推出 Ultralytics AutoTrain：简化视觉 AI 模型训练

构建计算机视觉模型很少只需运行一次。有效的视觉 AI 模型训练要求团队建立基线、评估结果、调整配置、比较实验并重复这些步骤，而这些工作往往分散在互不连接的工具中。

今天，我们推出 Ultralytics AutoTrain，让你能够在 Ultralytics Platform 中以更智能的方式训练、比较和改进 Ultralytics YOLO 模型。

该助手可通过 Ask AI 使用，能将自然语言请求转化为模型开发工作流中的操作。你可以让它建立基线、运行受控实验、解读结果，以及导出或部署你选定的模型。

什么是 Ultralytics AutoTrain？#

计算机视觉团队应该把时间花在改善实际成果上，而不是反复配置运行任务或拼凑实验结果。

使用 AutoTrain，你可以：

• 更快启动：无需手动配置每一项训练设置，即可创建基线。
• 做出明智决策：使用验证指标比较模型，并了解结果差异的原因。
• 系统地改进：通过受控实验测试模型尺寸或图像分辨率等变量。
• 减少工作流开销：让数据集、训练运行、指标、导出和部署保持互联。
• 加速投入生产：直接在同一工作流中导出或部署表现最佳的模型。

团队无需再问“接下来该尝试哪种配置？”，而是可以专注于更有价值的问题：“这个模型是否已经可以解决我们的问题？”

围绕你的目标构建#

AutoTrain 会适应你的工作方式。

开发制造业检测系统的团队可以让它建立缺陷检测基线并比较图像分辨率。物流公司可以评估哪种模型最擅长识别集装箱和设备。开发零售应用的开发者可以比较已完成的模型、找出难以识别的类别，并规划下一次实验。

你来定义目标、限制条件和计算预算。AutoTrain 可帮助你执行工作流，并将结果转化为明确的后续步骤。

从数据到部署的一体化路径#

AutoTrain 是更广泛的 Ultralytics Platform 的一部分，团队可以在其中管理数据集、标注图像、训练模型、查看实验、导出模型文件并部署端点。

Ask AI 助手还可以协助完成相关任务，包括使用兼容模型自动标注未标注的图像、将选定模型导出为 ONNX 等格式，以及启动部署。

这意味着减少系统之间的交接，让视觉数据更直接地转化为可运行的视觉 AI 应用。

让 AutoTrain 贯穿你的视觉 AI 工作流#

AutoTrain 帮助团队摆脱一次性的训练运行，转而采用更快捷、更有条理的实验工作流。你可以在 Ultralytics Platform 中使用它测试配置、比较结果、了解性能差异，并推动表现最佳的模型投入生产。

例如，你可以让 AutoTrain：

• 测试一种方案：“训练三个模型，图像尺寸分别为 640、800 和 960，同时保持数据集划分和其他设置不变。”
• 将结果转化为后续步骤：“按验证 mAP50-95 比较已完成的模型，解释性能差异，并推荐下一次实验。”
• 推进生产部署：“部署表现最佳的已完成模型，并提供其端点状态。”

这些请求不只是启动操作。它们还能帮助团队在模型开发过程中做出明智决策，减少人工协调，并为视觉 AI 模型从初始基线走向可用于生产的状态铺平道路。

开始使用 AutoTrain 构建#

无论你是在训练第一个模型，还是在优化准备投入生产的候选模型，AutoTrain 都能帮助你以更快、更有条理、更有信心的方式开展实验。

登录 Ultralytics Platform，打开你的数据集或项目，然后选择 Ask AI 开始使用。在 AutoTrain 文档中探索更多提示词和工作流示例。