模型

Ultralytics Platform 为训练、分析和部署 YOLO 模型提供全面的模型管理功能。你可以直接在该平台上上传预训练模型或训练新模型。

上传模型

将现有模型权重上传至平台：

1. 导航到你的项目
2. 拖放 .pt 文件到项目页面或模型侧边栏
3. 模型元数据会自动从文件中解析

可以同时上传多个文件（最多 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、pose、OBB、classify）
• 架构（YOLO26n、YOLO26s 等）
• 类名和数量
• 输入尺寸和参数
• 训练结果和指标（如果检查点中存在）

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 New Model
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

请参阅云端训练获取详细说明。

模型生命周期

graph LR
    A[Upload .pt] --> B[Overview]
    C[Train] --> B
    B --> D[Predict]
    B --> E[Export]
    B --> F[Deploy]
    E --> G[17+ Formats]
    F --> H[Endpoint]

    style A fill:#4CAF50,color:#fff
    style C fill:#FF9800,color:#fff
    style E fill:#2196F3,color:#fff
    style F fill:#9C27B0,color:#fff

模型页面选项卡

每个模型页面都包含以下选项卡：

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、精确率、召回率）
• 显示训练进度的指标迷你图
• 训练参数（epoch、批次大小、图像大小等）
• 数据集链接（当使用平台数据集训练时）
• 模型权重下载按钮

训练选项卡

训练选项卡包含三个子选项卡：

图表子选项卡

显示损失曲线和各 epoch 性能指标的交互式训练指标图表：

控制台子选项卡

训练过程中的实时控制台输出：

• 训练期间的实时日志流
• Epoch 进度条和验证结果
• 带有高亮错误横幅的错误检测
• 支持 ANSI 颜色以显示格式化输出

系统子选项卡

训练期间的 GPU 和系统指标：

预测选项卡

直接在浏览器中运行交互式推理：

• 上传图像、使用示例图像或使用网络摄像头
• 显示带有边界框、掩码或关键点的结果
• 提供图像后自动进行推理
• 支持所有任务类型（detect、segment、pose、OBB、classify）

导出选项卡

将模型导出为 17 种以上的部署格式。请参阅下方的导出模型以及核心导出模式指南获取完整详细信息。

部署选项卡

创建和管理专用推理端点。详细信息请参阅部署。

验证图表

训练完成后，查看详细的验证分析：

混淆矩阵

显示每个类别的预测准确性的交互式热力图：

PR/F1 曲线

不同置信度阈值下的性能曲线：

导出模型

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

    style A fill:#2196F3,color:#fff
    style C fill:#FF9800,color:#fff
    style G fill:#4CAF50,color:#fff

将你的模型导出为 17 种以上的部署格式：

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

支持的格式

该平台支持导出为 17 种以上的部署格式：ONNX, TorchScript, OpenVINO, TensorRT, CoreML, TF SavedModel, TF GraphDef, TF Lite, TF Edge TPU, TF.js, PaddlePaddle, NCNN, MNN, RKNN, IMX500, Axelera 和 ExecuTorch。

格式选择指南

RKNN 芯片支持

导出为 RKNN 格式时，请选择你的目标 Rockchip 设备：

导出任务生命周期

导出任务会经历以下状态：

批量导出操作

• 导出全部: 点击 Export All 以使用默认设置启动所有基于 CPU 的格式的导出任务。
• 删除所有导出: 点击 Delete All 以移除该模型的所有导出结果。

格式限制

某些导出格式具有架构或任务限制：

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 按钮
3. 选择目标项目
4. 点击 Clone

模型及其权重会被复制到目标项目中。

下载模型

下载你的模型权重：

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

导出完成后，可以从 Export 选项卡下载已导出的格式。

数据集链接

模型可以链接到其源数据集：

• 查看训练使用了哪个数据集
• 点击 Overview 选项卡上的数据集卡片以跳转至该数据集
• 追踪数据血缘

当使用 ul:// URI 格式 通过 Platform 数据集进行训练时，链接是自动完成的。

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

可见性设置

控制谁可以查看你的模型：

若要更改可见性，请点击模型页面上的可见性徽章（例如 private 或 public）。切换为私有会立即生效。切换为公开在应用前会显示确认对话框。

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 Delete
3. 确认删除

另请参阅

• 推理：使用 Predict 选项卡在浏览器中测试模型
• 端点：使用专用端点将模型部署到生产环境
• 云训练：在云端 GPU 上配置并运行训练任务
• 导出格式：所有 17 种以上导出格式的完整指南

常见问题解答

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

所有架构均支持 5 种任务类型：检测、分割、姿态、OBB 以及 分类。

可以下载我训练的模型吗？

是的，可以从模型页面下载你的模型权重：

1. 点击 Overview 选项卡上的下载图标
2. 原始 .pt 文件会自动下载
3. 导出的格式可以从 Export 选项卡下载

如何跨项目比较模型？

目前，模型比较仅限于项目内部。若要跨项目比较：

1. 将模型克隆到同一个项目，或者
2. 导出指标并在外部进行比较

最大模型大小是多少？

没有严格的限制，但超大模型（>2GB）可能需要更长的上传和处理时间。

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。