Ultralytics Platform 快速入门#

Ultralytics Platform 提供了一个引导式工作流，用于上传数据集、使用预训练权重训练新的 YOLO 模型、在浏览器中测试完成的模型以及配置专用的推理端点。

下方的交互式图表概述了 Ultralytics Platform 工作流程的四个主要阶段。点击任何阶段或子步骤即可访问该部分的详细说明。

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，也可以使用电子邮件地址注册并登录。

区域选择#

在引导设置期间，系统会要求你选择数据区域。Platform 会自动测量到每个区域的延迟并推荐最近的一个。此选择决定了你的数据集、模型和托管训练数据的存储位置。部署模型时需单独选择专用端点区域。

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：

完善你的个人资料#

引导流程会引导你完成三个步骤：

1. 个人资料 - 输入你的显示名称、唯一用户名（永久，之后无法更改）、所属组织（可选）以及主要用途
2. 数据区域 - 选择 US、EU 或 AP，并参考显示延迟的全球地图
3. 完成 - 检查你的选择，可选输入促销代码，并完成注册以领取你的欢迎额度

主页仪表盘#

登录后，你将进入 Ultralytics Platform 主页，其中包含显示工作区统计数据的欢迎卡片、数据集、项目和存储的快速访问入口，以及近期活动动态。

侧边栏导航#

侧边栏提供对所有平台部分的访问：

欢迎卡片#

欢迎卡片一目了然地显示你的个人资料、计划等级和工作区统计数据：

快速操作#

欢迎卡片下方显示三张卡片：

• 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。显示你近期的数据集。
• 项目：创建新项目或拖放 .pt 模型文件进行上传。显示你近期的项目。
• 存储：显示你的存储使用情况概览（数据集、模型、导出），包含计划限制。

底部的近期活动表格显示你最新的数据集、模型和训练任务。

全局搜索#

按下 Cmd+K (Mac) 或 Ctrl+K (Windows/Linux) 打开搜索栏。即时跨页面、项目、数据集和部署进行搜索。

AI 聊天助手#

每个页面都有一个浮动聊天挂件。点击它即可提问有关 YOLO 训练、标注、部署或任何平台功能的问题。助手会根据当前页面提供上下文相关的帮助。

引导之旅#

平台包含引导教程，在你探索不同部分时介绍核心功能：

重启导览#

若要重新播放任何导览：

• 重做导览按钮 — 点击你的个人资料头像（侧边栏左下角）以打开用户菜单，然后选择 重做导览。这将重置所有导览，以便在你下次访问各板块时重新播放。
• URL 参数 — 导航至 platform.ultralytics.com/home?tour=nav 可直接重启导航导览。

上传你的第一个数据集#

在侧边栏中导航至 Annotate（标注）并点击 New Dataset（新建数据集）以添加你的训练数据。你也可以直接将文件拖放到首页仪表板的 Datasets（数据集）卡片上。

Ultralytics Platform 支持多种上传格式（详情见数据集）：

graph LR
    A[Drop Files]:::start --> B[Auto-Package ZIP]:::proc
    B --> C[Upload to Storage]:::proc
    C --> D[Backend Worker]:::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. 大于 4096px 的图像会被调整大小（保留宽高比）
2. 生成 256px 缩略图以便快速浏览
3. YOLO、COCO 和 Ultralytics NDJSON 标签会被解析和验证
4. 计算统计信息（类别分布、热图、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/

阅读更多关于 datasets 以及支持的 detect、segment、pose、OBB 和 classify 格式的信息。

创建你的第一个项目#

项目可帮助你组织相关的模型和实验。导航至“项目”并点击 New Project。

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，并带有用于比较已完成训练结果的图表。

阅读更多关于 projects 的信息。

训练你的第一个模型#

在项目中，点击 New Model（新建模型）以启动云训练。

训练配置#

1. 选择数据集：选择一个就绪的数据集，其中包含至少一张训练图像、至少一张验证或测试图像以及至少一张带标签的图像
2. 选择模型：选择一个基础模型 — 官方 Ultralytics 模型或你自己训练的模型
3. 设置 Epochs：训练迭代次数（默认值：100）
4. 选择 GPU：根据你的预算和模型大小选择计算资源。默认配置是 RTX PRO 6000（96 GB Blackwell，每小时 $2.09），它支持所有 YOLO26 变体。查看完整的 GPU 定价表 或 云端训练 GPU 步骤 以获取完整列表和层级限制信息。

监控训练#

训练开始后，你可以通过三个子标签页实时监控进度：

指标通过 SSE（Server-Sent Events）实时流式传输。训练完成后，会生成验证图表，包括混淆矩阵、PR 曲线和 F1 曲线。

阅读更多关于 cloud training 的信息。

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. 导航至模型的 Predict（预测）标签页
2. 上传图像、拖放或使用示例图像（拖放后自动推断）
3. 查看任务适用的预测叠加层和原始 JSON 响应

调整推理参数：

Predict 标签页还显示了示例部署代码。请先部署模型，然后将占位符 URL 和密钥替换为你的端点中的值：

import requests

url = "https://your-deployment-url.run.app/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())

阅读更多关于 inference 的信息。

部署到生产环境#

将你的模型部署到专用终端节点以供生产使用：

1. 导航至模型的 Deploy（部署）标签页
2. 从交互式世界地图中选择一个区域（提供 42 个可用区域）
3. 地图显示了实时延迟测量结果，颜色从绿到红渐变（绿色代表延迟更低，红色代表延迟更高）
4. 点击 Deploy（部署）以创建你的终端节点

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，你的端点将提供以下内容：

• 唯一 URL：用于 API 调用的 HTTPS 终端节点
• 缩减至零行为：空闲端点会缩减至零（部署当前运行单个活动实例）
• 监控：请求指标和日志

部署后，你可以在侧边栏的 Deploy（部署）部分管理所有终端节点，该部分显示了一张包含活动部署、概览指标和所有终端节点列表的全球地图。

阅读更多关于 endpoints 的信息。

远程训练（可选）#

如果你更喜欢在自己的硬件上进行训练，则可以使用 API 密钥在任何地方进行训练，并将指标流式传输到 Ultralytics Platform。

1. 在 Settings > API Keys 中生成 API 密钥
2. 设置环境变量并使用 project/name 格式进行训练：

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

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

了解更多关于 API 密钥、数据集 URI 和 远程训练 的信息。

反馈与帮助#

侧边栏底部的 Help 页面包含一个应用内反馈表单。你可以评价你的使用体验，选择反馈类型（错误报告、功能请求或常规反馈），并附上截图。

如果你需要更多帮助：

• AI Chat：点击任何页面上的悬浮聊天小部件以获取即时帮助
• 文档：浏览这些文档，获取关于 数据集、标注、训练、部署 和 账单 的详细指南
• Discord：加入我们的 Discord 社区 进行讨论
• GitHub：在 GitHub 上报告问题
• REST API：查看 API 参考文档 或尝试 交互式 API 文档 以通过编程方式访问所有平台功能