本地部署#

On Premise 让你的 Enterprise 工作区能够使用运行在 Linux、macOS 或 Windows 计算机上的数据集和计算资源。源图像和视频保留在你的计算机上。训练行为类似于任何其他远程训练位置：指标会实时流式传输至 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#

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#

选择一台能够访问你的数据集并在 Platform 使用它们时保持开机状态的计算机：

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。

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. 前往 Settings > Integrations 并在集成列表中选择 On Premise。
3. 检查预填的 Dataset folder on this machine 和 Models folder on this machine 路径。
4. 选择 创建安装命令。
5. 打开对话框中指定的终端，复制该命令，粘贴并按 Enter 键。
6. 保持 Integrations 页面打开，直到进度指示器显示 Connected。

该页面实时追踪六个安装步骤——运行命令、下载 worker 文件、下载 Docker 镜像、构建 worker、启动它以及确认连接——因此你可以直接观察进度而无需查看终端。连接主机需要工作区编辑角色和一个有效的 Enterprise 计划；采用其他计划的工作区会显示一个继续按钮，该按钮会请求引导式的 On Premise 演练而不是安装命令。

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：

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

默认设置无需修改即可使用：

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，并为主机选择官方 Ultralytics 基础镜像：

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。

添加数据集#

1. 将你的数据集放入已配置的数据集文件夹中。
2. 在平台中，选择 New Dataset > On Premise。
3. 选择已连接的计算机。
4. 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、分割、语义、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/测试拆分。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。在数据导入期间衍生的任何内容——提取的归档文件、下载的 NDJSON 资产和视频帧——都将写入同一台计算机上的私有 Docker 卷中。

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：

1. 打开一个项目并选择 New Model。
2. 选择 On Premise 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 以查看每个连接的计算机、其主机名和硬件，以及其 CPU 和 GPU 当前是否在线。主机持续进行状态上报，因此关机或失去连接的计算机将显示为离线状态，其数据集将暂时不可用，而不是回退到云端计算。

重新连接会为先前断开连接的主机签发一条新的安装命令。它会重复使用相同的主机记录，因此其现有的数据集无需重新导入即可恢复工作。

断开连接会立即撤销该主机的访问权限。绑定到该主机的已排队、正在启动和正在运行的作业将被取消（包括正在进行的训练），并且仍在导入的数据集将因 On Premise host disconnected during ingest. 而失败。导入完成的数据集将保留其类别、标签和注释，但在你重新连接之前无法进行预览或训练。计算机上的任何内容都不会被删除，并且已上传到 Platform 的模型仍然可用。

当前限制#

• 不进行重新扫描。 数据集在创建时会被索引一次。如果此后源文件发生更改，Platform 将不会察觉——请创建一个新数据集以获取更改。
• Platform 复制功能不可用。 On Premise 数据集不包含需要 Platform 拥有你的图像副本的功能：自动标注、聚类分析、数据集克隆以及不可变的版本快照。
• 训练不会转移。 如果 worker 进程在运行中途停止，运行将直接失败，而不会在其他地方重新启动。
• 模型文件保留在主机上。 在 Platform 中删除或丢弃模型只会将其从 Platform 中移除，而不会从你的模型文件夹中移除——当不再需要某个运行时，请自行清理该文件夹。

删除 On Premise 数据集或其中的单个图像，只会移除 Platform 的引用和注释。你的文件绝不会被触及。

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 提示重启： 重启计算机，返回 Settings > Integrations，并创建一个新的安装命令。
• 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。
• 你需要 worker 日志： 安装程序在 Linux 上写入 /opt/ultralytics-worker，在 macOS 和 Windows 上写入 ~/.ultralytics/worker。在该文件夹中运行 docker compose logs -f 以跟踪 worker 的运行情况。

另请参阅Datasets、Annotation 和 Training。