Crea con Ultralytics Platform
Esegui un vero progetto di rilevamento su Ultralytics Platform: definisci il budget, importa e annota i dati, verifica che le suddivisioni siano prive di contaminazioni, addestra e confronta le esecuzioni, distribuisci un endpoint dedicato, monitora l'accuratezza e automatizza il ciclo di riaddestramento.
Di Ultralytics Academy
Porta a termine un progetto di visione artificiale su Ultralytics Platform e ottieni gli script e il runbook necessari per mantenerlo in buone condizioni: un controllo prima del caricamento, un'analisi delle soglie di annotazione, un audit delle contaminazioni, un criterio per la promozione, un client resiliente per l'endpoint e controlli programmati di stato e holdout.
Adatta il tuo progetto a Platform e definiscine il budget prima di spendere crediti: addestramento, annotazione e disponibilità dell'endpoint.
Importa i dati in modo che il dataset raggiunga lo stato Ready al primo tentativo, includendo un campionamento video mirato.
Scegli un modello di annotazione e una soglia di confidenza misurando il lavoro di revisione, poi verifica Batch Annotation usando il tasso di modifica.
Dimostra che una versione del dataset non contiene duplicati tra le suddivisioni né contaminazioni tra videocamere e include esempi sufficienti per ogni classe.
Avvia esecuzioni cloud entro il budget, valutale in base alle curve e perfeziona il modello senza che l'ottimizzatore ignori silenziosamente il tasso di apprendimento.
Decidi se una nuova esecuzione supera la baseline usando criteri prestabiliti, distribuiscila e chiamala con un client che gestisce le partenze a freddo.
Genera avvisi sullo stato dell'endpoint e sull'accuratezza dell'holdout, gestisci le regioni e i dati personali e automatizza il riaddestramento e il rilascio.
Un piano di progetto con una mappa del ciclo di vita e un budget mensile.
Un dataset Ready con video campionato, etichette revisionate, suddivisioni verificate e una versione numerata.
Un modello addestrato che ha superato un criterio di promozione automatizzato rispetto alla baseline.
Un endpoint dedicato con un client che riprova le richieste, un controllo programmato dello stato e una cronologia dell'accuratezza dell'holdout.
Un runbook di riaddestramento con trigger, passaggi, responsabile, procedura di rollback e una fase automatizzata di rilascio.
Un account Ultralytics Platform. Il piano Free e il credito di registrazione coprono il corso; per collegare lo spazio di archiviazione cloud serve Pro.
Python 3.11+ con
ultralytics>=8.4.120eultralytics-platformper eseguire gli esempi pratici; l'SDKultralytics-platformusato nelle lezioni sull'API richiede Python 3.11 (Ultralytics funziona già con Python 3.10+).Familiarità con Ultralytics YOLO — consigliati: Fondamenti di visione artificiale, Creare dataset YOLO ad alte prestazioni e Addestra il tuo primo modello YOLO.
Un piccolo dataset di immagini (50–500 immagini) e un breve video del tuo ambito applicativo, oppure i dataset pubblici usati negli esempi.
Contenuti del corso
4 moduli · 10 lezioniModulo 1
Modulo 2
Aggiungi e prepara i dati
Controlla un dataset in locale prima di caricarlo, campiona i video in modo mirato e porta un dataset Platform allo stato Ready al primo tentativo.
Annotazione intelligente ed etichettatura in batch
Scegli un modello di etichettatura e una soglia di confidenza misurando il lavoro di revisione, poi avvia l'annotazione in batch e verificala calcolando il tasso di modifiche.
Selezione, deduplicazione e suddivisione
Individua i duplicati tra split e le lacune nelle classi con due brevi script, suddividi i dati in base all'unità rilevante e blocca una versione del dataset verificata.
Modulo 3
Addestrare, leggere e perfezionare le esecuzioni
Avvia un'esecuzione cloud con un budget definito, valutala tramite le curve per epoca e fai fine-tuning senza che l'ottimizzatore predefinito ignori il tuo learning rate.
Confrontare le esecuzioni e scegliere la migliore
Confronta le esecuzioni in un progetto Platform, annota il motivo di ciascuna e decidi con uno script di approvazione se distribuire un modello candidato.
Modulo 4
Distribuire e chiamare un endpoint
Crea un endpoint dedicato in una delle 42 regioni, dimensionane le risorse in base al traffico e chiamalo con un client che gestisce avvii a freddo, errori 429 e chiavi non valide.
Monitora lo stato e la precisione
Consulta le metriche degli endpoint e le statistiche delle previsioni della piattaforma, configura avvisi tramite un controllo programmato dello stato e rileva il calo di precisione con un processo sul set di controllo.
Privacy, regioni e conformità
Scegli le regioni dei dati e della distribuzione in base ai tuoi contratti, mantieni privati i dati, anonimizza le immagini prima del caricamento e rispondi a una checklist di conformità prima del lancio.
Automatizzare il ciclo di riaddestramento
Trasforma una distribuzione in un ciclo ripetibile: un runbook, un controllo di promozione con script, un rilascio automatizzato con rollback e una revisione settimanale.