Ultralytics Platform 快速入门

Ultralytics Platform设计为用户友好且直观，允许用户快速上传他们的数据集并训练新的YOLO模型。它提供了一系列预训练模型供选择，方便用户快速上手。模型训练完成后，可以直接在浏览器中进行测试，并一键部署到生产环境。

journey
    title Your First Model in 5 Minutes
    section Sign Up
      Create account: 5: User
      Select region: 5: User
    section Prepare Data
      Upload dataset: 5: User
      Review images: 4: User
    section Train
      Configure training: 5: User
      Monitor progress: 3: Platform
    section Deploy
      Test model: 5: User
      Deploy endpoint: 5: User

开始使用

Ultralytics Platform 提供多种简便的注册选项。您可以使用Google或GitHub账户，或使用您的电子邮件地址进行注册和登录。

区域选择

在入职过程中，您将被要求选择您的数据区域。平台会自动测量到每个区域的延迟并推荐最近的区域。这是一个重要的选择，因为它决定了您的数据、模型和部署将存储在哪里。

免费积分

每个新账户都会获得用于云 GPU 训练的免费积分：

完成您的个人资料

在选择您的区域之前，您需要填写您的个人资料，包括显示名称、用户名、可选的公司和主要用例。入门流程分为三个步骤：个人资料、数据区域和完成。

主页仪表板

登录后，您将进入 Ultralytics Platform 的主页，该主页提供一个欢迎卡片，其中包含工作区统计信息、数据集、项目和存储的快速访问，以及最近活动动态。

侧边栏导航

侧边栏提供对所有平台部分的访问：

欢迎卡

欢迎卡片一目了然地显示您的个人资料、套餐徽章和工作区统计信息：

快速操作

在欢迎卡片下方，仪表板显示了三张卡片：

• 数据集：创建新数据集或拖放图像、视频或ZIP文件进行上传。显示您最近的数据集。
• 项目：创建新项目或拖放 .pt 要上传的模型文件。显示您最近的项目。
• 存储：您的存储使用概览（数据集、模型、导出）及计划限制。

底部有一个最近活动表，显示您最新的数据集、模型和训练运行。

上传您的第一个数据集

导航至 Annotate 在侧边栏中并点击 New Dataset 添加您的训练数据。您也可以直接将文件拖放到主仪表板上的“数据集”卡片中。

Ultralytics 平台支持多种上传格式（详细信息请参阅数据集）：

graph LR
    A[Drop Files] --> B[Auto-Package ZIP]
    B --> C[Upload to Storage]
    C --> D[Backend Worker]
    D --> E[Resize & Thumbnail]
    E --> F[Parse Labels]
    F --> G[Compute Statistics]
    G --> H[Dataset Ready]

上传后，平台会自动处理您的数据：

1. 大于4096像素的图像将被调整大小（保持宽高比）
2. 生成 256 像素缩略图以便快速浏览
3. 标签被解析和验证 (YOLO .txt 格式)
4. 计算统计数据（类别分布、热力图、维度）

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

了解更多关于数据集以及支持的detect、segment、姿势估计、旋转框检测和classify格式。

创建您的第一个项目

项目可帮助您组织相关的模型和实验。导航到“项目”并点击“创建项目”。

输入项目的名称和可选描述。项目包含：

• 模型：已训练的检查点
• 活动日志：变更历史记录

了解更多关于项目。

训练您的第一个模型

在您的项目中，点击 Train Model 开始云端训练。

训练配置

1. 选择数据集: 从您上传的数据集中选择（仅限具有 train 分割 显示)
2. 选择模型：选择一个基础模型 — 官方Ultralytics模型或您自己训练的模型
3. 设置训练轮次: 训练迭代次数（默认值：100）
4. 选择 GPU: 根据您的预算和模型大小选择计算资源

监控训练

训练开始后，您可以通过三个子选项卡实时监控进度：

指标通过 SSE（服务器发送事件）实时传输。训练完成后，会生成验证图，包括混淆矩阵、PR 曲线和 F1 曲线。

阅读更多关于云训练的信息。

测试您的模型

训练完成后，直接在浏览器中测试您的模型：

1. 导航到您的模型的 Predict 选项卡
2. 上传图片，拖放，或使用示例图片（拖放时自动推理）
3. 查看推理结果，并在画布上渲染边界框

调整推理参数：

字段 Predict 选项卡提供即用型代码示例，其中已预填您的实际 API 密钥：

import requests

url = "https://platform.ultralytics.com/api/models/{model_id}/predict"
headers = {"Authorization": "Bearer your_api_key"}

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

print(response.json())

curl -X POST "https://platform.ultralytics.com/api/models/{model_id}/predict" \
  -H "Authorization: Bearer your_api_key" \
  -F "file=@image.jpg"

阅读更多关于推理的信息。

部署到生产环境

将您的模型部署到专用端点以供生产使用：

1. 导航到您的模型的 Deploy 选项卡
2. 从交互式世界地图中选择区域（43个可用区域）
3. The map shows real-time latency measurements with traffic light colors (green < 100ms, yellow < 200ms, red > 200ms)
4. 点击 Deploy 创建您的端点

graph LR
    A[Select Region] --> B[Deploy]
    B --> C[Provisioning ~1 min]
    C --> D[Running]
    D --> E{Lifecycle}
    E --> F[Stop]
    E --> G[Delete]
    F --> H[Resume]
    H --> D

您的端点将在大约一分钟内准备就绪，并具有以下功能：

• 唯一URL：用于API调用的HTTPS端点
• 自动扩缩容：随流量自动扩缩
• 监控：请求指标和日志

部署后，您可以从...管理所有端点 Deploy 侧边栏中的部分，其中展示了包含活动部署、概览指标和所有端点列表的全球地图。

了解更多关于端点的信息。

远程训练 (可选)

如果您更喜欢在自己的硬件上训练，可以使用您的API密钥将指标流式传输到平台。这类似于 Weights & Biases — 随时随地训练，在平台上监控。

1. 在...中生成API密钥 Settings > Profile （API密钥部分）
2. 设置环境变量并使用 project/name 格式：

export ULTRALYTICS_API_KEY="ul_your_api_key_here"

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

了解更多关于API 密钥、数据集 URI和远程训练的信息。

反馈

我们重视您的反馈！请使用反馈按钮帮助我们改进平台。

需要帮助？

如果您遇到任何问题或有疑问：

• 文档：浏览这些文档以获取详细指南
• Discord：加入我们的Discord社区进行讨论
• GitHub：在GitHub上报告问题

📅 创建于 2 个月前 ✏️ 更新于 2 天前

评论