重新运行新生成的命令，并保持终端打开，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通过浏览器打开 Platform。数据集预览直接来自 该计算机。
• **你需要查看 worker 日志：**安装程序在 Linux 上将日志写入 /opt/ultralytics-worker，在 macOS 和 Windows 上写入 ~/.ultralytics/worker。从该文件夹运行 docker compose logs -f 以跟踪 worker。

另请参阅数据集、标注和训练。

常见问题#