如何使用 Ultralytics Platform 在 Amazon S3 数据上训练 YOLO 并部署托管 API

如果你的图像已经存放在 Amazon S3 存储桶中，你可以直接在这些图像上训练 Ultralytics YOLO 模型，并将其部署为托管 API，无需再上传一份数据集副本。Ultralytics Platform 会就地索引存储桶，让你在云 GPU 上标注并训练 YOLO26，还能将训练好的模型部署到专用端点，通过 HTTPS 调用。本指南将带你逐步完成整个流程，从 IAM 策略到首次预测，并将这一工作流程与 Amazon SageMaker、Google Vertex AI 和 Azure Machine Learning 进行比较。

同样的流程也适用于 Google Cloud Storage 和 Azure Blob Storage，只需用服务账户 JSON 密钥或账户访问密钥连接字符串替代 AWS 访问密钥。

工作流程如何衔接#

整个流程分为五个阶段。原始图像保留在你的存储桶中，云端训练期间会使用临时副本：

1. 连接一个使用只读 IAM 用户的 S3 存储桶。
2. 索引一个文件夹作为 Platform 数据集。Platform 会读取图像尺寸和找到的 YOLO 标签，不会另存一份图像副本。
3. 标注浏览器中的图像，或保留存储桶中已有的 YOLO 标签。
4. 训练在云 GPU 上训练 YOLO26 模型。训练期间会使用图像的临时副本。
5. 部署将模型部署到 42 个区域之一的专用端点，并使用 API 密钥向其发送图像。

系统会根据标签的形式识别检测、分割、姿态和有向边界框（OBB）数据集，因此同样的步骤适用于每种计算机视觉任务。

开始之前：套餐、权限和数据边界#

你需要准备三项内容：

• Pro 或 Enterprise 工作区。 Amazon S3、Google Cloud Storage 和 Azure Blob Storage 数据集需要Pro 或 Enterprise 套餐。Pro 每个席位每月收费 $29，并每月为每个席位提供 $30 的额度，用于云端训练等按量计费的计算。
• 工作区管理员或所有者角色，连接云存储时需要此角色。
• 一个 AWS IAM 用户，能够列出并读取存储桶。

连接之前，最好先了解哪些数据会离开存储桶。Platform 会按需传输原始图像以供浏览和标注，索引的图像不会计入 Platform 存储配额。每个连接都有一个默认开启的 AI 功能开关。开启时，Ultralytics GPU 可以读取图像，用于标注、相似图像搜索和云端训练。外部 AI 提供商也可能使用你工作区的提供商密钥处理付费标注模型的图像；启用写入权限后，也可能处理图像生成任务。云端训练期间会使用临时副本；相似图像搜索会保留嵌入，直到图像从 Platform 中移除。关闭开关后，不会启动新的 AI 任务（已在运行的任务会继续完成），但手动标注和本地训练仍可使用。Platform 绝不会修改或删除你的对象。

步骤 1：创建只读 IAM 用户#

在 AWS 控制台中，前往 IAM > Users，创建一个没有控制台访问权限的用户，并附加一项授予存储桶列表和读取权限的策略：

{
    "Version": "2012-10-17",
    "Statement": [
        { "Effect": "Allow", "Action": "s3:ListAllMyBuckets", "Resource": "*" },
        {
            "Effect": "Allow",
            "Action": ["s3:ListBucket", "s3:GetObject"],
            "Resource": ["arn:aws:s3:::my-bucket", "arn:aws:s3:::my-bucket/*"]
        }
    ]
}

s3:ListAllMyBuckets 是可选项。它能让 Platform 发现你的存储桶，这样你就不必手动输入存储桶名称。

然后打开该用户的 Security credentials 选项卡并创建访问密钥。Platform 需要长期有效的 IAM 用户密钥：它会拒绝临时 AWS STS 凭证，包括角色会话凭证和 IAM Identity Center 密钥，因为数据集仍处于连接状态时，这些凭证可能会过期。请为此创建专用用户，绝不要使用根用户凭证。Platform 使用 AES-256-GCM 对静态密钥进行加密，绝不会将其暴露给训练工作负载；你也可以随时在 IAM 中停用该密钥以撤销访问权限。

步骤 2：将存储桶连接到 Ultralytics Platform#

1. 在 Platform 中，前往 Settings > Integrations，然后选择 Amazon S3。
2. 输入访问密钥 ID、秘密访问密钥和存储桶区域，例如 us-east-1。
3. 点击 Find available buckets 并选择要连接的存储桶；如果策略不允许发现存储桶，也可以输入存储桶名称。
4. 点击 Connect。Platform 会先检查是否能够列出并读取每个存储桶，然后才保存任何内容。

一个连接只能读取一个区域中的存储桶，因此如果数据分布在多个区域，请为每个区域分别连接。Amazon S3 集成指南介绍了图像生成所需的可选写入权限。

步骤 3：从存储桶创建数据集#

点击 New Dataset，打开 Cloud 选项卡，选择存储桶，浏览到包含数据的文件夹，然后创建数据集。Platform 会列出该文件夹并对找到的内容进行索引：

• 图像： .jpg、.jpeg、.png、.webp 和 .avif 对象。
• 标签： YOLO .txt 文件，按标准的 images/ 到 labels/ 目录结构匹配，或作为与每张图像同目录的文件匹配。
• 类别： data.yaml 文件提供类别名称，与常规 YOLO 数据集相同。
• 数据划分： train、val 和 test 文件夹名称会自动指定数据划分。

单次导入最多可索引 500,000 个对象，因此较大的存储桶应拆分到多个数据集中。请将已索引对象视为不可变对象：每张图像都会绑定到其 S3 对象 ETag，若对象被覆盖，Platform 就会停止提供该图像。由于数据集创建时只构建一次索引，之后若要添加数据，请上传新对象并创建新数据集。

步骤 4：标注或检查图像#

打开数据集，在标注编辑器中检查导入的标签。如果存储桶中还没有标签，你可以手动绘制框和掩码；或者在启用 AI 功能后，使用智能标注（SAM 用于检测、分割和 OBB，YOLO 用于姿态）及自动标注来加快处理。标签会存储在 Platform 中，存储桶对象则保持不变。

步骤 5：在云 GPU 上训练 YOLO26#

在数据集或项目中点击 New Model，选择基础模型并启动云端运行：

1. 基础模型：选择官方 Ultralytics 模型（推荐使用 YOLO26），也可以选择自己的模型进行微调。列表中只会显示与数据集任务兼容的模型。
2. 参数：设置训练轮数、图像尺寸和批量大小，或保留默认值。
3. GPU：从 Ultralytics Cloud 中选择 GPU。启动前，对话框会显示每小时费率，并估算运行时长和总成本。我们的云 GPU 选择指南有助于你权衡取舍。

运行期间，指标、控制台输出和系统图表会持续传输到浏览器，检查点也会自动保存。训练完成后，模型页面会显示其指标；如果已有验证结果，还会显示详细分析，例如混淆矩阵。

步骤 6：将模型部署为托管 API#

打开模型的 Deploy 选项卡。地图和表格会列出 42 个区域，并按测得的地理位置延迟排序。在所需区域点击 Deploy，查看 CPU、内存和价格，然后点击 Create Deployment。

你选择的规格决定计费方式：

• 默认规格（1 vCPU、2 GiB）：免费，空闲时会缩容至零。
• 自定义规格（最高 8 vCPU 和 32 GiB）：会保留一个预热实例，并按显示的区域每小时费率计费，从服务就绪开始，直到你停止端点为止，包括空闲时间。

每个专用端点都是独立租户服务，拥有自己的 URL 和监控功能，并绑定到你工作区的一个 API 密钥。免费工作区最多可运行 3 个部署，Pro 最多 10 个，Enterprise 则没有数量限制。如需了解何时应选择专用端点而非共享推理，请参阅我们的专用推理与共享推理指南。

步骤 7：调用端点#

使用 python -m pip install requests 安装 Requests，并将图像保存为 image.jpg。将示例 URL 替换为你复制的部署 URL，并在末尾添加 /predict；然后将 YOUR_API_KEY 替换为绑定到该部署的密钥：

import requests

url = "https://YOUR_DEPLOYMENT_URL.run.app/predict"
headers = {"Authorization": "Bearer YOUR_API_KEY"}
data = {"conf": 0.25, "iou": 0.5, "imgsz": 640}

with open("image.jpg", "rb") as f:
    response = requests.post(url, headers=headers, data=data, files={"file": f})

print(response.json())

使用 cURL 发送相同请求：

curl -X POST "https://YOUR_DEPLOYMENT_URL.run.app/predict" \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -F "file=@image.jpg" \
  -F "conf=0.25" \
  -F "iou=0.5" \
  -F "imgsz=640"

每个端点还会在 /docs 提供交互式 API 参考，并提供 /health 检查。直接请求不受 Platform API 速率限制，但每个端点只有一个实例：无法及时处理的请求会收到带有 Retry-After 标头的 429，请求正文限制为 32 MB。端点上线后，你可以在部署页面监控请求、错误和延迟。

成本、限制和安全性一览#

Ultralytics Platform 与 SageMaker、Vertex AI 和 Azure ML 对比#

通用云 ML 平台也可以在其自有存储中的数据上训练模型并提供模型服务。下方的存储和服务方式列依据各平台文档整理；最后一列是我们的评估。

SageMaker 的训练数据文档列出了 S3、EFS 和 FSx for Lustre 作为数据源，并提供流式和下载两种输入模式。无服务器推理会自动管理扩缩，适合存在空闲时段且能够容忍冷启动的流量；你可以使用 SageMaker 提供的容器，也可以自行提供容器。Vertex AI支持在预构建容器或自定义容器中通过 Python 应用运行自定义训练；Azure Machine Learning则通过数据存储连接现有 Azure 存储，并使用托管在线端点提供模型服务。通用平台的优势正在于这种广泛的能力。我们的评估是，自定义 YOLO 工作流程需要更多配置；容器要求取决于所选的训练和服务选项。如果你想继续使用 AWS，我们的 SageMaker 部署指南介绍了如何在那里部署 YOLO 模型。

Ultralytics Platform 的设计目标更为专注。它围绕 Ultralytics YOLO 模型构建，因此上述步骤可以替代训练脚本和服务容器。如果你的组织要求每个集成都使用临时 STS 凭证，或者单个端点必须在高并发负载下扩展到多个实例，那么它就不太适合。如果你还在考虑推理应在哪里运行，我们的云端与自托管指南会比较成本、延迟和数据控制。