在 Ultralytics Platform 上端到端交付一个视觉项目，并带走维护项目稳定运行所需的脚本和操作手册：上传前检查、标注阈值扫描、数据泄漏审计、模型晋级门槛、具有容错能力的端点客户端，以及定期运行的健康检查和留出集检查。
在 Platform 上规划项目，并在花费任何额度之前，先为训练、标注和端点运行时间编制预算。
导入数据，让数据集首次检查就达到 Ready 状态，其中包括有计划地抽取视频帧。
通过衡量审核工作量来选择标注模型和置信度阈值，然后通过编辑率验证 Batch Annotation 的效果。
证明某个数据集版本没有跨划分重复样本、没有摄像头数据泄漏，并且每个类别都有足够的样本。
按预算启动云端运行任务，根据曲线评估结果，并进行微调，同时确保优化器没有悄悄忽略你的学习率。
通过预先声明的门槛判断新运行是否优于基线，部署模型，并使用能应对冷启动的客户端调用它。
针对端点健康状况和留出集准确率设置告警，处理区域和个人数据，并自动化再训练和发布流程。
一份包含生命周期图和月度预算的项目计划。
一个Ready 数据集，包含经过抽样的视频、审核过的标签、审计过的数据划分，以及带编号的版本。
一个通过脚本化晋级门槛与基线比较的训练模型。
一个专用端点，配有可重试的客户端、定期健康检查，以及留出集准确率历史记录。
一份包含触发条件、步骤、负责人、回滚方案和自动化发布步骤的再训练操作手册。
一个 Ultralytics Platform 账户。Free 计划及其注册额度足以完成本课程；连接云存储则需要 Pro。
Python 3.11+，以及用于运行示例的
ultralytics>=8.4.120和ultralytics-platform；API 课程中使用的ultralytics-platformSDK 需要 Python 3.11（Ultralytics 本身可运行于 Python 3.10+）。熟悉 Ultralytics YOLO——推荐学习：计算机视觉基础、构建高性能 YOLO 数据集和训练你的第一个 YOLO 模型。
一个小型图像数据集（50–500 张图像）和一段来自你所在领域的短视频，或者示例中使用的公开数据集。
课程内容
4 个模块 · 10 节课程模块 1
模块 2
模块 3