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、在浏览器中测试已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 提供了多种便捷的注册选项。你可以使用你的 Google 或 GitHub 账号，或者通过你的电子邮箱地址注册并登录。

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，你将被引导至 Ultralytics Platform 的主页，该页面提供了一张带有工作区统计信息的欢迎卡片、一个概览视频、对数据集、项目和存储的快速访问入口，以及一个近期活动流。

侧边栏导航#

侧边栏提供对所有平台部分的访问：

每个内容板块会列出你最近的五个项目以及通往其余项目的链接。悬停在某个项目上会显示删除操作，该操作将其移至 Trash；Trash 本身可以通过搜索 (Cmd+K) 或打开 platform.ultralytics.com/trash 来访问。

欢迎卡片#

欢迎卡片可以让你一目了然地查看个人资料、套餐徽章（链接至套餐比较）以及工作区统计信息。每项统计数据都链接至相应的工作区视图：

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。
• Projects：创建一个新项目或拖入 .pt 模型文件进行上传。显示你的近期项目。
• 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 Recent Activity 表格展示了你最新的数据集、项目和部署及其状态和最后更新时间。

全局搜索#

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

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：

• Redo Tour 按钮 — 点击你的个人资料头像（位于侧边栏左下角）以打开账户菜单，然后选择 Redo Tour。这会重置所有导览，以便在你下次访问各个板块时重新播放。
• URL 参数 — 在 ?tour= 后面附加导览 ID 即可直接重新开始：在主页上使用 ?tour=nav，在项目页面上使用 ?tour=project，或者在数据集页面上使用 ?tour=dataset。

上传你的第一个数据集#

在侧边栏中打开 Annotate，然后点击 + 以创建一个新数据集。你也可以将文件直接拖放到主页控制面板的 Datasets 卡片上。

New Dataset 对话框提供了四个来源。本快速入门使用 Upload；其他来源在 Datasets 和 Integrations 中介绍：

上传支持多种格式（详见 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. 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 detect、segment、pose、OBB 和 classify 的支持格式。

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。在侧边栏中打开 Train，然后点击 + 来创建一个项目。你也可以将 .pt 权重拖放到主页控制面板的 Projects 卡片上，从而一步完成项目的创建和导入。

输入名称和可选的描述。项目可组织模型运行以及导入或克隆的模型权重，并附带用于比较已完成训练结果的图表。

阅读更多关于projects。

训练你的第一个模型#

在你的项目中，点击 New Model 以打开 Train New Model 对话框。你也可以从数据集页面开始，在这种情况下，数据集已被锁定，而你需要选择目标项目。

训练配置#

1. Base Model: 选择官方的 Ultralytics 权重或你自己的某个已训练模型。如果模型任务与数据集任务不匹配，对话框将发出警告。
2. Dataset: 选择一个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已标注图像的就绪数据集
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 以在 YAML 编辑器中编辑任何其他 Ultralytics 训练参数。
4. Select GPU: 在 Cloud Training 选项卡上，根据你的预算和模型大小选择计算资源。默认值为 RTX PRO 6000（96 GB Blackwell, $2.09/hr），它能够处理每一个 YOLO26 变体。有关完整列表和层级限制，请参见完整的 GPU pricing table 或 Cloud Training GPU step。
5. Start Training: 查看你的信用余额旁边的预估成本和持续时间，然后点击 Start Training。

监控训练#

训练一旦开始，请打开模型的 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 子选项卡就会拆分为 Training 和 Validation 视图，其中混淆矩阵、PR 曲线和 F1 曲线位于 Validation 下方。

阅读更多关于cloud training。

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. 导航至你模型的 Predict 标签页
2. 上传一张图像、拖放、从网络摄像头捕获一张，或者点击示例图像（拖放时自动推理）
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 下方，Predict 选项卡展示了 Python、JavaScript 和 cURL 中的示例代码，其中预先填入了你在上面选择的参数。请先部署模型，然后将占位符 URL 和密钥替换为你端点中的值：

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())

阅读更多关于inference。

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. 导航至你模型的 Deploy 标签页
2. Platform 会测量到全部 42 个区域的延迟并在世界地图上绘制出来，按绿到红的渐变色着色（延迟越低越绿，延迟越高越红）
3. 在地图下方的 Region Latency 表格中——按你所在位置的延迟排序——找到你想要的区域。随时使用 Rescan 重新测量。
4. 点击该行上的 Deploy 以创建你的端点

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，你可以从侧边栏的 Deploy 板块管理所有端点。部署控制面板显示了一张全局地图，其中包含你的活跃部署、24 小时指标（总请求数、活跃部署、错误率和 P95 延迟）以及每个端点的列表。

阅读更多关于endpoints。

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。

最快的途径是训练对话框中的 Local Training 选项卡：它会为你所选的模型、数据集和参数构建完整的命令，并填入 API 密钥（如果你还没有密钥，会自动创建一个）。复制它并在你的终端中运行。

若要自己组装命令：

1. 在 Settings > API Keys 中生成一个 API key
2. 设置环境变量并通过带 username/project 值的 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

阅读更多关于API keys、dataset URIs和remote training。

反馈与帮助#

侧边栏页脚中的 Help 页面汇集了文档链接、视频演练和社区资源，并包含一个应用内反馈表单。你可以对你的体验进行 1 到 5 星的评分，选择反馈类型（Bug、Feature 或 General），并附上一张截图。

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
• Documentation：浏览这些文档以获取关于datasets、annotation、training、deployment和billing的详细指南
• Discord：加入我们的Discord community进行讨论
• GitHub：在GitHub上报告问题
• REST API 和 Python SDK：请查阅 API 参考，安装 ultralytics-platform 客户端，或者尝试 交互式 API 文档 以通过程序访问所有 Platform 功能