Ultralytics Platformで構築する
Ultralytics Platformで実際の物体検出プロジェクトを実行します。予算を設定し、データを取り込んでラベル付けし、データ分割が適切であることを確認し、学習と実行の比較を行い、専用エンドポイントにデプロイして、精度を監視し、再学習ループを自動化します。
作成者 Ultralytics Academy
Ultralytics Platformで1つのビジョンプロジェクトをエンドツーエンドでリリースし、健全な運用を維持するスクリプトと運用手順書を整えます。成果物には、アップロード前のチェック、ラベリング閾値のスイープ、データリークの監査、昇格ゲート、障害に強いエンドポイントクライアント、定期的なヘルスチェックとホールドアウトチェックが含まれます。
クレジットを使う前に、プロジェクトをPlatform上にマッピングし、学習、アノテーション、エンドポイントの稼働時間にかかる費用を見積もります。
意図的な動画サンプリングも含め、初回でデータセットがReadyになるようにデータを取り込みます。
レビュー作業を測定してラベリングモデルと信頼度の閾値を選び、編集率を使ってBatch Annotationを検証します。
データセットのバージョンに分割間の重複やカメラ由来のリークがなく、すべてのクラスに十分なサンプルがあることを確認します。
予算内でクラウド実行を開始し、学習曲線に基づいて評価します。また、オプティマイザーが学習率を黙って無視しないようにファインチューニングします。
事前に定めたゲートに基づいて新しい実行がベースラインを上回るか判断し、デプロイして、コールドスタートにも耐えるクライアントから呼び出します。
エンドポイントの健全性とホールドアウト精度に対するアラートを設定し、リージョンと個人データを適切に扱い、再学習とリリースを自動化します。
ライフサイクルマップと月次予算を含むプロジェクト計画
動画のサンプリング、ラベルのレビュー、データ分割の監査、バージョン番号の付与を済ませたReadyデータセット
ベースラインとの比較でスクリプト化された昇格ゲートに合格した学習済みモデル
再試行機能付きクライアント、定期的なヘルスチェック、ホールドアウト精度の履歴を備えた専用エンドポイント
トリガー、手順、担当者、ロールバック、自動リリース手順を含む再学習の運用手順書
Ultralytics Platformのアカウントが必要です。Freeプランと登録時のクレジットでコースを受講できます。接続されたクラウドストレージにはProが必要です。
実例を実行するには、Python 3.11以降と
ultralytics>=8.4.120、ultralytics-platformが必要です。APIのレッスンで使用するultralytics-platformSDKには3.11が必要です（Ultralytics自体は3.10以降で動作します）。Ultralytics YOLOの基礎知識が必要です。受講をおすすめするコースは、コンピュータビジョンの基礎、高性能YOLOデータセットの構築、初めてのYOLOモデルの学習です。
小規模な画像データセット（50～500枚）と、自分のドメインの短い動画1本、または実例で使用する公開データセット
コース内容
4個のモジュール · 10件のレッスンモジュール 1
モジュール 2
モジュール 3
モジュール 4
エンドポイントをデプロイして呼び出す
42か所のリージョンから専用エンドポイントを作成し、トラフィックに合わせてサイズを設定します。コールドスタート、429エラー、無効なキーに対応するクライアントから呼び出します。
ヘルスと精度を監視する
Platformのエンドポイントメトリクスと予測統計を確認し、スケジュールされたヘルスチェックでアラートを通知し、ホールドアウトジョブで精度のドリフトを検知します。
プライバシー、リージョン、コンプライアンス
契約に基づいてデータとデプロイのリージョンを選び、データを非公開に保ち、アップロード前に画像を匿名化し、ローンチ前のコンプライアンスチェックリストに回答します。
再トレーニングループを自動化する
1つのデプロイを再現可能なループに変えます。手順書、スクリプト化された昇格ゲート、ロールバック可能な自動リリース、週次レビューを用意します。