模型

Ultralytics YOLO 训练、分析和部署提供全面的模型管理功能。用户可上传预训练模型，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至平台：

1. 导航到您的项目
2. 拖放 .pt 文件到项目页面或模型侧边栏
3. 模型元数据将从文件中自动解析

可同时上传多个文件（最多3个并发）。

支持的模型格式：

上传后，平台解析模型元数据：

• 任务类型（detect, segment, 姿势估计, 旋转框检测, 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（若检查点中存在）

训练模型

直接在平台上训练新模型：

1. 导航到您的项目
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. 选择云端或本地培训
6. 开始训练

有关详细说明，请参阅云端训练。

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

模型页面标签页

每个模型页面包含以下选项卡：

概述选项卡

显示模型元数据和关键指标：

• 模型名称（可编辑）、状态标识、任务类型
• 最终指标（mAP50、mAP50、精确率、召回率）
• 显示训练进度的计量型微型图表
• 训练参数（训练周期、批量大小、图像尺寸等）
• 数据集链接（当使用平台数据集训练时）
• 模型权重下载按钮

列车标签

火车选项卡包含三个子选项卡：

图表子标签页

交互式训练指标图表，展示损失曲线及各 epoch 的性能指标：

控制台子标签页

训练过程中的实时控制台输出：

• 训练期间的实时日志流传输
• Epoch进度条与验证结果
• 带高亮错误横幅的错误检测
• ANSI颜色支持用于格式化输出

系统子标签页

训练期间的GPU 系统指标：

预测标签

直接在浏览器中运行交互式推理：

• 上传图片、粘贴网址或使用网络摄像头
• 结果以边界框、遮罩或关键点形式显示
• 当提供图像时自动推断
• 支持所有任务类型（detect, segment, 姿势估计, 旋转框检测, classify)

导出选项卡

将模型导出为17种以上的部署格式。完整详情请参阅下文的"导出模型"部分及核心导出模式指南。

部署选项卡

创建和管理专用推理端点。详情请参阅部署部分。

验证图

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度的交互式热图：

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

将模型导出为17种以上的部署格式：

1. 导航到导出选项卡
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GPU格式（TensorRT），请GPU
5. 点击导出
6. 完成后下载

支持的格式

该平台支持导出17种以上的部署格式：ONNX、TorchScript、OpenVINO、TensorRT、CoreML、TF SavedModel、TF GraphDef、TF 、TF 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，请选择目标Rockchip设备：

导出作业生命周期

导出任务将依次经过以下状态：

批量导出操作

• 导出全部: 点击 Export All 为所有CPU格式启动导出任务，使用默认设置。
• 删除所有导出项: 点击 Delete All 删除该模型的所有导出项。

格式限制

某些导出格式存在架构或任务限制：

克隆模型

将模型克隆到另一个项目：

1. 打开模型页面
2. 点击克隆按钮
3. 选择目标项目
4. 点击 克隆

模型及其权重被复制到目标项目中。

下载模型

下载您的模型权重：

1. 导航至模型的“概述”选项卡
2. 点击下载按钮
3. 原版 .pt 文件自动下载

导出完成后，可从"导出"选项卡下载导出格式。

数据集链接

模型可以链接到其源数据集：

• 查看用于训练的数据集
• 点击“概述”选项卡中的数据集卡片即可跳转至该数据集
• 追踪数据血缘

使用平台数据集进行训练时， ul:// URI格式链接是自动生成的。

# 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

控制谁可以查看您的模型：

要更改可见性，请点击可见性标记（例如： private 或 public在模型页面上。切换为私有状态将立即生效。切换为公有状态时，系统会在应用前显示确认对话框。

删除模型

移除不再需要的模型：

1. 打开模型操作菜单
2. 点击删除
3. 确认删除

常见问题

支持哪些模型架构？

Ultralytics 通过专用项目全面支持所有YOLO ：

• YOLO26: 支持n、s、m、l、x版本（最新，推荐）——platform.ultralytics.ultralytics
• YOLO11: n, s, m, l, x 版本 —platform.ultralytics.yolo11
• YOLOv8: 提供n、s、m、l、x等多种变体 —platform.ultralytics.yolov8
• YOLOv5: n, s, m, l, x 变体 —platform.ultralytics.yolov5

所有架构均支持5种任务类型： detect, segment, 姿势估计, 旋转框检测, classify.

我可以下载我训练好的模型吗？

是的，您可以从模型页面下载您的模型权重：

1. 点击“概述”选项卡上的下载图标
2. 原版 .pt 文件自动下载
3. 导出格式可从“导出”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。要跨项目进行比较：

1. 将模型克隆到单个项目中，或
2. 导出指标并进行外部比较

最大模型大小是多少？

没有严格限制，但非常大的模型（>2GB）可能会有更长的上传和处理时间。

我可以微调预训练模型吗？

是的！您可以使用任何官方的YOLO26模型作为基础模型，或在训练对话框的模型选择器中选择您自己已完成的模型。该平台支持从任何上传的检查点进行微调。

📅 创建于 1 个月前 ✏️ 更新于 4 天前

评论