如何将 Ultralytics YOLO 模型从 W&B 迁移到 Ultralytics Platform

在计算机视觉项目中，训练模型只是工作流的一部分。随着实验数量增加，你还需要管理模型版本、跟踪训练指标、比较结果，并将训练好的模型用于实际应用。

Weights & Biases (W&B) 是机器学习领域广泛使用的实验跟踪工具。如果你使用 Ultralytics YOLO，可能已经在使用 W&B 记录训练指标，例如损失、mAP、精确率和召回率，管理模型权重，并可视化实验表现。

随着项目从实验阶段迈向部署阶段，你可能希望在一个地方管理模型、评估模型性能、导出模型并进行部署。

Ultralytics Platform 可以直接从 W&B 导入符合条件的 Ultralytics YOLO 模型检查点及其训练记录。你无需重新训练：模型导入后，即可测试推理、导出模型并进行部署。

本指南介绍如何准备模型和训练记录、通过 W&B 集成导入模型、手动上传检查点，以及在 Ultralytics Platform 中跟踪后续训练运行。

迁移前：检查现有模型和训练数据#

在 W&B 中，一次训练实验通常对应一个运行，多个运行可以归入同一个项目。模型权重和其他训练输出可以作为制品存储和版本管理。

迁移 Ultralytics YOLO 模型前，请检查以下内容：

• 模型权重：例如 best.pt 这样的文件，其中保存了训练过程中表现最佳的检查点。
• 训练配置：例如学习率、训练轮数和图像尺寸等参数。
• 训练指标：例如损失、mAP、精确率和召回率等指标。
• 训练历史：实验记录以及每个训练轮次记录的指标。

Ultralytics Platform 可以导入哪些内容？#

通过官方 W&B 集成，Ultralytics Platform 可以访问符合条件的模型制品，并读取其检查点中存储的信息。

能够迁移多少训练历史，取决于原始模型文件和 W&B 中存储的数据。如果检查点不包含逐轮训练指标，Ultralytics Platform 会尝试从 W&B 运行历史中获取训练曲线。我们建议你在开始前备份重要的模型文件和实验数据。

通过 W&B 集成导入 Ultralytics YOLO 模型#

如果你的 W&B 项目中已有 Ultralytics YOLO 模型的 best.pt 检查点，可以使用 Ultralytics Platform 内置的 W&B 集成。你可以直接在浏览器中完成导入，无需手动逐个下载并重新上传模型。

步骤 1：登录 Ultralytics Platform#

打开 Ultralytics Platform 并登录，然后切换到要导入模型的工作区。

你需要在该工作区拥有编辑者或更高角色，才能导入模型。导入的模型会计入工作区的存储空间和模型数量限制。所有套餐均支持 W&B 导入。

步骤 2：打开 W&B 集成#

在 Ultralytics Platform 中，依次前往 Settings → Integrations → Weights & Biases。你可以在此处从 W&B 导入现有的 Ultralytics YOLO 模型。

步骤 3：连接 W&B 账户#

从 W&B 授权页面获取 API 密钥。返回 Ultralytics Platform，粘贴密钥，然后点击 Connect。

连接后，Ultralytics Platform 会显示你的密钥能够访问的 W&B 项目，包括你自己的项目和团队项目，以及可供导入的模型。请确保 API 密钥具有读取要迁移项目的权限。

安全提示：API 密钥属于敏感凭据。不要将密钥提交到公开代码仓库，也不要与他人分享。

工作区所有者使用 W&B API 密钥连接后，Ultralytics Platform 会对密钥加密存储，并在该工作区后续导入时重复使用，因此你无需再次输入。只有所有者可以添加、替换或删除已保存的密钥。其他工作区成员输入的密钥仅用于该次导入。

步骤 4：选择要导入的项目#

连接后，列表会显示你的 API 密钥能够访问且包含模型制品的 W&B 项目。等待模型详情加载，然后选择要迁移的项目。

Ultralytics Platform 按项目导入：它会尝试导入你所选项目中的每个符合条件的模型。符合条件的模型需满足以下要求：

1. 其 W&B 运行中包含带有 best.pt 检查点的模型制品。
2. 其任务类型受 Ultralytics Platform 支持。
3. 其检查点未超过 1 GB 的模型上传大小限制。

不包含任何符合条件模型的项目无法选择。

步骤 5：开始导入#

选择项目后，点击 Import N，其中 N 是你选择的项目数量。Ultralytics Platform 会开始导入符合条件的模型，并在后台上传跟踪器中显示进度。

请保持浏览器标签页打开，直到上传完成。上传期间，你可以继续浏览 Ultralytics Platform 的其他页面。

步骤 6：检查导入的模型#

导入完成后，打开对应的项目并选择一个模型以查看详情。每个 W&B 项目都会导入到同名的 Ultralytics Platform 项目中；如果该项目尚不存在，系统会创建它。

对于每个导入的模型，你都可以查看可用信息，例如架构、任务类型、类别名称、训练配置和训练指标。如果原始检查点不包含逐轮训练结果，Ultralytics Platform 还会尝试从 W&B 运行历史中获取这些结果。

现有的 Ultralytics YOLO 模型现在已准备就绪，你可以在 Ultralytics Platform 中管理、测试和使用这些模型。

替代方案：手动上传现有模型权重#

如果模型保存在本地，你可以直接将模型上传到 Ultralytics Platform。

训练好 Ultralytics YOLO 目标检测模型后，输出目录通常如下所示：

runs/
└── detect/
    └── train/
        └── weights/
            ├── best.pt
            └── last.pt

best.pt 文件包含训练过程中表现最佳的检查点，通常用于推理和部署。

在 Ultralytics Platform 中打开目标项目。将 .pt 文件拖放到项目页面或模型侧边栏中，或者点击 Upload models 并选择本地文件。上传完成后，Ultralytics Platform 会自动读取受支持的模型元数据，例如任务、架构和类别名称。

要在上传前确认模型能否正确加载，你可以使用 Ultralytics Python 包快速运行一次预测：

from ultralytics import YOLO

# 加载本地模型
model = YOLO("best.pt")

# 运行推理
results = model.predict(
    source="test.jpg",
    conf=0.25,
)

print(results)

将示例路径替换为模型权重和测试图像的路径。

请注意，手动上传无法恢复原始检查点中未保存的训练历史。

现有模型准备就绪后，你也可以将后续 Ultralytics YOLO 训练运行直接发送到 Ultralytics Platform。

在 Ultralytics Platform 中跟踪新的训练运行#

以下示例使用 Ultralytics YOLO26，演示如何在自己的计算机上训练模型，同时将训练指标实时传输到 Ultralytics Platform。

步骤 1：安装或更新 Ultralytics#

pip install -U ultralytics

要将本地训练指标实时传输到 Ultralytics Platform，需要满足以下条件：

• Python 3.11 或更高版本
• ultralytics 8.4.120 或更高版本

如果你之前使用 W&B 跟踪实验，并希望后续运行只向 Ultralytics Platform 报告数据，可以关闭 W&B 日志记录：

yolo settings wandb=False

这不会删除已存储在 W&B 中的任何实验数据。

步骤 2：设置 Ultralytics Platform API 密钥#

在 Ultralytics Platform 中，依次前往 Settings → API Keys。工作区所有者可以创建用于训练的密钥：点击 Add Key，选择 Ultralytics，输入名称，然后点击 Create Key。

在 Linux 或 macOS 上，将其设置为环境变量：

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

将 YOUR_API_KEY 替换为你的密钥，并确保不要将密钥放入公开代码仓库。

步骤 3：训练 YOLO26#

此示例使用 COCO8 示例数据集训练 YOLO26n：

yolo train \
  model=yolo26n.pt \
  data=coco8.yaml \
  epochs=5 \
  project=your-username/my-project \
  name=experiment-1

以下是各参数的作用：

• model：要训练的模型。
• data：数据集配置。
• epochs：训练轮数。
• project：Ultralytics Platform 中的目标项目，格式为 username/project。
• name：本次实验的名称。

将 your-username/my-project 替换为你的工作区用户名和项目名称。

你也可以使用 Python API 完成相同操作：

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

model.train(
    data="coco8.yaml",
    epochs=5,
    project="your-username/my-project",
    name="experiment-1",
)

训练开始后，受支持的指标会实时传输到 Ultralytics Platform。

若想更轻松地完成设置，请打开 Ultralytics Platform 训练对话框中的 Local Training 选项卡，然后复制生成的命令；该命令已包含你的 API 密钥。

步骤 4：查看训练结果#

打开模型的 Train 选项卡，查看训练期间记录的内容，包括：

• 训练和验证损失
• 模型指标，例如精确率、召回率和 mAP
• 学习率随时间的变化
• 验证图表（如果可用）
• 控制台日志
• 系统资源，包括 GPU、CPU 和内存使用情况

使用这些记录分析训练情况，并比较不同配置和模型规模的性能。

迁移后可以做什么#

模型进入 Ultralytics Platform 后，你可以测试、导出、比较和部署模型。

在浏览器中测试模型#

打开模型页面上的 Predict 选项卡，上传图像，即可立即查看模型的预测结果。

将模型导出为不同格式#

Ultralytics Platform 可以将模型导出为多种部署格式，包括 ONNX、TensorRT和 CoreML。根据模型任务和部署硬件选择格式。

在项目中比较实验#

你可以直接在项目页面比较实验。下面介绍 W&B 概念与 Ultralytics Platform 的对应关系：

从同一个 W&B 项目导入的模型会进入同一个 Ultralytics Platform 项目，因此导入完成后，你可以比较这些模型已有的训练结果。

图表对比#

从左侧模型列表中选择要比较的模型。右侧面板会叠加显示这些模型的曲线，并按 Metrics、Loss 和 Learning Rate 等类别分组。根据任务和可用数据，这些曲线包括 mAP50-95、精确率、召回率，以及各项训练损失和验证损失。将鼠标悬停在曲线上可查看准确数值；使用图例显示或隐藏模型；点击并拖动可放大查看某个区域。

表格对比#

切换到 Table 视图，即可并排比较所选模型的训练参数和最终指标。启用 Diff 后，只显示模型间数值不同的列，便于找出可能影响结果的超参数。

继续构建计算机视觉项目#

Ultralytics Platform 还涵盖数据集管理、标注、云端 GPU 训练、模型管理和模型部署，因此随着项目发展，你可以将更多工作流程整合到一个平台中。

将 W&B 实验导入 Ultralytics Platform#

借助内置的 W&B 集成，你可以将符合条件的 Ultralytics YOLO 检查点及其现有训练记录导入 Ultralytics Platform，无需重新训练。本地保存的检查点也可以手动上传。

之后，你可以在同一个平台中跟踪新的训练运行、比较模型性能、运行推理、导出模型并进行部署。

试用 Ultralytics Platform

相关文档#

• Ultralytics Platform W&B 集成指南
• Ultralytics Platform 快速入门
• Ultralytics Platform 训练指南
• Ultralytics YOLO W&B 集成指南