Link to this section本地部署#
本地部署 可将你 Linux、Apple Silicon macOS 或 Windows 主机上的 CPU 和可选的 NVIDIA GPU 工作节点连接至 Ultralytics Platform。平台依然作为 UI、身份验证、元数据、标注和作业编排的托管控制平面，而所有像素数据和训练得到的模型制品都保留在你本地。
你的主机需要 Docker 和连接至平台的出站 HTTPS 访问权限。安装程序会在缺失时自动添加 Docker，因此常规设置仅需一条命令。
Link to this section系统要求#
| 最低配置 | 推荐配置 | |
|---|---|---|
| 操作系统 | 64 位 Linux、Apple Silicon macOS 或带有 WSL 2 的 x86-64 Windows | 最新的操作系统和 Docker 版本 |
| CPU | 4 核 | CPU 训练建议 8 核或以上 |
| 内存 | 8 GB RAM | 16 GB 或以上 |
| 存储 | 20 GB 可用空间，另需额外空间用于存放数据集和模型 | 固态硬盘 (SSD)，可用空间至少为工作数据集大小的两倍加上模型制品空间 |
| 网络 | 连接至平台和容器仓库的出站 HTTPS 权限 | 用于初始拉取镜像的稳定宽带 |
CPU 摄取和训练工作可在所有三种操作系统上运行。安装程序会在 Apple Silicon 和 ARM Linux 上自动选择官方原生 arm64 镜像，因此像 COCO8 上的 YOLO26n 这样的小型作业无需 x86 模拟即可运行。NVIDIA 加速为可选；当不可用时，训练将在 CPU 上运行。
Link to this section数据边界#
| 保留在你的本地 | 存储在平台中 |
|---|---|
| 原始图像和视频 | 数据集名称、路径、维度和修订版本 |
| 解压后的归档文件、下载的 NDJSON 图像、视频帧 | 类别、标签、标注和拆分分配 |
| 训练数据、检查点、权重和运行制品 | 作业状态、标量指标和工作节点运行状况 |
数据集文件夹以只读方式挂载。平台及其托管的工作节点永远不会接收源像素或派生像素，本地部署的作业也绝不会回退到 Ultralytics 或 RunPod 计算资源。
平台、身份验证和元数据保持托管状态。工作节点发起出站 HTTPS 连接以认领作业并报告元数据。本地部署并非离线或完全自托管的平台安装，也不需要本地的 MongoDB 实例。
Link to this section连接主机#
- 在能够访问你的数据集的 Linux、Apple Silicon macOS 或 Windows 主机上打开 Ultralytics Platform。
- 进入
Settings > Integrations并选择 On Premise 卡片上的 Connect。 - 平台会选择检测到的 Linux、macOS 或 Windows 命令。macOS 上必须使用 Apple Silicon。保留预填值或进行更改：
- 机器名称：
On Premise host - 数据集文件夹： Linux 上为
/datasets，macOS 和 Windows 上为~/Ultralytics/datasets - 模型文件夹： Linux 上为
/models，macOS 和 Windows 上为~/Ultralytics/models
- 机器名称：
- 选择 Create install command。对话框会告知你针对所选操作系统应打开哪个终端。
- 复制完整命令，粘贴到终端中并运行。该命令包含一次性注册令牌，会在需要时安装并启动 Docker，并创建所选文件夹。
- 保持对话框打开。平台每 500 毫秒检查一次，并在 CPU 工作节点启动时显示主机为已连接状态。当 Docker 暴露了受支持的 NVIDIA 运行时，GPU 工作节点会自动启动。
注册令牌在 10 分钟后过期，且只能兑换一次。安装的工作节点将生成的可撤销工作节点密钥存储在模式为 0600 的环境文件中。它永远不会接收平台的 MongoDB 或云存储凭据。Compose 会自动重启工作节点，设置程序会将 Docker 配置为在 Linux 上开机启动，或在 macOS 和 Windows 上登录后启动。
CPU 摄取和训练仅需 Docker。可选的 GPU 加速还需要主机上安装受支持的 NVIDIA 驱动程序和容器运行时。
Link to this section创建本地部署数据集#
- 将数据集放在已连接的数据集文件夹下。例如，
/datasets/warehouse即默认根目录下的warehouse。 - 在平台中，选择 New Dataset > On Premise。
- 使用与 Google Cloud Storage、Amazon S3 和 Azure Blob Storage 相同的文件夹浏览器浏览已连接的主机，选择一个文件夹，选择任务，并创建私有数据集。
- 主机对数据集进行索引并报告元数据。平台绝不会上传图像。
本地部署使用与托管上传相同的 CPU 摄取代码。它支持：
- 散乱的图像和视频；
- ZIP、TAR、TAR.GZ 和 TGZ 归档文件；
- Ultralytics NDJSON 和 COCO JSON；
- YOLO 数据集和分类文件夹布局；以及
- 检测、分割、姿态估计、OBB 和分类任务，包括相同的类别映射、任务推理、验证和拆分处理。
存储输出是唯一的区别。托管摄取可能会调整或标准化图像，并在平台存储中创建缩略图。本地部署绝不会调整、重新编码、编辑或删除挂载的原始文件。归档内容、远程 NDJSON 资产以及以 1 FPS 采样（最多 100 帧，之后在较长视频中均匀采样）的视频帧仅会被写入主机上的 Docker 卷中。
Link to this section预览和标注#
平台授权每次预览，然后你的浏览器直接从同一台计算机上的 http://localhost:8765 加载与修订版本绑定的文件。无需主机名、证书、VPN、代理或预览设置。
标注存储为平台元数据。在平台中编辑或删除图像仅会更改平台参考和标注；绝不会更改源文件或标签补充文件。
Link to this section本地训练#
从常规项目训练对话框启动训练。绑定到本地部署主机的数据集只能由该主机认领。平台在可用时使用其 GPU 工作节点，否则在其 CPU 工作节点上运行相同的训练代码。训练过程会读取挂载的文件，将检查点和权重写入配置的模型文件夹，并将作业状态、标量指标和不可变的检查点参考返回给平台。模型下载使用与预览相同的签名 localhost 连接，因此权重直接从你的主机传输到浏览器。
本地部署训练不消耗平台的计算积分。Ultralytics 托管工作节点和 RunPod 无法认领作业或读取其像素或制品。
Link to this section管理工作节点#
使用 Settings > Integrations 中的 On Premise 卡片查看 CPU/GPU 可用性、重新连接主机或断开连接。重新连接会轮换工作节点密钥，而不会更改现有的数据集标识。断开连接会撤销未来的认领和预览访问；它不会从主机中删除数据集、源文件、缓存的像素或模型制品。
要在 Linux 上检查或停止安装：
cd /opt/ultralytics-worker
docker compose logs -f
docker compose down在 macOS 和 Windows 上，安装程序会使用 ~/.ultralytics/worker 打印相应的等效命令。
另请参阅 Datasets、Annotation 和 Cloud Training。