Link to this sectionModels#

Ultralytics Platform proporciona una gestión integral de modelos para entrenar, analizar y desplegar modelos YOLO. Sube modelos preentrenados o entrena otros nuevos directamente en la plataforma.

Link to this sectionSubir modelo#

Sube los pesos de modelos existentes a la plataforma:

1. Navega a tu proyecto
2. Arrastra y suelta archivos .pt en la página del proyecto o en la barra lateral de modelos
3. Los metadatos del modelo se analizan automáticamente desde el archivo

Se pueden subir varios archivos simultáneamente (hasta 3 de forma concurrente).

Formatos de modelo compatibles:

Tras la subida, la plataforma analiza los metadatos del modelo:

• Tipo de tarea (detect, segment, semantic, pose, OBB, classify)
• Arquitectura (YOLO26n, YOLO26s, etc.)
• Nombres y recuento de clases
• Tamaño de entrada y parámetros
• Resultados de entrenamiento y métricas (si están presentes en el punto de control)

Link to this sectionEntrenar modelo#

Entrena un nuevo modelo directamente en la plataforma:

1. Navega a tu proyecto
2. Haz clic en Nuevo modelo
3. Selecciona el modelo base y el conjunto de datos
4. Configura los parámetros de entrenamiento
5. Elige entre entrenamiento en la nube o local
6. Inicia el entrenamiento

Consulta Cloud Training para obtener instrucciones detalladas.

Link to this sectionCiclo de vida del modelo#

graph LR
    A[Upload .pt] --> B[Overview]
    C[Train] --> B
    B --> D[Predict]
    B --> E[Export]
    B --> F[Deploy]
    E --> G[19+ Formats]
    F --> H[Endpoint]

    style A fill:#4CAF50,color:#fff
    style C fill:#FF9800,color:#fff
    style E fill:#2196F3,color:#fff
    style F fill:#9C27B0,color:#fff

Link to this sectionPestañas de la página del modelo#

Cada página de modelo tiene las siguientes pestañas:

Link to this sectionPestaña Overview#

Muestra los metadatos del modelo y las métricas clave:

• Nombre del modelo (editable), insignia de estado, tipo de tarea
• Métricas finales (mAP50, mAP50-95, precisión, recall)
• Gráficos de líneas (sparklines) de métricas que muestran la progresión del entrenamiento
• Argumentos de entrenamiento (épocas, tamaño de lote, tamaño de imagen, etc.)
• Enlace al conjunto de datos (cuando se entrena con un conjunto de datos de la plataforma)
• Botón de descarga para los pesos del modelo

Link to this sectionPestaña Train#

La pestaña Train tiene tres subpestañas:

Link to this sectionSubpestaña Charts#

Gráficos interactivos de métricas de entrenamiento que muestran las curvas de pérdida y métricas de rendimiento por épocas:

Link to this sectionSubpestaña Console#

Salida de consola en vivo del proceso de entrenamiento:

• Transmisión de registros en tiempo real durante el entrenamiento
• Barras de progreso de épocas y resultados de validación
• Detección de errores con banners de error resaltados
• Soporte de color ANSI para salida formateada

Link to this sectionSubpestaña System#

Métricas de GPU y del sistema durante el entrenamiento:

Link to this sectionPestaña Predict#

Ejecuta inferencia interactiva directamente en el navegador:

• Sube una imagen, usa imágenes de ejemplo o utiliza la cámara web
• Visualización de resultados con cuadros delimitadores, máscaras, mapas de clases semánticas o puntos clave
• Auto-inferencia cuando se proporciona una imagen
• Compatible con todos los tipos de tareas (detect, segment, semantic, pose, OBB, classify)

Link to this sectionPestaña Export#

Exporta tu modelo a más de 19 formatos de despliegue. Consulta Export Model a continuación y la guía principal de Export mode guide para obtener todos los detalles.

Link to this sectionPestaña Deploy#

Crea y gestiona puntos de conexión de inferencia dedicados. Consulta Deployments para más detalles.

Link to this sectionGráficos de validación#

Una vez completado el entrenamiento, visualiza un análisis de validación detallado:

Link to this sectionMatriz de confusión#

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

Link to this sectionCurvas PR/F1#

Curvas de rendimiento en diferentes umbrales de confianza:

Link to this sectionExportar modelo#

graph LR
    A[Select Format] --> B[Configure Args]
    B --> C[Export]
    C --> D{GPU Required?}
    D -->|Yes| E[Cloud GPU Export]
    D -->|No| F[CPU Export]
    E --> G[Download]
    F --> G

    style A fill:#2196F3,color:#fff
    style C fill:#FF9800,color:#fff
    style G fill:#4CAF50,color:#fff

Exporta tu modelo a más de 19 formatos de despliegue:

1. Navega a la pestaña Export
2. Selecciona el formato de destino
3. Configura los argumentos de exportación (tamaño de imagen, media precisión, dinámico, etc.)
4. Para formatos que requieren GPU (TensorRT), selecciona un tipo de GPU
5. Haz clic en Export
6. Descárgalo cuando finalice

Link to this sectionFormatos admitidos#

La plataforma admite la exportación a más de 19 formatos de despliegue: ONNX, TorchScript, OpenVINO, TensorRT, CoreML, TF SavedModel, TF GraphDef, TF Lite, TF Edge TPU, TF.js, PaddlePaddle, NCNN, MNN, RKNN, Qualcomm (QNN), IMX500, Axelera, ExecuTorch y DeepX.

Link to this sectionGuía de selección de formatos#

Link to this sectionCompatibilidad de chips RKNN#

Al exportar al formato RKNN, selecciona tu dispositivo Rockchip de destino:

Link to this sectionCiclo de vida del trabajo de exportación#

Los trabajos de exportación pasan por los siguientes estados:

Link to this sectionAcciones de exportación masiva#

• Export All: Haz clic en Export All para iniciar trabajos de exportación para todos los formatos basados en CPU con la configuración predeterminada.
• Delete All Exports: Haz clic en Delete All para eliminar todas las exportaciones del modelo.

Link to this sectionRestricciones de formato#

Algunos formatos de exportación tienen restricciones de arquitectura o de tarea:

Link to this sectionClonar modelo#

Clonar un modelo a otro proyecto:

1. Abre la página del modelo
2. Haz clic en el botón Clone
3. Selecciona el proyecto de destino
4. Haz clic en Clone

El modelo y sus pesos se copian al proyecto de destino.

Link to this sectionDescargar modelo#

Descarga los pesos de tu modelo:

1. Navega a la pestaña Overview del modelo
2. Haz clic en el botón Download
3. El archivo .pt original se descarga automáticamente

Los formatos exportados se pueden descargar desde la pestaña Export una vez completada la exportación.

Link to this sectionVinculación 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
• Haz clic en la tarjeta del conjunto de datos en la pestaña Overview para navegar a él
• Realiza el seguimiento del linaje de datos

Al entrenar con datasets de la Platform utilizando el formato URI ul://, el enlace es automático.

# Train with a Platform dataset — linking is automatic
yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100

Link to this sectionConfiguración de visibilidad#

Controla quién puede ver tu modelo:

Para cambiar la visibilidad, haz clic en el distintivo de visibilidad (por ejemplo, private o public) en el encabezado de la página. La visibilidad se establece a nivel de proyecto, por lo que esto controla todos los modelos del proyecto. El cambio a privado surte efecto inmediatamente. El cambio a público muestra un cuadro de diálogo de confirmación antes de aplicarse.

Link to this sectionEliminar modelo#

Elimina un modelo que ya no necesites:

1. Abre el menú de acciones del modelo
2. Haz clic en Eliminar
3. Confirma la eliminación

Link to this sectionVer también#

• Inferencia: Prueba modelos en el navegador con la pestaña Predicción
• Endpoints: Despliega modelos a producción con endpoints dedicados
• Entrenamiento en la nube: Configura y ejecuta trabajos de entrenamiento en GPUs en la nube
• Formatos de exportación: Guía completa de los más de 19 formatos de exportación

Link to this sectionFAQ#

Link to this section¿Qué arquitecturas de modelos son compatibles?#

La plataforma de Ultralytics es totalmente compatible con todas las arquitecturas YOLO con proyectos dedicados:

• YOLO26: variantes n, s, m, l, x (la más reciente, recomendada) — platform.ultralytics.com/ultralytics/yolo26
• YOLO11: variantes n, s, m, l, x — platform.ultralytics.com/ultralytics/yolo11
• YOLOv8: variantes n, s, m, l, x — platform.ultralytics.com/ultralytics/yolov8
• YOLOv5: variantes n, s, m, l, x — platform.ultralytics.com/ultralytics/yolov5

YOLO26 admite 6 tipos de tareas: detectar, segmentar, semántica, pose, OBB y clasificar. YOLO11 y YOLOv8 admiten el mismo conjunto, excepto la segmentación semántica, mientras que YOLOv5 admite detectar, segmentar y clasificar.

Link to this section¿Puedo descargar mi modelo entrenado?#

Sí, descarga los pesos de tu modelo desde la página del modelo:

1. Haz clic en el icono de descarga en la pestaña Descripción general
2. El archivo .pt original se descarga automáticamente
3. Los formatos exportados se pueden descargar desde la pestaña Exportar

Link to this section¿Cómo comparo modelos entre proyectos?#

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

1. Clona los modelos en un único proyecto, o
2. Exporta las métricas y compáralas externamente

Link to this section¿Cuál es el tamaño máximo del modelo?#

Los archivos de modelo .pt cargados tienen un límite de 1 GB, y los modelos cercanos a ese límite pueden tardar más en cargarse y procesarse.

Link to this section¿Puedo realizar un ajuste fino (fine-tuning) de modelos preentrenados?#

¡Sí! Puedes usar cualquiera de los modelos oficiales de YOLO26 como base, o seleccionar uno de tus propios modelos completados en el selector de modelos en el diálogo de entrenamiento. La Platform admite el ajuste fino desde cualquier punto de control cargado.