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。你可以上传预训练模型，或直接在平台上训练新模型。

上传模型#

将现有模型权重上传到平台：

1. 进入你的项目
2. 将 .pt 文件拖放到项目页面或模型侧边栏中，或点击上传模型图标
3. 平台会自动从文件中解析模型元数据

可以同时上传多个文件（最多并发 3 个）。

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、depth、classify、pose、OBB）
• 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）

训练模型#

直接在平台上训练新模型：

1. 进入你的项目
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

详细说明请参阅云端训练。

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[20 Formats]:::out
    F --> H[Endpoint]:::out

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

模型页眉#

选项卡上方的页眉会显示模型颜色（可编辑）、名称（点击即可重命名）、任务徽章、检查点的 ultralytics 版本，以及许可证选择器。其中的操作包括克隆模型（适用于已完成且你尚未拥有其权重的模型）、下载、收藏、分享（公开模型），以及包含信息、刷新和删除模型的更多操作菜单。

紧接其下，每个任务指标对应一张卡片，显示最终值和训练进程的迷你折线图——点击任意卡片即可跳转到图表；旁边还有一张链接到模型训练所用数据集的卡片。

概览选项卡#

运行信息卡片记录运行的执行情况：状态、开始时间、运行时长、GPU 和小时费率对应的计算成本、ultralytics 版本、主机详细信息（主机名、环境、操作系统、Python、CPU、GPU）、父模型、固定的数据集版本、运行报告中的 Git 仓库、分支和提交，以及可复制的可复现 yolo train 命令。

运行处于活动状态时，卡片会显示实时进度——轮次计数器、进度条、已用时间、预计剩余时间和累计成本——以及取消按钮。如果运行失败，卡片会替换为错误横幅，显示捕获的错误以及查看完整控制台日志和重试训练操作。

其下方的训练配置列出所使用的每个超参数，性能指标列出最终评估结果。两张表都支持搜索，并提供导出数据菜单（复制 JSON、下载 CSV、下载 JSON）。

训练选项卡#

训练选项卡包含三个子选项卡：

图表子选项卡#

按轮次显示交互式指标图表；如果运行生成了验证产物，则会分为训练和验证视图。图表分组遵循运行所报告的指标：

每个分组都可以折叠，其菜单可以隐藏或显示单个图表（对于损失，还可以显示训练或验证序列），并且可以拖动和调整图表大小，布局会在不同会话间保留。

控制台子选项卡#

训练过程的实时控制台输出：

• 训练期间实时流式传输日志，保留最后 2000 行
• 轮次进度条和验证结果
• 致命错误检测，结束运行并在横幅中显示消息
• ANSI 颜色支持、可选时间戳列，以及一键复制为纯文本

系统子选项卡#

主机卡片汇总训练实例信息（主机名、CPU、GPU、RAM 和磁盘总量，以及最后一次在线时间），其后是按轮次显示的图表：

只有在运行报告了相应计数器时，才会显示 GPU、网络和磁盘图表。

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，或使用摄像头
• 结果以边界框、掩码、语义类别图或关键点的形式显示
• 提供图像后自动执行推理
• 支持所有任务类型（detect、segment、semantic、depth、classify、pose、OBB）

导出选项卡#

将模型导出为 20 种部署格式。请参阅下方的导出模型和核心导出模式指南了解完整详情。

部署选项卡#

创建和管理专用推理端点。详情请参阅部署。

验证图#

训练完成后，图表子选项卡中的验证视图会显示对最后一个轮次的详细分析。

混淆矩阵#

按类别显示预测准确率的交互式热力图：

PR/F1 曲线#

如果训练运行提供了这些数据，验证视图还会显示不同置信度阈值下的性能曲线。可用的验证图表取决于该运行生成的工件。

逐图诊断#

使用已保存的数据集版本训练的检测模型还会获得逐图验证分析，从而指向导致评分不理想的数据：

• 表现最差和最佳的图像，按逐图 F1 排名，并绘制其真实框
• 特征探索器，分析 F1 与图像宽度、高度、像素数、宽高比和实例数之间的相关性，默认选择关联性最强的指标
• 与失败相关的类别，对在表现最差图像中出现频率最高的类别进行排名
• 查找相似，适用于表现最差的图库、全屏视图中的单张图像以及类别行，它会在公共数据集中搜索类似于所捕获故障的图像，并将你选择的图像作为未标记的 train 图像添加到训练数据集中（参见 查找相似图像）；当你可以编辑项目且训练数据集是同一工作空间的非连接数据集时显示

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

将模型导出为 20 种部署格式：

1. 转到导出选项卡
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），选择 GPU 类型
5. 点击开始导出
6. 完成后下载

连接 Slack 提醒，以便在导出就绪或失败时接收消息。

支持的格式#

该平台支持导出为 20 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、DeepX、Hailo 和 Huawei Ascend。

格式选择指南#

NVIDIA Jetson TensorRT 目标#

Ultralytics Platform 为 TensorRT .engine 导出提供以下 Jetson 目标选项。下面的 2026 年 7 月验证测量使用了 JetPack 7.2 / L4T r39.2、Python 3.12.3、NVIDIA PyTorch 2.12.0a0（26.04 构建版本）、CUDA 13.2 以及 TensorRT 10.16.1.11。它们描述了所测试的环境；在复用导出的推理引擎之前，请验证当前的 worker 和部署设备运行时。

这些耗时来自 2026 年 7 月进行的单次端到端生产路由测试，并四舍五入到最接近的秒；它们是参考测量值，不是 SLA 或按 SKU 划分的性能基准。两个 Thor 选项均在 NVIDIA T4000 兼容配置下的 T5000 Developer Kit 上构建。六条 Orin 路由均在 AGX Orin 64GB 上构建，且每个生成的引擎都已加载并运行。

RKNN 芯片支持#

导出为 RKNN 格式时，选择目标 Rockchip 设备：

导出作业生命周期#

导出作业按以下状态推进：

批量导出操作#

• 全部导出：点击 Export All，使用默认设置为所有基于 CPU 的格式启动导出作业。需要选择 GPU、此模型不支持或已经完成导出的格式会被跳过，并列出供你查看。
• 删除所有导出：点击 Delete All，删除该模型的所有导出结果。

格式限制#

某些导出格式存在架构或任务限制：

在项目之间移动模型#

将你可以编辑的模型移动到同一工作空间的另一个项目中，而无需复制它们：

1. 打开源项目并在模型列表中选择一个或多个模型
2. 右键点击并选择剪切（Cmd/Ctrl+X）
3. 打开目标项目，右键点击模型列表并选择粘贴（Cmd/Ctrl+V），或者将选定的模型拖放到侧边栏的目标项目中

移动后的模型保留其权重、指标、导出和部署，并采用目标项目的 URL。目标项目中已使用其 URL 名称的模型在到达时将被重命名，仍在训练中的模型无法移动，并且 Esc 会取消挂起的剪切操作。要将你不拥有的模型复制到你的某个项目中，请使用克隆模型。

克隆模型#

将模型克隆到其他项目：

1. 打开模型页面
2. 点击 克隆模型
3. 选择目标项目，或选择 新建项目 直接创建项目
4. 你也可以为克隆模型指定其他名称
5. 点击 克隆模型

模型及其权重会复制到目标项目。对于已完成且其权重不属于你的模型，会显示 克隆模型。

下载模型#

下载模型权重：

1. 转到模型的 概览 标签页
2. 点击 下载 按钮
3. 模型的主 .pt 检查点会自动下载

导出完成后，可以从 导出 标签页下载导出格式。

数据集关联#

模型可以关联到其源数据集：

• 查看用于训练的数据集
• 点击概览标签页中的数据集卡片以导航到该数据集
• 跟踪数据血缘

使用 Platform 数据集并采用 ul:// URI 格式进行训练时，关联会自动完成。

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

自定义元数据#

打开 更多操作，选择 信息，查看以下两个部分：

• Ultralytics 元数据：只读的 Platform 详细信息，例如模型 ID、项目、源数据集、任务、状态和时间戳
• 自定义元数据：你自己的 JSON 对象，用于记录评估上下文、发布跟踪、治理或其他特定于模型的数据

自定义元数据独立于训练管理的模型信息、环境详细信息和训练参数。工作区查看者可以检查这些元数据，拥有编辑权限的成员可以替换该对象。序列化元数据对象最多包含 500,000 个字符，每个顶级键最多包含 128 个字符。保存空对象（{}）即可清除自定义元数据。

可见性设置#

控制谁可以查看你的模型：

可见性在项目级别设置，因此会控制项目中的每个模型。要更改可见性，请点击页面顶部面包屑中项目名称旁的可见性标记（private 或 public）。切换为私有会立即生效。切换为公开时，会先显示确认对话框。

删除模型#

移除不再需要的模型：

1. 打开模型标题中的 更多操作 菜单，然后选择 删除模型
2. 确认删除

另请参阅#

• 推理：使用预测标签页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
• 云端训练：在云 GPU 上配置并运行训练作业
• 导出格式：涵盖全部 20 种导出格式的完整指南

常见问题#