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 endpoints 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 varias opciones sencillas de registro. 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#

Tras iniciar sesión, accederás a la página de inicio de Ultralytics Platform, que ofrece una tarjeta de bienvenida con estadísticas del espacio de trabajo, un vídeo de resumen, acceso rápido a conjuntos de datos, proyectos y almacenamiento, y un registro de actividad reciente.

Navegación de la barra lateral#

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

Cada sección de contenido muestra tus cinco elementos más recientes con un enlace al resto. Al pasar el cursor sobre un elemento se muestra una acción de eliminación que lo traslada a la Papelera; a la Papelera en sí se accede desde la búsqueda (Cmd+K) o abriendo platform.ultralytics.com/trash.

Tarjeta de bienvenida#

La tarjeta de bienvenida muestra de un vistazo tu perfil, la insignia de tu plan (que enciende un enlace a la comparación de planes) y las estadísticas del espacio de trabajo. Cada estadística enlaza con la vista correspondiente del espacio de trabajo:

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.
• Projects: 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 conjuntos de datos, proyectos y despliegues con su estado y la hora de la última actualización.

Búsqueda global#

Pulsa Cmd+K (Mac) o Ctrl+K (Windows/Linux) para abrir la barra de búsqueda. Busca al instante en páginas, proyectos, conjuntos de datos 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 Repetir tour — Haz clic en tu avatar de perfil (en la parte inferior izquierda de la barra lateral) para abrir el menú de cuenta y selecciona Repetir tour. Esto reinicia todos los tours para que se reproduzcan en tu próxima visita a cada sección.
• Parámetro URL — Añade ?tour= con el ID del tour para reiniciar uno directamente: ?tour=nav en la página de inicio, ?tour=project en una página de proyecto o ?tour=dataset en una página de conjunto de datos.

Sube tu primer conjunto de datos#

Abre Annotate en la barra lateral y haz clic en + para crear un nuevo conjunto de datos. También puedes arrastrar y soltar archivos directamente en la tarjeta de Datasets en el panel de control de inicio.

El diálogo Nuevo conjunto de datos ofrece cuatro fuentes. Esta guía rápida utiliza Cargar; las demás se explican en Datasets e Integraciones:

Las cargas admiten múltiples formatos (detalles completos en Datasets):

graph LR
    A[Drop Files]:::start --> B[Auto-Package ZIP]:::proc
    B --> C[Upload to Storage]:::proc
    C --> D[Process Data]:::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 datasets y los formatos compatibles para detect, segment, pose, OBB y classify.

Crea tu primer proyecto#

Los proyectos te ayudan a organizar modelos y experimentos relacionados. Abre Train en la barra lateral y haz clic en + para crear un proyecto. También puedes soltar los pesos de .pt en la tarjeta de Proyectos del panel de control de inicio para crear un proyecto e importarlos en un solo paso.

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

Lee más sobre projects.

Entrena tu primer modelo#

Desde tu proyecto, haz clic en New Model para abrir el diálogo Entrenar nuevo modelo. También puedes empezar desde la página de un conjunto de datos, en cuyo caso el conjunto de datos queda fijado y seleccionas el proyecto de destino.

Configuración del entrenamiento#

1. Modelo base: Selecciona pesos oficiales de Ultralytics o uno de tus propios modelos entrenados. El diálogo advierte si la tarea del modelo y la tarea del conjunto de datos no coinciden.
2. Conjunto de datos: Elige un conjunto de datos listo con al menos una imagen de entrenamiento, al menos una imagen de validación o prueba y al menos una imagen etiquetada
3. Parámetros: Establece Épocas (por defecto 100), Tamaño de lote (en blanco significa automático), Tamaño de imagen (por defecto 640) y un Nombre de ejecución opcional. Amplía Ajustes avanzados para editar cualquier otro argumento de entrenamiento de Ultralytics en un editor YAML.
4. Seleccionar GPU: En la pestaña Entrenamiento en la nube, elige la capacidad de cómputo en función de tu presupuesto y el tamaño del modelo. El valor predeterminado es RTX PRO 6000 (96 GB Blackwell, $2.09/h), que gestiona todas las variantes de YOLO26. Consulta la tabla de precios de GPU completa o el paso de GPU de entrenamiento en la nube para ver la lista completa y los niveles disponibles.
5. Iniciar entrenamiento: Revisa el coste estimado y la duración junto a tu saldo de créditos, y luego haz clic en Start Training.

Monitorear entrenamiento#

Una vez que comience el entrenamiento, abre la pestaña Train del modelo para supervisar el progreso en tiempo real a través de tres subpestañas:

Las métricas se transmiten en tiempo real mediante SSE (Server-Sent Events). Una vez que existan artefactos de validación, la subpestaña Gráficos se divide en las vistas de Entrenamiento y Validación, con la matriz de confusión, las curvas PR y las curvas F1 en Validación.

Lee más sobre cloud training.

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, captura una con tu cámara web o haz clic en una imagen de ejemplo (inferencia automática al soltar)
3. Visualiza capas de predicción adecuadas para la tarea, tiempos por fase (preprocesamiento, inferencia, postprocesamiento, red) y la respuesta JSON sin procesar

Ajusta los parámetros de inferencia:

En Documentos de API, la pestaña Predict muestra código de ejemplo en Python, JavaScript y cURL, prellenado con los parámetros que seleccionaste arriba. Despliega el modelo primero y luego reemplaza la URL y la clave provisionales con los valores de tu extremo:

import requests

url = "https://your-deployment-url.run.app/predict"
api_key = "YOUR_API_KEY"
args = {"conf": 0.25, "iou": 0.7, "imgsz": 640}

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

print(response.json())

Lee más sobre inference.

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. La plataforma mide la latencia de las 42 regiones y las representa en un mapamundi, coloreadas con un gradiente de verde a rojo (menor latencia es más verde, mayor latencia es más roja)
3. En la tabla de Latencia por región situada debajo del mapa —ordenada por latencia desde tu ubicación—, busca la región que desees. Utiliza Rescan para volver a medir en cualquier momento.
4. Haz clic en Deploy en esa fila para crear tu extremo

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 extremos desde la sección Deploy en la barra lateral. El panel de despliegues muestra un mapa global con tus despliegues activos, métricas de 24 horas (solicitudes totales, despliegues activos, tasa de errores y latencia P95) y una lista de cada extremo.

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.

La ruta más rápida es la pestaña Entrenamiento local en el diálogo de entrenamiento: genera el comando completo para tu modelo, conjunto de datos y parámetros seleccionados, e introduce una clave de API (creando una si aún no la tienes). Cópialo y ejecútalo en tu terminal.

Para montar el comando tú mismo:

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

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, dataset URIs y remote training.

Comentarios y ayuda#

La página de Ayuda en el pie de página de la barra lateral recopila enlaces de documentación, tutoriales en vídeo y recursos de la comunidad, e incluye un formulario de comentarios integrado en la aplicación. Puedes calificar tu experiencia de 1 a 5 estrellas, elegir un tipo de comentario (Error, Característica o General) y adjuntar una captura de pantalla.

Si necesitas más ayuda:

• AI Chat: Haz clic en el widget de chat flotante en cualquier página para obtener ayuda instantánea
• Documentation: Explora estos documentos para obtener guías detalladas sobre datasets, annotation, training, deployment y billing
• Discord: Únete a nuestra Discord community para debatir
• GitHub: Informa de problemas en GitHub
• REST API y Python SDK: Consulta la referencia de la API, instala el cliente ultralytics-platform o prueba la documentación interactiva de la API para acceder mediante programación a todas las funciones de Platform