Ultralytics Platform 快速入门#

Ultralytics Platform 提供引导式工作流，用于上传数据集、基于预训练权重训练新的 YOLO 模型、在浏览器中测试已完成的模型，以及配置专用推理端点。

下面的交互式图示概述了 Ultralytics Platform 工作流的四个主要阶段。点击任意阶段或子步骤，即可查看该部分的详细说明。

graph LR
    A(Sign Up):::start --> B(Prepare Data):::proc --> C(Train):::proc --> D(Deploy):::out
    A -.- A1["<a href='#get-started'>Create account</a><br/><a href='#region-selection'>Select region</a>"]:::proc
    B -.- B1["<a href='#upload-your-first-dataset'>Upload dataset</a><br/><a href='#create-your-first-project'>Create Project</a>"]:::proc
    C -.- C1["<a href='#training-configuration'>Configure training</a><br/><a href='#monitor-training'>Monitor progress</a>"]:::proc
    D -.- D1["<a href='#test-your-model'>Test model</a><br/><a href='#deploy-to-production'>Deploy endpoint</a>"]:::proc

    click A "#get-started"
    click B "#upload-your-first-dataset"
    click C "#train-your-first-model"
    click D "#deploy-to-production"

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

开始使用#

Ultralytics Platform 提供多种便捷的注册选项。你可以使用 Google 或 GitHub 账号，或使用电子邮箱地址注册并登录。

区域选择#

在引导流程中，系统会要求你选择数据区域。Platform 会自动测量到各个 区域的延迟，并推荐距离最近的区域。此选择决定你的数据集、模型和托管训练数据的 存储位置。部署模型时，专用端点区域需要单独选择。

免费额度#

每个新账号都会获得用于云端 GPU 训练的免费额度：

完善你的个人资料#

引导流程会指导你完成以下三个步骤：

1. 个人资料 - 输入你的显示名称、唯一用户名（永久有效，之后无法更改）、组织（可选）和主要使用场景
2. 数据区域 - 选择 US、EU 或 AP，视觉化世界地图会显示延迟
3. 完成 - 检查你的选择，可选择应用促销代码，然后完成注册以领取欢迎额度

主页仪表板#

登录后，你将进入 Ultralytics Platform 的主页，其中提供包含工作区统计信息的欢迎卡片、概览视频、用于快速访问数据集、项目和存储的入口，以及近期活动动态。

侧边栏导航#

侧边栏提供对 Platform 各个部分的访问：

每个内容部分会列出你最近的五个项目，并提供其余项目的链接。将鼠标悬停在某个项目上会显示删除 操作，该操作会将其移至 Trash；你可以从搜索（Cmd+K）进入 Trash，或打开 platform.ultralytics.com/trash。

欢迎卡片#

欢迎卡片会一览显示你的个人资料、计划徽章（链接至计划对比页面）和工作区统计信息。 每项统计数据都会链接到对应的工作区视图：

快速操作#

欢迎卡片下方的仪表板会显示三张卡片：

• 数据集：创建新数据集，或拖放图像、视频或数据集文件以上传。显示你最近的数据集。
• 项目：创建新项目，或拖放 .pt 模型文件以上传。显示你最近的项目。
• 存储：概览你的存储使用情况（数据集、模型、导出文件）及计划限制。

底部的 近期活动 表格会显示你最近的数据集、项目和部署，以及它们的状态和 最后更新时间。

全局搜索#

按下 Cmd+K（Mac）或 Ctrl+K（Windows/Linux）即可打开搜索栏。立即搜索页面、项目、数据集和部署。

AI 聊天助手#

点击Ask AI来使用能够跨Ultralytics Platform自动化任务的AI智能体。AutoTrain with Ask AI可以直接操作你的数据集和模型来标注图像、运行训练实验、比较结果以及导出或部署模型。有关示例提示词以及为你自己的编码智能体进行的设置，请参见AutoTrain with Ask AI。

引导流程#

Platform 包含引导式流程，会在你探索不同部分时介绍关键功能：

重新开始导览#

要重播任意导览：

• Redo Tour 按钮 — 点击侧边栏左下角的个人资料头像打开账户菜单，然后选择 Redo Tour。这会重置所有导览，使其在你下次访问各个部分时重新播放。
• URL 参数 — 将 ?tour= 与导览 ID 一起追加到 URL 后，即可直接重启某个导览：主页使用 ?tour=nav，项目页面使用 ?tour=project，数据集页面使用 ?tour=dataset。

上传你的第一个数据集#

在侧边栏中打开 Annotate，然后点击 + 创建新数据集。你也可以将文件直接拖放到主页仪表板上的 Datasets 卡片中。

New Dataset 对话框提供四个来源。本快速入门使用 Upload；其他来源见 Datasets 和 Integrations：

上传支持多种格式（完整详情请参阅 Datasets）：

graph LR
    A[Drop Files]:::start --> B[Auto-Package ZIP]:::proc
    B --> C[Upload to Storage]:::proc
    C --> D[Process Data]:::proc
    D --> E[Resize & Thumbnail]:::proc
    E --> F[Parse Labels]:::proc
    F --> G[Compute Statistics]:::proc
    G --> H[Dataset Ready]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

上传后，平台会自动处理你的数据：

1. 将大于 4096px 的图像调整大小（保持宽高比）
2. 生成 256px 缩略图以便快速浏览
3. 解析并验证 YOLO、COCO 和 Ultralytics NDJSON 标签
4. 计算统计信息（类别分布、热力图、尺寸）

my-dataset.zip
├── data.yaml          # Class names and splits
├── train/
│   ├── images/
│   │   ├── img001.jpg
│   │   └── img002.jpg
│   └── labels/
│       ├── img001.txt
│       └── img002.txt
└── val/
    ├── images/
    └── labels/

详细了解datasets，以及 detect、segment、pose、OBB 和 classify 支持的格式。

创建你的第一个项目#

项目可帮助你整理相关模型和实验。在侧边栏中打开 Train，然后点击 + 创建项目。你也可以将 .pt 权重拖放到主页仪表板上的 Projects 卡片中，一步创建项目并导入权重。

输入名称和可选描述。项目用于组织模型运行以及导入或克隆的模型权重，并提供用于比较已完成训练结果的图表。

详细了解 projects。

训练你的第一个模型#

在项目中点击 New Model，打开 Train New Model 对话框。你也可以从数据集页面开始训练；此时数据集已锁定，你只需选择目标项目。

训练配置#

1. Base Model：选择官方 Ultralytics 权重或你自己训练的模型。如果模型任务与数据集任务不匹配，对话框会发出警告。
2. Dataset：选择一个就绪数据集，其中至少包含一张训练图像、至少一张验证或测试图像，以及至少一张带标签的图像
3. Parameters：设置 Epochs（默认 100）、Batch Size（留空表示自动）、Image Size（默认 640）以及可选的运行 Name。展开 Advanced Settings，即可在 YAML 编辑器中编辑其他 Ultralytics 训练参数。
4. Select GPU：在 Cloud Training 选项卡中，根据预算和模型大小选择计算资源。默认选项为 RTX PRO 6000（96 GB Blackwell，$2.09/小时），可处理所有 YOLO26 变体。请参阅完整的 GPU 定价表或 Cloud Training GPU 步骤，了解完整列表和层级限制。
5. Start Training：查看信用余额旁显示的预计费用和时长，然后点击 Start Training。

监控训练#

训练开始后，打开模型的 Train 选项卡，通过三个子选项卡实时监控进度：

指标通过 SSE（Server-Sent Events）实时流式传输。一旦存在验证构件，Charts 子选项卡将拆分为 Training 和 Validation 视图，其中混淆矩阵、PR 曲线和 F1 曲线位于 Validation 下方。

详细了解云端训练。

测试你的模型#

训练完成后，直接在浏览器中测试你的模型：

1. 导航到模型的 Predict 选项卡
2. 上传图像、拖放图像、从网络摄像头拍摄图像，或点击示例图像（拖放后自动推理）
3. 查看适合任务的预测叠加层、各阶段耗时（预处理、推理、后处理、网络）以及原始 JSON 响应

调整推理参数：

在 API Docs 下，Predict 选项卡会显示 Python、JavaScript 和 cURL 示例代码，其中已预填你上面选择的参数。请先部署模型，然后将占位 URL 和密钥替换为端点中的值：

import requests

url = "https://your-deployment-url.run.app/predict"
api_key = "YOUR_API_KEY"
args = {"conf": 0.25, "iou": 0.7, "imgsz": 640}

with open("image.jpg", "rb") as f:
    response = requests.post(
        url,
        headers={"Authorization": f"Bearer {api_key}"},
        data=args,
        files={"file": f},
    )

print(response.json())

详细了解推理。

部署到生产环境#

将模型部署到专用端点以用于生产环境：

1. 导航到模型的 Deploy 选项卡
2. Platform 会测量全部 42 个区域的延迟，并将其绘制在世界地图上，以绿到红的渐变着色（延迟越低越绿，延迟越高越红）
3. 在地图下方按你所在位置的延迟排序的 Region Latency 表中，找到所需区域。你可以随时使用 Rescan 重新测量。
4. 点击该行中的 Deploy 创建端点

graph LR
    A[Select Region]:::start --> B[Deploy]:::proc
    B --> C[Provisioning]:::proc
    C --> D[Running]:::out
    D --> E{Lifecycle}:::decide
    E --> F[Stop]:::error
    E --> G[Delete]:::error
    F --> H[Resume]:::proc
    H --> D

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,color:#fff
    classDef error fill:#F44336,color:#fff

配置完成后，你的端点会提供：

• Unique URL：用于 API 调用的 HTTPS 端点
• Scale-to-zero behavior：空闲端点会缩容至零（当前部署运行单个活动实例）
• Monitoring：请求指标和日志

部署后，你可以在侧边栏的 Deploy 部分管理所有端点。部署仪表板会显示包含活动部署的全球地图、24 小时指标（请求总数、活动部署数、错误率和 P95 延迟）以及每个端点的列表。

详细了解端点。

远程训练（可选）#

如果你更希望使用自己的硬件进行训练，可以使用 API 密钥在任意位置进行训练，并将指标流式传输到 Ultralytics Platform。

最快的方法是使用训练对话框中的 Local Training 标签页：它会根据你选择的模型、数据集和参数生成完整命令，并填入 API 密钥（如果你还没有密钥，系统会创建一个）。复制命令并在终端中运行。

你也可以自行组装命令：

1. 在 Settings > API Keys 中生成 API 密钥
2. 设置环境变量，并使用 username/project 值为 project 进行训练：

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

yolo train model=yolo26n.pt data=coco.yaml epochs=100 project=username/my-project name=exp1

详细了解 API 密钥、数据集 URI 和远程训练。

反馈与帮助#

侧边栏页脚中的 帮助 页面汇集了文档链接、视频演示和社区资源，并包含应用内反馈表单。你可以用 1 到 5 颗星评价使用体验，选择反馈类型（错误、功能或常规），还可以附加屏幕截图。

如果你需要更多帮助：

• AI 聊天：点击任意页面上的浮动聊天小组件即可获得即时帮助
• 文档：浏览这些文档，详细了解数据集、标注、训练、部署和计费
• Discord：加入我们的 Discord 社区参与讨论
• GitHub：在 GitHub 上报告问题
• REST API 和 Python SDK：查看 API 参考，安装 ultralytics-platform 客户端，或试用交互式 API 文档，以编程方式访问 Platform 的所有功能

常见问题#