模型#

Ultralytics Platform 为训练、分析和部署 YOLO 模型提供全面的模型管理。直接在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到平台：

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，或者点击 Upload models 图标
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、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. 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

详细说明请参见云端训练。

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：

模型标头#

在标签页上方，标头显示模型颜色（可编辑）、名称（点击可重命名）、任务徽章、检查点的 ultralytics 版本以及一个 许可证 选择器。它的操作包括 克隆模型（适用于你尚未拥有的、带有权重且已完成的模型）、下载、标星、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。

紧随其下方，每个任务指标卡片展示了其训练进展的走势图及最终值——点击任意卡片即可跳转至图表——旁边还有一张链接到训练该模型的数据集的卡片。

概览选项卡#

运行信息卡片记录了运行的执行方式：状态、开始时间、运行时间、包含 GPU 和每小时费用的计算成本、ultralytics 版本、主机详情（主机名、环境、操作系统、Python、CPU、GPU）、父模型、锁定的数据集版本、Git 仓库、运行报告时的分支和提交，以及你可以复制的可复现 yolo train 命令。

当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 (ETA)、累积成本——以及一个 取消 按钮。如果运行失败，错误横幅会取代它，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。

在其下方，训练配置列出了使用的所有超参数，性能指标列出了最终的评估结果。这两个表格都支持搜索，并且包含一个 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#

随轮次变化的交互式指标图表，当运行产生验证构件时，会拆分为 训练 和 验证 视图。图表组遵循运行报告的指标：

每个组都可以折叠，其菜单可以隐藏或显示单个图表（对于损失，则是训练或验证序列），并且图表可以拖动并调整大小，形成在不同会话之间持久保存的布局。

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传输，保留最后 2000 行
• Epoch 进度条和验证结果
• 致命错误检测，可终止运行并在横幅中显示消息
• 支持 ANSI 颜色、可选的时间戳列，以及一键复制为纯文本

系统子选项卡#

一个总结训练实例的主机卡片（主机名、CPU、GPU、内存和磁盘总量，以及最后一次看到的时间），后跟每轮图表：

GPU、网络和磁盘图表仅在运行报告了这些计数器时才会出现。

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、depth、classify、pose、OBB）

导出选项卡#

将模型导出为 20 种部署格式。有关完整详细信息，请参阅下文的导出模型以及核心导出模式指南。

部署选项卡#

创建和管理专用的推理端点。有关详细信息，请参阅部署。

验证图表#

训练完成后，图表子标签页内的 验证 视图会显示最终轮次的详细分析。

混淆矩阵#

交互式热力图，显示各类别的预测准确率：

PR/F1 曲线#

当训练运行提供这些数据时，验证 视图还会显示不同置信度阈值下的性能曲线。可用的验证图取决于运行所产生的构件。

单张图像诊断#

使用 保存的数据集版本 训练的检测模型还可以获得单张图像验证分析，这指出了令人失望的评分背后的数据原因：

• 表现最差和最好的图像，按单张图像的 F1 值进行排名，并绘制其真实边界框
• 特征探索器，将 F1 与图像宽度、高度、像素数、长宽比和实例数进行关联，默认选择关系最强的项
• 与失败相关的类别，对在最薄弱图像中最常出现的类别进行排名

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 20 种部署格式：

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 Start Export
6. 完成后下载

连接Slack 警报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 目标选择。截至 2026 年 7 月，Jetson TensorRT 导出基于 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 构建。

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。

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#

• 全部导出：点击 Export All 即可使用默认设置启动所有基于 CPU 的格式的导出任务。需要选择 GPU、此模型不可用或已经存在导出的格式将被跳过并为你列出。
• 删除所有导出：点击 Delete All 以移除该模型的所有导出。

格式限制#

某些导出格式有架构或任务限制：

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 Model
3. 选择目标项目，或选择 新项目 直接在行内创建一个
4. （可选）为克隆的模型指定一个不同的名称
5. 点击 Clone Model

模型及其权重将被复制到目标项目。克隆模型会显示在你尚未拥有的、带有权重且已完成的模型上。

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. 该模型的主 .pt 检查点会自动下载

导出的格式可在导出完成后从 Export（导出）选项卡下载。

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

使用 ul:// URI 格式通过平台数据集进行训练时，链接是自动的。

# 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#

打开更多操作并选择信息以查看以下两个部分：

• Ultralytics 元数据：只读平台详细信息，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，用于评估上下文、发布跟踪、治理或其他模型特定数据

自定义元数据与训练拥有的模型信息、环境详情和训练参数是分开的。工作区查看者可以检查它，而具有编辑权限的成员可以替换该对象。序列化的元数据对象限制为 500,000 个字符，每个顶级键限制为 128 个字符。保存一个空对象（{}）以清除自定义元数据。

可见性设置#

控制谁可以看到你的模型：

可见性是在项目级别设置的，因此它控制着项目中的每个模型。要更改它，请点击页面顶部面包屑导航中项目名称旁边的可见性徽章（private 或 public）。切换为私有会立即生效。切换为公开会在应用之前显示确认对话框。

删除模型#

移除你不再需要的模型：

1. 打开模型标头中的 更多操作 菜单并选择 删除模型
2. 确认删除

另请参阅#

• 推理：使用 Predict 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：全部 20 种导出格式的完整指南

常见问题解答#