隆重推出 Ultralytics AutoTrain：简化视觉 AI 模型训练

构建计算机视觉模型很少是一次就能完成的过程。高效的视觉 AI 模型训练需要团队建立基准、评估结果、调整配置、比较实验并重复这一过程，而且往往需要在分散的工具之间切换。

今天，我们推出了 Ultralytics AutoTrain，这是一种在 Ultralytics Platform 中训练、比较和改进 Ultralytics YOLO 模型的更智能的方法。

该助手可通过 Ask AI 使用，它能将自然语言请求转化为模型开发工作流程中的各种操作。你可以要求它建立基准、运行受控实验、解释结果，以及导出或部署所选模型。

什么是 Ultralytics AutoTrain？#

计算机视觉团队应该把时间花在改善现实世界的成果上，而不是重复配置运行或拼凑实验结果。

借助 AutoTrain，你可以：

• 更快地开始： 无需手动配置每个训练设置即可创建基准。
• 做出明智的决策： 使用验证指标比较模型，并了解结果不同的原因。
• 系统性地改进： 通过受控实验测试模型大小或图像分辨率等变量。
• 减少工作流程开销： 保持数据集、训练运行、指标、导出和部署之间的连接。
• 加速生产： 直接从同一工作流程中导出或部署表现最佳的模型。

团队无需再纠结“接下来应该尝试哪种配置？”，而是可以专注于更有价值的问题：“这个模型准备好解决我们的问题了吗？”

围绕你的目标构建#

AutoTrain 能够适应你的工作方式。

开发制造检测系统的团队可以要求它建立缺陷检测基准并比较图像分辨率。物流公司可以评估哪个模型能最好地识别集装箱和设备。构建零售应用程序的开发人员可以比较完成的模型、识别困难类别并规划下一个实验。

你定义目标、限制和计算预算。AutoTrain 帮助执行工作流程，并将结果转化为清晰的下一步行动。

从数据到部署的单一连接路径#

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、审查实验、导出工件和部署端点。

Ask AI 助手还可以支持相关任务，包括使用兼容模型自动标注未标注的图像、将所选模型导出为 ONNX 等格式，以及启动部署。

这意味着系统之间的交接更少，从视觉数据到可用的视觉 AI 应用程序的路径更直接。

让 AutoTrain 在你的视觉 AI 工作流程中发挥作用#

AutoTrain 帮助团队摆脱一次性训练运行，转向更快、更有条理的实验工作流程。使用它来测试配置、比较结果、了解性能差异，并将你最强大的模型推进到生产阶段——所有这些都在 Ultralytics Platform 内完成。

例如，你可能会要求 AutoTrain：

• 测试方法： “在图像大小为 640、800 和 960 的情况下训练三个模型，同时保持数据集拆分和其他设置固定。”
• 将结果转化为下一步行动： “按验证 mAP50-95 比较完成的模型，解释性能差异，并推荐下一个实验。”
• 走向生产： “部署表现最佳的完成模型并提供其端点状态。”

这些请求不仅仅是启动操作。它们帮助团队在整个模型开发过程中做出明智的决策，减少手动协调，并为从最初的基准到生产就绪的视觉 AI 模型创建更清晰的路径。

开始使用 AutoTrain 进行构建#

无论你是在训练第一个模型还是在优化生产候选模型，AutoTrain 都能帮助你以更高的速度、结构和信心进行实验。

登录 Ultralytics Platform，打开你的数据集或项目，然后选择 Ask AI 以开始使用。在 AutoTrain documentation 中探索更多提示和示例工作流程。