Ir al contenido

Modelos

Ultralytics ofrece una gestión integral de modelos para entrenar, analizar e implementar YOLO . Cargue modelos preentrenados o entrene otros nuevos directamente en la plataforma.

Subir modelo

Cargar los pesos del modelo existente en la plataforma:

  1. Navega hasta tu proyecto.
  2. Haga clic en «Subir modelo».
  3. Seleccione su .pt archivo
  4. Añadir nombre y descripción
  5. Haga clic en Subir

Formatos de modelos compatibles:

FormatoExtensiónDescripción
PyTorch.ptUltralytics nativo de Ultralytics

Después de la carga, la Plataforma analiza los metadatos del modelo:

  • Tipo de tarea (detect, segment, pose, OBB, classify)
  • Arquitectura (YOLO11n, YOLO11s, etc.)
  • Nombres de clases y recuento
  • Tamaño de entrada y parámetros

Entrenar Modelo

Entrena un nuevo modelo directamente en la plataforma:

  1. Navega hasta tu proyecto.
  2. Haga clic en el modelo de tren.
  3. Seleccionar conjunto de datos
  4. Elija el modelo básico
  5. Configurar los parámetros de entrenamiento
  6. Comience el entrenamiento

Consulte Formación sobre la nube para obtener instrucciones detalladas.

Descripción general del modelo

Cada página de modelo muestra:

SecciónContenido
Visión generalMetadatos del modelo, tipo de tarea, arquitectura
MétricasGráficos de pérdida de entrenamiento y rendimiento
ParcelasMatriz de confusión, curvas PR, curvas F1
PruebaPrueba de inferencia interactiva
ImplementarCreación y gestión de terminales
ExportarConversión de formato y descarga

Métricas de entrenamiento

Ver métricas de entrenamiento en tiempo real e históricas:

Curvas de pérdidas

PérdidaDescripción
CajaPérdida de regresión del cuadro delimitador
ClasePérdida de clasificación
DFLPérdida focal de distribución

Métricas de rendimiento

MétricaDescripción
mAP50Precisión media en IoU ,50
mAP50Precisión media en IoU ,50-0,95
PrecisiónProporción de predicciones positivas correctas
RecallProporción de positivos reales identificados

Gráficos de validación

Una vez completado el entrenamiento, vea el análisis de validación detallado:

Matriz de Confusión

Mapa de calor interactivo que muestra la precisión de la predicción por clase:

Curvas PR/F1

Curvas de rendimiento en diferentes umbrales de confianza:

CurvaDescripción
Precisión-RecuperaciónCompromiso entre precisión y recuperación
F1-ConfianzaPuntuación F1 en diferentes niveles de confianza
Precisión-ConfianzaPrecisión en diferentes niveles de confianza
Confianza en la recuperaciónRecuerde en diferentes niveles de confianza

Modelo de exportación

Exporta tu modelo a 17 formatos de implementación:

  1. Vaya a la pestaña Exportar.
  2. Seleccionar formato de destino
  3. Haga clic en Exportar.
  4. Descargar cuando esté completo

Formatos compatibles

FormatoDescripciónCaso de uso
ONNXIntercambio abierto de redes neuronalesImplementación multiplataforma
TorchScriptPyTorch serializadoPyTorch
OpenVINOIntelIntel
TensorRTNVIDIANVIDIA
CoreMLOptimización de AppleiOS
TFLiteTensorFlow LiteMóvil/integrado
TF SavedModelTensorFlowTensorFlow
TF GraphDefTensorFlowTensorFlow heredado
PaddlePaddleMarco de trabajo de BaiduPaddlePaddle
NCNNInferencia móvilAndroid
TPU de bordeGoogle TPUDispositivos Coral
TF.jsTensorFlow.jsImplementación del navegador
MNNMarco de AlibabaOptimización móvil
RKNNNPU RockchipDispositivos Rockchip
IMXNXP i.MXPlataformas NXP
AxeleraMetis IAAceleradores de IA de borde
ExecuTorchMarco metaMeta plataformas

Tiempo de exportación

El tiempo de exportación varía según el formato. TensorRT pueden tardar varios minutos debido a la optimización del motor.

Vinculación de conjuntos de datos

Los modelos se pueden vincular a su conjunto de datos de origen:

  • Ver qué conjunto de datos se utilizó para el entrenamiento.
  • Acceder al conjunto de datos desde la página del modelo
  • Seguimiento del linaje de los datos

Al entrenar con conjuntos de datos de Platform utilizando el ul:// Formato URI, el enlace es automático.

Configuración de visibilidad

Controla quién puede ver tu modelo:

ConfiguraciónDescripción
PrivadoSolo tú puedes acceder
PúblicoCualquiera puede ver la página Explorar.

Para cambiar la visibilidad:

  1. Abrir el menú de acciones del modelo
  2. Haga clic en Editar.
  3. Alternar visibilidad
  4. Haga clic en Guardar.

Eliminar modelo

Elimine un modelo que ya no necesite:

  1. Abrir el menú de acciones del modelo
  2. Haga clic en Eliminar.
  3. Confirmar eliminación

Papelera y Restaurar

Los modelos eliminados se envían a la Papelera durante 30 días. Restáuralos desde Ajustes > Papelera.

Preguntas frecuentes

¿Qué arquitecturas de modelos son compatibles?

Ultralytics es compatible con todas YOLO :

  • YOLO11: variantes n, s, m, l, x
  • YOLO26: Última generación (cuando esté disponible)
  • YOLOv10: Compatibilidad con versiones anteriores
  • YOLOv8: Compatibilidad con versiones anteriores
  • YOLOv5: Compatibilidad con versiones anteriores

¿Puedo descargar mi modelo entrenado?

Sí, descargue los pesos del modelo desde la página del modelo:

  1. Haga clic en el icono de descarga.
  2. Seleccionar formato (original) .pt o exportado)
  3. La descarga comienza automáticamente.

¿Cómo puedo comparar modelos entre proyectos?

Actualmente, la comparación de modelos se realiza dentro de los proyectos. Para comparar entre proyectos:

  1. Transferir modelos a un único proyecto, o
  2. Exportar métricas y compararlas externamente

¿Cuál es el tamaño máximo del modelo?

No hay un límite estricto, pero los modelos muy grandes (>2 GB) pueden tener tiempos de carga y procesamiento más largos.

¿Puedo ajustar los modelos preentrenados?

¡Sí! Sube un modelo preentrenado y luego comienza a entrenar desde ese punto de control con tu conjunto de datos. La plataforma utiliza automáticamente el modelo subido como punto de partida.



📅 Creado hace 0 días ✏️ Actualizado hace 0 días
glenn-jocher

Comentarios