Guía de inicio rápido de Ultralytics Platform#

Ultralytics Platform ofrece un flujo de trabajo guiado para subir conjuntos de datos, entrenar nuevos modelos YOLO a partir de pesos preentrenados, probar modelos completados en el navegador y configurar puntos de conexión de inferencia dedicados.

El siguiente diagrama interactivo describe las cuatro etapas principales del flujo de trabajo de Ultralytics Platform. Haz clic en cualquier etapa o subpaso para acceder a las instrucciones detalladas de esa sección.

graph LR
    A(Sign Up):::start --> B(Prepare Data):::proc --> C(Train):::proc --> D(Deploy):::out
    A -.- A1["<a href='#get-started'>Create account</a><br/><a href='#region-selection'>Select region</a>"]:::proc
    B -.- B1["<a href='#upload-your-first-dataset'>Upload dataset</a><br/><a href='#create-your-first-project'>Create Project</a>"]:::proc
    C -.- C1["<a href='#training-configuration'>Configure training</a><br/><a href='#monitor-training'>Monitor progress</a>"]:::proc
    D -.- D1["<a href='#test-your-model'>Test model</a><br/><a href='#deploy-to-production'>Deploy endpoint</a>"]:::proc

    click A "#get-started"
    click B "#upload-your-first-dataset"
    click C "#train-your-first-model"
    click D "#deploy-to-production"

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

Comenzar#

Ultralytics Platform ofrece una variedad de opciones de registro sencillas. Puedes registrarte e iniciar sesión usando tus cuentas de Google o GitHub, o con tu dirección de correo electrónico.

Selección de región#

Durante la incorporación, se te pedirá que selecciones tu región de datos. La Platform mide automáticamente la latencia de cada región y recomienda la más cercana. Esta elección determina dónde se almacenan tus conjuntos de datos, modelos y datos de entrenamiento gestionados. Las regiones de los puntos de conexión dedicados se seleccionan por separado al desplegar un modelo.

Créditos gratuitos#

Cada nueva cuenta recibe créditos gratuitos para entrenamiento en GPU en la nube:

Completa tu perfil#

El flujo de incorporación te guía a través de tres pasos:

1. Perfil - Introduce tu nombre de visualización, nombre de usuario único (permanente, no se puede cambiar después), organización (opcional) y caso de uso principal
2. Región de datos - Selecciona US, EU o AP con un mapa mundial visual que muestra la latencia
3. Completar - Revisa tus selecciones, aplica opcionalmente un código promocional y finaliza el registro para reclamar tus créditos de bienvenida

Panel de control principal#

Después de iniciar sesión, serás dirigido a la página de inicio de Ultralytics Platform, la cual proporciona una tarjeta de bienvenida con estadísticas del espacio de trabajo, acceso rápido a datasets, proyectos y almacenamiento, y un feed de actividad reciente.

Navegación de la barra lateral#

La barra lateral proporciona acceso a todas las secciones de la Plataforma:

Tarjeta de bienvenida#

La tarjeta de bienvenida muestra tu perfil, insignia del plan y estadísticas del espacio de trabajo de un vistazo:

Acciones rápidas#

Debajo de la tarjeta de bienvenida, el panel muestra tres tarjetas:

• Datasets: Crea un nuevo dataset o suelta imágenes, vídeos o archivos de dataset para subirlos. Muestra tus datasets recientes.
• Proyectos: Crea un nuevo proyecto o suelta archivos de modelo .pt para subirlos. Muestra tus proyectos recientes.
• Almacenamiento: Visión general de tu uso de almacenamiento (datasets, modelos, exportaciones) con los límites del plan.

Una tabla de Actividad reciente en la parte inferior muestra tus últimos datasets, modelos y ejecuciones de entrenamiento.

Búsqueda global#

Presiona Cmd+K (Mac) o Ctrl+K (Windows/Linux) para abrir la barra de búsqueda. Busca instantáneamente entre páginas, proyectos, datasets y despliegues.

Asistente de chat con IA#

Un widget de chat flotante está disponible en cada página. Haz clic en él para hacer preguntas sobre entrenamiento con YOLO, anotación, despliegue o cualquier característica de la Plataforma. El asistente proporciona ayuda contextual basada en la página actual.

Tours de incorporación#

La plataforma incluye tours guiados que presentan características clave mientras exploras diferentes secciones:

Reiniciar tours#

Para repetir cualquier tour:

• Botón Rehacer tour — Haz clic en el avatar de tu perfil (esquina inferior izquierda de la barra lateral) para abrir el menú de usuario, luego selecciona Rehacer tour. Esto restablece todos los tours para que se reproduzcan en tu próxima visita a cada sección.
• Parámetro de URL — Navega a platform.ultralytics.com/home?tour=nav para reiniciar el Tour de navegación directamente.

Sube tu primer conjunto de datos#

Navega a Annotate en la barra lateral y haz clic en New Dataset para añadir tus datos de entrenamiento. También puedes arrastrar y soltar archivos directamente en la tarjeta de Datasets en el panel de control de Home.

Ultralytics Platform admite múltiples formatos de carga (todos los detalles en Datasets):

graph LR
    A[Drop Files]:::start --> B[Auto-Package ZIP]:::proc
    B --> C[Upload to Storage]:::proc
    C --> D[Backend Worker]:::proc
    D --> E[Resize & Thumbnail]:::proc
    E --> F[Parse Labels]:::proc
    F --> G[Compute Statistics]:::proc
    G --> H[Dataset Ready]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

Tras la carga, la plataforma procesa automáticamente tus datos:

1. Las imágenes mayores de 4096 px se redimensionan (manteniendo la relación de aspecto)
2. Se generan miniaturas de 256 px para una navegación rápida
3. Las etiquetas NDJSON de YOLO, COCO y Ultralytics se analizan y validan
4. Se calculan estadísticas (distribución de clases, mapas de calor, dimensiones)

my-dataset.zip
├── data.yaml          # Class names and splits
├── train/
│   ├── images/
│   │   ├── img001.jpg
│   │   └── img002.jpg
│   └── labels/
│       ├── img001.txt
│       └── img002.txt
└── val/
    ├── images/
    └── labels/

Lee más sobre conjuntos de datos y los formatos admitidos para detectar, segmentar, pose, OBB y clasificar.

Crea tu primer proyecto#

Los proyectos te ayudan a organizar modelos y experimentos relacionados. Ve a Projects y haz clic en New Project.

Introduce un nombre y una descripción opcional. Los proyectos organizan las ejecuciones de modelos y los pesos de modelos importados o clonados, con gráficos para comparar los resultados de entrenamiento completados.

Lee más sobre proyectos.

Entrena tu primer modelo#

Desde tu proyecto, haz clic en New Model para iniciar el entrenamiento en la nube.

Configuración del entrenamiento#

1. Select Dataset: elige un conjunto de datos preparado con al menos una imagen de entrenamiento, al menos una imagen de validación o prueba y al menos una imagen etiquetada
2. Elegir modelo: Selecciona un modelo base: modelos oficiales de Ultralytics o tus propios modelos entrenados
3. Establecer épocas: Número de iteraciones de entrenamiento (predeterminado: 100)
4. Selecciona GPU: Elige los recursos de cómputo según tu presupuesto y el tamaño del modelo. El predeterminado es RTX PRO 6000 (96 GB Blackwell, 2,09 $/h), que gestiona cualquier variante de YOLO26. Consulta la tabla completa de precios de GPU o el paso de GPU para entrenamiento en la nube para ver la lista completa y las restricciones de nivel.

Monitorear entrenamiento#

Una vez que comienza el entrenamiento, puedes monitorear el progreso en tiempo real a través de tres subpestañas:

Las métricas se transmiten en tiempo real mediante SSE (Server-Sent Events). Una vez finalizado el entrenamiento, se generan gráficos de validación que incluyen la matriz de confusión, curvas PR y curvas F1.

Lee más sobre entrenamiento en la nube.

Prueba tu modelo#

Una vez completado el entrenamiento, prueba tu modelo directamente en el navegador:

1. Navega a la pestaña Predict de tu modelo
2. Sube una imagen, arrastra y suelta, o utiliza imágenes de ejemplo (inferencia automática al soltar)
3. Ver superposiciones de predicción adecuadas para la tarea y la respuesta JSON sin procesar

Ajustar los parámetros de inferencia:

La pestaña Predict también muestra código de ejemplo de despliegue. Despliega el modelo primero y, a continuación, sustituye la URL provisional y la clave por los valores de tu punto de conexión:

import requests

url = "https://your-deployment-url.run.app/predict"
headers = {"Authorization": "Bearer YOUR_API_KEY"}

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

print(response.json())

Lee más sobre inferencia.

Despliegue a producción#

Despliega tu modelo en un endpoint dedicado para su uso en producción:

1. Navega a la pestaña Deploy de tu modelo
2. Selecciona una región del mapa mundial interactivo (42 regiones disponibles)
3. El mapa muestra mediciones de latencia en tiempo real con colores en un gradiente de verde a rojo (una latencia menor es más verde, una mayor es más roja)
4. Haz clic en Deploy para crear tu endpoint

graph LR
    A[Select Region]:::start --> B[Deploy]:::proc
    B --> C[Provisioning]:::proc
    C --> D[Running]:::out
    D --> E{Lifecycle}:::decide
    E --> F[Stop]:::error
    E --> G[Delete]:::error
    F --> H[Resume]:::proc
    H --> D

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,color:#fff
    classDef error fill:#F44336,color:#fff

Una vez completado el aprovisionamiento, tu punto de conexión ofrece:

• URL única: Endpoint HTTPS para llamadas a la API
• Comportamiento de escalado a cero: los puntos de conexión inactivos se reducen a cero (los despliegues ejecutan actualmente una única instancia activa)
• Monitoreo: Métricas de solicitud y registros

Tras el despliegue, puedes gestionar todos tus endpoints desde la sección Deploy en la barra lateral, la cual muestra un mapa global con despliegues activos, métricas generales y una lista de todos los endpoints.

Lee más sobre endpoints.

Entrenamiento remoto (opcional)#

Si prefieres entrenar en tu propio hardware, puedes usar tu clave de API para entrenar en cualquier lugar y transmitir métricas a Ultralytics Platform.

1. Genera una clave de API en Settings > API Keys
2. Configura la variable de entorno y entrena con un formato project/name:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

yolo train model=yolo26n.pt data=coco.yaml epochs=100 project=username/my-project name=exp1

Lee más sobre API keys, URIs de datasets y entrenamiento remoto.

Comentarios y ayuda#

La página de Help en el pie de página de la barra lateral incluye un formulario de comentarios integrado. Puedes valorar tu experiencia, elegir un tipo de comentario (error, solicitud de función o general) y adjuntar capturas de pantalla.

Si necesitas más ayuda:

• AI Chat: Haz clic en el widget de chat flotante en cualquier página para obtener ayuda instantánea
• Documentación: Explora estos documentos para obtener guías detalladas sobre datasets, anotación, entrenamiento, despliegue y facturación
• Discord: Únete a nuestra comunidad de Discord para debatir
• GitHub: Informa de problemas en GitHub
• REST API: Consulta la referencia de la API o prueba la documentación interactiva de la API para acceder mediante programación a todas las funciones de la Platform