推出 Ultralytics Platform：标注、训练和部署视觉 AI 的智能方式

我们构建 Ultralytics 开源生态，旨在让每个人都能使用计算机视觉。如今，全球数百万开发者都在训练 Ultralytics YOLO 模型，为从工厂检测线到自动配送系统的各种应用提供支持。

但多年来，我们不断从社区听到相同的反馈：在计算机视觉领域，训练出一个强大的模型已经不再是最大的障碍。真正困难的是将其投入生产。

今天，我们将改变这一现状。认识一下 Ultralytics Platform：这是一款专为端到端流程打造的平台，旨在将你的视觉 AI 从原始数据带入真实世界的生产级部署。

优秀模型与优秀产品之间的鸿沟#

在过去十年中，计算机视觉和深度学习迅速从研究领域发展为支撑真实世界系统的关键基础设施。它为制造车间的质量检测提供支持，实现无人收银零售，指导手术机器人，并帮助自动驾驶车辆保持行驶路线。模型的能力从未如此强大，但从可运行的原型到可靠的生产系统，这段旅程仍然比应有的更加艰难。

如今，大多数团队都会将用于标注、训练、实验跟踪、部署和监控的独立工具拼接在一起。每次集成都增加复杂性。每次交接都会拖慢进度。团队可能在不知不觉中耗费数周管理基础设施，而不是构建应用本身。

在与计算机视觉社区中的开发者、初创公司和企业团队密切合作时，我们不断遇到三个挑战：

• **标注瓶颈：**高性能模型需要高质量的标注数据，但创建和维护这些数据集仍然缓慢且耗费大量人工。
• **部署鸿沟：**一个在训练中表现良好的模型，可能还需要数周的额外工程工作，才能在边缘设备、云环境和生产系统中可靠运行。
• **工具碎片化成本：**将标注、训练、跟踪和部署分散在多个服务中，会产生不断累积的额外开销，拖慢每一轮迭代。

这些反复出现的挑战构成了现代计算机视觉开发的核心瓶颈，也最终促使我们构建 Ultralytics Platform。通过简化从数据准备到部署的工作流程，并连接计算机视觉开发的关键阶段，团队可以更轻松地将有潜力的模型转化为真实世界中的视觉 AI 系统。

在一个地方完成整个视觉 AI 生命周期#

Ultralytics Platform 将计算机视觉工作流程的每个阶段汇聚在一起，从数据管理、标注、模型训练，到部署和监控。所有环节都集中在一个相互连接的工作区中，从而降低复杂性，加快从想法到实际成果的进程。

上传你的图像或视频。使用内置标注工具为其添加标签。直接在平台上训练 Ultralytics YOLO26 等模型。在全球范围内部署。实时监控性能。每个阶段都会流转到下一阶段，因此你可以专注于构建应用，而不是管理基础设施。

图 1。Ultralytics Platform 一览（来源）

从想法到部署：Ultralytics Platform 的工作方式#

将计算机视觉想法转化为可运行的系统需要经历多个阶段，从准备数据到在生产环境中运行模型。Ultralytics Platform 将这一过程组织成清晰、简单的流水线，帮助你轻松地从最初构想走向已部署的模型。

标注：大幅提速#

数据标注一直是任何计算机视觉项目中最耗时的环节之一。Ultralytics Platform 能显著加快这一过程，并且无论你的数据存储在哪里，都能满足你的需求。

你可以上传原始图像、视频或数据集归档文件，导入已经以 YOLO 或 COCO 格式标注的数据集，或者克隆 Ultralytics 社区分享的公开数据集。无论你是从零开始，还是基于现有工作继续构建，数据一上传到平台就可以使用。

如果你的图像或视频尚未标注，内置标注编辑器可以显著加快这一过程。它支持所有主要的计算机视觉任务，从目标检测和实例分割，到姿态估计、定向边界框 (OBB) 检测和图像分类，并配备兼顾速度与精度的工具。

这里最突出的功能是由 SAM 3 驱动的智能标注。借助任意分割模型 3 (SAM 3)，你只需点击对象并通过几个点进行细化，即可生成精确的掩码、边界框或定向框。过去需要数小时手动描摹的工作现在只需几分钟，让团队能够以匹配开发速度的节奏构建高质量数据集。

图 3。Ultralytics Platform 上由 SAM 驱动的智能标注示例（来源）

姿态骨架模板、键盘快捷键、类内管理以及撤销/重做支持，共同完善了这一旨在让你保持专注流畅的标注体验。

训练：轻松实现强大能力#

数据完成标注后，只需点击一下即可开始训练。Ultralytics YOLO26、YOLO11 以及完整的 Ultralytics YOLO 模型系列均受原生支持，可以直接在平台上使用云端图形处理单元 (GPUs) 进行训练，也可以在本地硬件上训练，同时将指标流式传回平台。

你可以从多种云端 GPU 选项中进行选择，包括 RTX 4090、RTX PRO 6000、NVIDIA A100、H100 等；也可以使用自己的本地硬件进行训练，同时将实时指标流式传回平台。每次实验都会自动整理到项目中，将相关模型归为一组，从而便于跟踪不同数据集、参数和配置如何影响结果，并找出性能最强的模型。

逐轮监控损失曲线、精确率、召回率和平均精度 (mAP) 的变化。深入查看混淆矩阵和精确率-召回率曲线，准确了解模型表现良好的位置以及可以改进的地方。并排比较多次运行，找出能够带来最佳结果的配置。

图 2。使用 Ultralytics Platform 监控训练进度一览（来源）

Ultralytics Platform 还会自动管理训练生命周期中的关键阶段。训练期间会持续保存检查点，同时保留表现最佳的模型和最终训练权重。预训练模型可以直接在平台内进行微调，训练好的模型也可以上传或下载，以便在其他环境中使用，让团队能够完全灵活地决定工作方式和工作地点。

无需配置基础设施。无需设置单独的实验跟踪服务。只需一条清晰高效的路径，即可从已标注数据得到准备投入真实世界使用的训练模型。

全球部署，全面监控#

训练良好的模型需要同样强大的生产部署路径。Ultralytics Platform 为你提供了这一能力。

首先，直接在浏览器中验证模型的推理结果。当你对结果充满信心后，即可部署到全球 43 个区域，并使用专用端点根据需求自动扩缩容；每个端点都有唯一的 API 端点，可随时集成到你的应用中。

图 4。Ultralytics Platform 支持在全球 43 个区域部署模型。（来源）

无论你需要在云端部署，还是在边缘设备上运行模型，Ultralytics Platform 都能提供针对这两种场景设计的灵活选项。所有 Ultralytics YOLO 模型都经过原生优化，能够在各种环境中高效运行，即使在计算资源有限的边缘硬件上也能提供可靠性能。对于需要在平台外运行模型的团队，Ultralytics 支持导出到 17 种经过验证的格式，包括 ONNX、TensorRT、CoreML、TFLite 和 OpenVINO，让你的模型能够在云服务、移动设备、边缘系统等环境中原生运行。

模型上线后，部署面板中的内置监控会让你全面了解生产性能：请求量、延迟指标、错误率、端点运行状况和详细日志。你还可以查看日志、检查端点健康状态并跟踪一段时间内的性能，从而帮助确保计算机视觉系统在生产环境中可靠运行，并发现优化性能的机会。

立即开始，或浏览 Ultralytics 文档，深入了解平台的功能。

让视觉 AI 开发惠及所有人#

随着你进一步了解 Ultralytics Platform，你会很快发现，它的目标远不止提供构建计算机视觉系统的工具。从根本上说，该平台旨在帮助更广泛的社区更轻松、更友好地开展视觉 AI 开发。

过去，构建和部署 AI 系统需要专用基础设施、复杂工具链以及大量前期投入。即使强大的模型变得更易于训练，周边工作流程——管理数据集、运行实验、部署模型和维护基础设施——仍然让个人和小型团队难以接触。

Ultralytics Platform 将整个视觉 AI 工作流程整合到一个环境中，从而降低这些门槛，同时让你可以轻松开始使用。新用户可以通过免费计划开始体验平台，该计划包含注册赠送的云端训练额度，以及数据集管理、标注工具、模型训练和模型导出等核心功能。

随着项目发展，用户或企业客户可以通过增加额度和升级平台计划来扩展规模，从而解锁更多计算资源、存储空间、协作功能和部署容量。这种灵活的方式意味着开发者、研究人员、初创公司和企业都可以从小规模开始，自由进行实验，并随着计算机视觉系统走向生产环境而扩大使用规模。

Ultralytics Platform 将端到端计算机视觉工作流程与易于使用的定价模式相结合，帮助更多人开启构建、测试和部署真实世界视觉 AI 应用的大门。

要点总结#

Ultralytics Platform 将整个视觉 AI 生命周期整合到一个强大的工作区中，让你更快地将原始数据转化为可用于生产的视觉 AI 系统。借助内置的标注、训练、部署和监控工具，团队可以构建和部署 Ultralytics YOLO26、Ultralytics YOLO11、Ultralytics YOLO11 以及传统 YOLO 模型，而无需管理复杂的基础设施。

无论你是在尝试训练第一个模型，还是在大规模部署视觉 AI，该平台都旨在支持整个过程中的每个阶段。

加入我们的社区，探索AI 在制造业中的应用和零售业中的视觉 AI等创新。访问我们的 GitHub 仓库，查看我们的许可选项，立即开始使用计算机视觉。