Ultralytics Platform 快速入门#

Ultralytics Platform 提供引导式工作流程，让你上传数据集、使用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，并配置专用推理端点。

以下交互式图表概述了 Ultralytics Platform 工作流的四个主要阶段。点击任意阶段即可跳转到相应说明。

开始使用#

Ultralytics Platform 提供多种便捷的注册方式。你可以使用 Google 或 GitHub 账号，也可以使用电子邮件地址注册并登录。

区域选择#

在引导设置过程中，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。此选择决定数据集、模型和托管训练数据的存储位置。部署模型时，需要单独选择专用端点所在的区域。

免费额度#

每个新账户都会获得用于云端 GPU 训练的免费额度：

完善个人资料#

引导流程会带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（用户名为永久设置，之后无法更改）、组织（可选）和主要使用场景
2. 数据区域 - 选择美国、欧盟或亚太地区，并通过显示延迟情况的世界地图查看各区域
3. 完成 - 检查你的选择，可选填促销码，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。主页提供欢迎卡片，其中包含工作区统计数据、概览视频、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#

侧边栏可用于访问 Platform 的所有版块：

每个内容版块都会列出你最近的五个项目，并提供查看其余项目的链接。将鼠标悬停在项目上会显示删除操作，删除后项目会移至回收站，但部署除外；部署经确认后会被永久删除。你可以通过搜索（Cmd+K）进入回收站，也可以打开 platform.ultralytics.com/trash。

欢迎卡片#

欢迎卡片会显示你的个人资料、套餐徽章（链接至套餐对比页面）以及工作区统计数据概览。每项统计数据都会链接到对应的工作区视图：

快捷操作#

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、视频或数据集文件进行上传。显示你最近的数据集。
• 项目：创建新项目，或拖放 .pt 模型文件进行上传。显示你最近的项目。
• 存储：概览存储用量（数据集、模型、导出）和套餐限额。

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 Cmd+K（Mac）或 Ctrl+K（Windows/Linux）打开搜索栏。即时搜索页面、项目、数据集和部署。

AI 聊天助手#

点击询问 AI，即可使用 AI 智能体自动处理 Ultralytics Platform 上的任务。它可以直接操作你的数据集和模型，标注图像、运行训练实验、比较结果，以及导出或部署模型。请参阅使用 Ask AI 自动训练，了解示例提示词，以及如何为你自己的编程智能体进行设置。

入门导览#

Platform 提供引导式导览，帮助你在探索不同版块时了解关键功能：

重新开始导览#

如需重播任一导览：

• 重新开始导览按钮 — 点击侧边栏左下角的个人资料头像以打开账户菜单，然后选择重新开始导览。此操作会重置所有导览，让它们在你下次访问各版块时重新播放。
• URL 参数 — 在 ?tour= 后附加导览 ID，即可直接重新开始某个导览：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。你也可以直接将文件拖放到主页仪表板上的数据集卡片中。

新建数据集对话框提供四种来源。本快速入门使用上传；其他来源请参阅 数据集和集成：

上传支持多种格式（详情请参阅数据集：

上传后，平台会自动处理你的数据：

1. 大于 4096px 的图像会调整大小（保持宽高比；TIFF 原图按上传时的状态存储）
2. 生成 256px 缩略图，以便快速浏览
3. 解析并验证 YOLO、COCO、LabelMe 以及 Ultralytics 或 Labelbox 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/

详细了解数据集，以及检测、分割、姿态、OBB和分类支持的格式。

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 权重拖到主页仪表板上的“项目”卡片中，一步创建项目并导入权重。

输入名称和可选描述。项目可以整理模型运行以及导入或克隆的模型权重，并通过图表比较已完成的训练结果。

详细了解项目。

训练你的第一个模型#

在项目中，点击 New Model 打开训练新模型对话框。你也可以从数据集页面开始操作；此时数据集已固定，你只需选择目标项目。

训练配置#

1. 基础模型：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. 数据集：选择一个已就绪的数据集，其中至少包含一张训练图像、一张验证或测试图像，以及一张带标签的图像
3. 参数：设置轮数（默认值为 100）、批次大小（留空表示自动）、图像尺寸（默认值为 640）和可选的运行名称。展开高级设置，即可在 YAML 编辑器中编辑其他任何 Ultralytics 训练参数。
4. 选择 GPU：在云端训练选项卡中，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），可运行所有 YOLO26 变体。查看完整的 GPU 定价表或云端训练 GPU 步骤，了解完整列表和套餐限制。
5. 开始训练：查看信用余额旁显示的预估费用和时长，然后点击 Start Training。

监控训练#

训练开始后，打开模型的 Train 选项卡，通过以下三个子选项卡实时监控进度：

指标通过 SSE（服务器发送事件）实时流式传输。验证产物生成后，“图表”子选项卡会拆分为训练和验证视图；验证视图中还会显示混淆矩阵、PR 曲线和 F1 曲线。

详细了解云端训练。

测试你的模型#

训练完成后，你可以直接在浏览器中测试模型：

1. 前往模型的 Predict 选项卡
2. 上传图像、拖放图像、用网络摄像头拍摄图像，或点击示例图像（拖放后会自动推理）
3. 查看适合相应任务的预测叠加图、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 文档下，Predict 选项卡会显示 Python、JavaScript 和 cURL 示例代码，并预先填入你在上方选择的参数。先部署模型，然后将占位 URL 和密钥替换为端点提供的值：

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. 前往模型的 Deploy 选项卡
2. Platform 会测量全部 42 个区域的延迟，并将结果绘制在世界地图上，以绿到红的渐变着色（延迟越低越偏绿，越高越偏红）
3. 在地图下方的区域延迟表格中，按与你所在位置的延迟排序，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

配置完成后，你的端点将提供：

• 唯一 URL：用于 API 调用的 HTTPS 端点
• 缩容至零行为：空闲的默认规格端点会缩容至零；自定义规格端点则保持预热状态，并按运行时长按小时计费（部署目前运行一个活动实例）
• 监控：请求指标和日志

部署后，你可以通过个人资料中的部署选项卡管理所有端点；该选项卡可从侧边栏的 Deployments 部分进入。选项卡会显示包含活动部署的全球地图、24 小时指标（活动部署数、总请求数、错误率和 P95 延迟），以及所有端点的列表。

详细了解端点。

远程训练（可选）#

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

最快的方法是在训练对话框中使用本地训练选项卡：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，则会创建一个）。复制命令并在终端中运行。

要自行组装命令：

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 Help 页面汇总了文档链接、视频操作指南和社区资源，还包含应用内反馈表单。你可以为使用体验打 1 到 5 星评分，选择反馈类型（Bug、Feature 或 General），并附上屏幕截图。

如果你需要更多帮助：

• AI Chat：点击任意页面上的悬浮聊天组件，即可即时获取帮助
• 文档：浏览这些文档，查看关于数据集、标注、训练、部署和计费的详细指南
• 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，或尝试交互式 API 文档，以编程方式使用 Platform 的所有功能

常见问题#