Link to this section模型#

Ultralytics Platform 提供全面的模型管理，用于训练、分析和部署 YOLO 模型。你可以在平台上直接上传预训练模型或训练新模型。

Link to this section上传模型#

将现有模型权重上传到平台：

1. 导航到你的项目
2. 将 .pt 文件 拖放 到项目页面或模型侧边栏
3. 模型元数据会从文件中自动解析

可同时上传多个文件（最多支持 3 个并发）。

支持的模型格式：

上传后，平台会解析模型元数据：

• 任务类型（detect, segment, semantic, pose, OBB, classify）
• 架构（YOLO26n, YOLO26s 等）
• 类别名称和数量
• 输入尺寸和参数
• 训练结果和指标（如果检查点中存在）

Link to this section训练模型#

直接在平台上训练新模型：

1. 导航到你的项目
2. 点击 新建模型
3. 选择基础模型和数据集
4. 配置训练参数
5. 选择云端或本地训练
6. 开始训练

详细说明请参阅 Cloud Training。

Link to this section模型生命周期#

graph LR
    A[Upload .pt]:::start --> B[Overview]:::proc
    C[Train]:::start --> B
    B --> D[Predict]:::proc
    B --> E[Export]:::proc
    B --> F[Deploy]:::proc
    E --> G[19+ Formats]:::out
    F --> H[Endpoint]:::out

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

Link to this section模型页面选项卡#

每个模型页面都包含以下选项卡：

Link to this section概览选项卡#

显示模型元数据和关键指标：

• 模型名称（可编辑）、状态徽章、任务类型
• 最终指标（mAP50, mAP50-95, 精度, 召回率）
• 显示训练进度的指标趋势图
• 训练参数（epoch 数、批大小、图像尺寸等）
• 数据集链接（当使用平台数据集进行训练时）
• 模型权重下载按钮

Link to this section训练选项卡#

训练选项卡包含三个子选项卡：

Link to this section图表子选项卡#

交互式训练指标图表，显示损失曲线和各 epoch 的性能指标：

Link to this section控制台子选项卡#

来自训练过程的实时控制台输出：

• 训练期间的实时日志流
• Epoch 进度条和验证结果
• 具有突出显示错误横幅的错误检测
• 支持格式化输出的 ANSI 颜色

Link to this section系统子选项卡#

训练期间的 GPU 和系统指标：

Link to this section预测选项卡#

直接在浏览器中运行交互式推理：

• 上传图像、使用示例图像或调用网络摄像头
• 结果显示包含边界框、掩码、语义类别图或关键点
• 提供图像后自动进行推理
• 支持所有任务类型（detect, segment, semantic, pose, OBB, classify）

Link to this section导出选项卡#

将模型导出为 19+ 种部署格式。详细信息请参阅下方的 Export Model 以及核心 Export mode guide。

Link to this section部署选项卡#

创建并管理专用推理端点。详细信息请参阅 Deployments。

Link to this section验证图表#

训练完成后，查看详细的验证分析：

Link to this section混淆矩阵#

交互式热力图，显示各类别的预测准确率：

Link to this sectionPR/F1 曲线#

不同置信度阈值下的性能曲线：

Link to this section导出模型#

graph LR
    A[Select Format]:::start --> B[Configure Args]:::proc
    B --> C[Export]:::proc
    C --> D{GPU Required?}:::decide
    D -->|Yes| E[Cloud GPU Export]:::proc
    D -->|No| F[CPU Export]:::proc
    E --> G[Download]:::out
    F --> G

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

将你的模型导出为 19 种以上的部署格式：

1. 导航至 Export（导出）选项卡
2. 选择目标格式
3. 配置导出参数（图像尺寸、半精度、动态等）
4. 对于需要 GPU 的格式 (TensorRT)，请选择一种 GPU 类型
5. 点击 Export（导出）
6. 完成后下载

Link to this section支持的格式#

该平台支持导出为 19+ 种部署格式：ONNX、TorchScript、OpenVINO、TensorRT、CoreML、TF SavedModel、TF GraphDef、LiteRT、TF Edge TPU、PaddlePaddle、NCNN、MNN、RKNN、Qualcomm (QNN)、IMX500、Axelera、ExecuTorch 以及 DeepX。

Link to this section格式选择指南#

Link to this sectionNVIDIA Jetson TensorRT 目标#

Ultralytics Platform 为 TensorRT .engine 导出提供了以下 Jetson 目标选项。截至 2026 年 7 月，Jetson 导出工作进程在导出容器内使用 JetPack 7.2 / L4T r39.2、Python 3.12.3、NVIDIA PyTorch 2.12.0a0 (26.04 构建版本)、CUDA 13.2 和 TensorRT 10.16.1.11。

这些时间是2026年7月进行的单次观测端到端生产路由测试结果，已四舍五入至最接近的秒数；它们仅供参考，不作为 SLA 或各 SKU 的性能基准。两个 Thor 选项均基于 NVIDIA T4000 兼容性配置文件的 T5000 Developer Kit 构建。六个 Orin 路由基于 AGX Orin 64GB 构建，其中每个生成的引擎都经过了加载和运行测试。

Link to this sectionRKNN 芯片支持#

导出为 RKNN 格式时，请选择你的目标 Rockchip 设备：

Link to this section导出任务生命周期#

导出任务会经历以下状态：

Link to this section批量导出操作#

• Export All（全部导出）：点击 Export All 以使用默认设置启动所有基于 CPU 格式的导出任务。
• Delete All Exports（删除所有导出）：点击 Delete All 以删除该模型的所有导出项。

Link to this section格式限制#

某些导出格式有架构或任务限制：

Link to this section克隆模型#

将模型克隆到其他项目：

1. 打开模型页面
2. 点击 Clone（克隆）按钮
3. 选择目标项目
4. 点击 Clone（克隆）

模型及其权重将被复制到目标项目。

Link to this section下载模型#

下载你的模型权重：

1. 导航至模型的 Overview（概览）选项卡
2. 点击 Download（下载）按钮
3. 原始 .pt 文件会自动下载

导出的格式可在导出完成后从 Export（导出）选项卡下载。

Link to this section数据集链接#

模型可以链接到其源数据集：

• 查看训练所使用的数据集
• 在 Overview 选项卡上点击数据集卡片以导航至该数据集
• 追踪数据血缘

当使用 ul:// URI 格式 训练 Platform 数据集时，链接会自动建立。

# Train with a Platform dataset — linking is automatic
yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100

Link to this section可见性设置#

控制谁可以看到你的模型：

要更改可见性，请点击页面标题中的可见性徽章（例如 private 或 public）。可见性是在项目级别设置的，因此这会控制项目中的所有模型。切换到私有模式会立即生效。切换到公共模式会在应用前显示一个确认对话框。

Link to this section删除模型#

移除你不再需要的模型：

1. 打开模型操作菜单
2. 点击 删除 (Delete)
3. 确认删除

Link to this section另请参阅#

• 推理 (Inference)：使用“预测 (Predict)”标签页在浏览器中测试模型
• 端点 (Endpoints)：使用专用端点将模型部署到生产环境
• 云端训练 (Cloud Training)：在云端 GPU 上配置并运行训练作业
• 导出格式 (Export Formats)：所有 19 种以上导出格式的完整指南

Link to this section常见问题解答#

Link to this section支持哪些模型架构？#

Ultralytics Platform 全面支持所有带有专用项目的 YOLO 架构：

• YOLO26：n, s, m, l, x 版本（最新，推荐） — platform.ultralytics.com/ultralytics/yolo26
• YOLO11：n, s, m, l, x 版本 — platform.ultralytics.com/ultralytics/yolo11
• YOLOv8：n, s, m, l, x 版本 — platform.ultralytics.com/ultralytics/yolov8
• YOLOv5：n, s, m, l, x 版本 — platform.ultralytics.com/ultralytics/yolov5

YOLO26 支持 6 种任务类型：detect、segment、semantic、pose、OBB 和 classify。YOLO11 和 YOLOv8 支持除语义分割外的相同集合，而 YOLOv5 支持检测、分割和分类。

Link to this section我可以下载我训练好的模型吗？#

可以，你可以从模型页面下载你的模型权重：

1. 点击“概览 (Overview)”标签页上的下载图标
2. 原始 .pt 文件会自动下载
3. 导出的格式可以从“导出 (Export)”标签页下载

Link to this section我该如何比较不同项目之间的模型？#

目前，模型比较仅限于项目内部。若要在项目之间进行比较：

1. 将模型克隆到同一个项目中，或者
2. 导出指标并在外部进行比较

Link to this section模型大小限制是多少？#

上传的 .pt 模型文件限制为 1 GB，接近该限制的模型可能需要更长时间来上传和处理。

Link to this section我可以微调预训练模型吗？#

可以！你可以使用任何官方 YOLO26 模型作为基础，或者在训练对话框的模型选择器中选择你自己已完成的模型之一。Platform 支持从任何已上传的检查点进行微调。