模型#

Ultralytics Platform 提供全面的模型管理功能，用于训练、分析和部署 YOLO 模型。你可以上传预训练模型，也可以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. 前往你的项目
2. 将 .pt 文件拖放到项目页面或模型侧边栏，或者点击 Upload models 图标
3. 系统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 3 个并行上传）。

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（如果检查点中包含）

训练模型#

直接在平台上训练新模型：

1. 前往你的项目
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

详细说明请参阅 Cloud Training。

模型生命周期#

模型页面标签页#

每个模型页面都包含以下标签页：

模型标题栏#

标签页上方的标题栏显示模型颜色（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。标题栏中的操作包括 Clone Model（适用于已完成且包含权重、但你尚未拥有的模型）、Download、Star、Share（公开模型），以及包含 Information、Refresh 和 Delete Model 的 More actions 菜单。

正下方会为每项任务指标显示一张卡片，其中包含最终值及训练进度折线图——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。

概览标签页#

Run Information 卡片会记录运行的执行情况：状态、开始时间、运行时长、计算成本及 GPU 和每小时费率、ultralytics 版本、主机详情（主机名、环境、操作系统、Python、CPU、GPU）、父模型、固定的数据集版本、Git 仓库、分支和运行报告的提交，以及可复制的可复现 yolo train 命令。

运行进行期间，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 Cancel 按钮。如果运行失败，卡片会显示错误横幅，替代原有内容，并提供捕获的错误信息以及 View full console logs 和 Retry Training 操作。

下方的 Training Configuration 列出使用的所有超参数，Performance Metrics 列出最终评估结果。两张表都支持搜索，并提供 Export data 菜单（Copy JSON、Download CSV、Download JSON）。

训练标签页#

训练标签页包含三个子标签页：

图表子标签页#

按训练轮次展示交互式指标图表；如果运行生成了验证产物，则分为训练和验证视图。图表分组根据运行报告的指标确定：

每个分组都可以折叠；通过分组菜单可以隐藏或显示单个图表（对于损失，还可以隐藏或显示训练或验证序列）；你可以拖动和调整图表大小来设置布局，该布局会在不同会话间保留。

控制台子标签页#

训练进程的实时控制台输出：

• 训练期间实时流式传输日志，并保留最近 2000 行
• 训练轮次进度条和验证结果
• 检测到致命错误时结束运行，并在横幅中显示错误消息
• 支持 ANSI 颜色、可选的时间戳列，以及一键复制为纯文本

系统子标签页#

主机卡片概述训练实例（主机名、CPU、GPU、RAM 和磁盘总量，以及最后一次在线时间），下方显示每轮训练的图表：

只有当运行报告了 GPU、网络和磁盘计数器时，才会显示相应图表。

预测标签页#

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
• 结果会以边界框、掩码、语义类别图或关键点的形式显示
• 提供图像后自动进行推理
• 支持所有任务类型（检测、分割、语义、深度、分类、姿态、OBB）

导出标签页#

将模型导出为 22 种部署格式。完整详情请参阅下文的导出模型和核心导出模式指南。

部署标签页#

创建和管理专用推理端点。详情请参阅部署。

验证图表#

训练完成后，图表子标签页中的验证视图会显示最后一轮训练的详细分析。

混淆矩阵#

交互式热力图，展示每个类别的预测准确率：

PR/F1 曲线#

如果训练运行提供了性能曲线，验证视图也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运行生成的产物。

逐图诊断#

使用已保存的数据集版本训练的检测模型还会提供逐图验证分析，帮助你定位导致分数不理想的数据：

• 表现最差和最好的图像，按每张图像的 F1 排名，并显示其真实标注框
• 特征探索器，分析 F1 与图像宽度、高度、像素数、宽高比和实例数量之间的相关性，并默认选择相关性最强的特征
• 与失败相关的类别，按类别在表现最差的图像中出现的频率排序
• 查找相似图像功能可用于表现最差图像的图库、全屏视图中的单张图像以及类别行；该功能会在公开数据集以及你自己的数据集和团队数据集中搜索与已捕获失败案例相似的图像，并将你选中的图像作为未标注的 train 图像添加到训练数据集中（参见查找相似图像）；只有在你可以编辑项目，且训练数据集是同一工作区中未连接的数据集时，才会显示此功能

导出模型#

将模型导出为 22 种部署格式：

1. 前往导出标签页
2. 选择目标格式
3. 配置导出参数（图像尺寸、精度、动态等）
4. 对于需要 GPU 的格式（TensorRT），请选择 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#

Platform 支持导出为22 种部署格式：TorchScript、ONNX、OpenVINO、TensorRT、CoreML、Apple Core AI、TF SavedModel、TF GraphDef、TF Edge TPU、LiteRT、PaddlePaddle、MNN、NCNN、IMX500、RKNN、ExecuTorch、Axelera、DeepX、Qualcomm (QNN)、Hailo、Huawei Ascend 和 AMD Xilinx。

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。以下 2026 年 7 月的验证测量使用了 JetPack 7.2 / L4T r39.2、Python 3.12.3、NVIDIA PyTorch 2.12.0a0（26.04 版本）、CUDA 13.2 和 TensorRT 10.16.1.11。这些数据描述的是经过测试的环境；再次使用导出的引擎之前，请确认当前工作器和部署设备上的运行时版本。

这些耗时是 2026 年 7 月进行的端到端生产路由测试中单次观测的结果，四舍五入到最接近的秒；它们仅供参考，并非 SLA 或针对各 SKU 的性能基准。两种 Thor 配置都在 T5000 Developer Kit 上构建，使用 NVIDIA 的 T4000 兼容配置文件。六种 Orin 路由均在 AGX Orin 64GB 上构建，且生成的每个引擎都已加载并运行。

RKNN 芯片支持#

导出为 RKNN 格式时，请选择目标 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#

• 全部导出：点击 Export All，使用默认设置为所有基于 CPU 的格式启动导出任务。需要选择 GPU、此模型不支持或已有导出结果的格式会被跳过并列出。
• 删除所有导出：点击 Delete All，删除此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#

无需复制即可将你有权编辑的模型移动到同一工作区中的其他项目：

1. 打开源项目，并在模型列表中选择一个或多个模型
2. 右键单击并选择 剪切 (Cmd/Ctrl+X)
3. 打开目标项目，右键单击模型列表并选择 粘贴 (Cmd/Ctrl+V)，或将所选模型拖到侧边栏中的目标项目上

移动后的模型会保留其权重、指标、导出结果和部署，并使用目标项目的 URL。如果目标项目中已有同名 URL，模型到达后会重命名；仍在训练的模型无法移动；Esc 会取消待处理的剪切操作。若要将你不拥有的模型复制到自己的项目中，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 以直接创建项目
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，页面上会显示 克隆模型。

下载模型#

下载模型权重：

1. 打开模型页面
2. 点击模型标题栏中的 下载图标（任意选项卡中均可使用）
3. 模型的主要检查点 .pt 会自动下载

导出完成后，可在 Export 选项卡中下载导出的格式。

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 Overview 选项卡中的数据集卡片即可前往该数据集
• 追踪数据血缘

使用 Platform 数据集训练时，如果采用 ul:// URI 格式，系统会自动关联。

# 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，然后选择 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，可用于记录评估上下文、版本跟踪、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元数据，具有编辑权限的成员则可以替换该对象。序列化后的元数据对象最多可包含 500,000 个字符，每个顶层键最多可包含 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，因此会应用于项目中的每个模型。要更改可见性，请点击页面顶部面包屑导航中项目名称旁的可见性徽章（private 或 public）。切换为私有后会立即生效。切换为公开时，系统会先显示确认对话框。

删除模型#

移除不再需要的模型：

1. 打开模型标题栏中的 More actions 菜单，然后选择 Delete Model
2. 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：通过专用端点将模型部署到生产环境
• 云端训练：配置并在云端 GPU 上运行训练任务
• 导出格式：涵盖全部 22 种导出格式的完整指南

常见问题#