Models#

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

Subir 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, o haz clic en el icono Subir 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, depth, classify, pose, OBB)
• 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)

Entrenar 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 Entrenamiento en la nube para obtener instrucciones detalladas.

Ciclo de vida del modelo#

graph LR
    A[Upload .pt]:::start --> B[Overview]:::proc
    C[Train]:::start --> B
    B --> D[Predict]:::proc
    B --> E[Export]:::proc
    B --> F[Deploy]:::proc
    E --> G[20 Formats]:::out
    F --> H[Endpoint]:::out

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

Pestañas de la página del modelo#

Cada página de modelo tiene las siguientes pestañas:

Pestaña 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

Pestaña Train#

La pestaña Train tiene tres subpestañas:

Subpestaña Charts (Gráficos)#

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

Subpestaña Console (Consola)#

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

Subpestaña System (Sistema)#

Métricas de GPU y del sistema durante el entrenamiento:

Pestaña 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 tarea (detect, segment, semantic, depth, classify, pose, OBB)

Pestaña Export#

Exporta tu modelo a 20 formatos de despliegue. Consulta Exportar modelo a continuación y la Guía de modo de exportación principal para obtener todos los detalles.

Pestaña Deploy#

Crea y gestiona endpoints de inferencia dedicados. Consulta Despliegues para obtener más información.

Gráficos de validación#

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

Matriz de confusión#

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

Curvas PR/F1#

Cuando la ejecución de entrenamiento los proporciona, la subpestaña Validación también muestra curvas de rendimiento en diferentes umbrales de confianza. Las gráficas de validación disponibles dependen de los artefactos producidos por la ejecución.

Exportar modelo#

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

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

Exporta tu modelo a 20 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 Iniciar exportación
6. Descárgalo cuando finalice

Conecta alertas de Slack para recibir un mensaje cuando una exportación esté lista o falle.

Formatos admitidos#

La plataforma admite la exportación a 20 formatos de despliegue: ONNX, TorchScript, OpenVINO, TensorRT, CoreML, TF SavedModel, TF GraphDef, LiteRT, TF Edge TPU, PaddlePaddle, NCNN, MNN, RKNN, Qualcomm (QNN), IMX500, Axelera, ExecuTorch, DeepX, Hailo y Huawei Ascend.

Guía de selección de formatos#

Objetivos de NVIDIA Jetson TensorRT#

Ultralytics Platform ofrece las siguientes selecciones de destino Jetson para exportaciones de TensorRT .engine. A partir de julio de 2026, los trabajadores de exportación de Jetson utilizan JetPack 7.2 / L4T r39.2, Python 3.12.3, NVIDIA PyTorch 2.12.0a0 (compilación 26.04), CUDA 13.2 y TensorRT 10.16.1.11 dentro del contenedor de exportación.

Los tiempos son pruebas de enrutamiento de producción de extremo a extremo observadas individualmente desde julio de 2026, redondeadas al segundo más cercano; son mediciones de referencia, no un SLA ni un punto de referencia de rendimiento por SKU. Ambas selecciones Thor están construidas sobre un T5000 Developer Kit en el perfil de compatibilidad T4000 de NVIDIA. Las seis rutas Orin están construidas sobre un AGX Orin 64GB, donde cada motor resultante fue cargado y ejecutado.

Compatibilidad de chips RKNN#

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

Ciclo de vida del trabajo de exportación#

Los trabajos de exportación pasan por los siguientes estados:

Acciones de exportación masiva#

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

Restricciones de formato#

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

Clonar modelo#

Clonar un modelo a otro proyecto:

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

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

Descargar modelo#

Descarga los pesos de tu modelo:

1. Navega a la pestaña Overview del modelo
2. Haz clic en el botón Download
3. El punto de control principal .pt del modelo se descarga automáticamente

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

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
• 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 conjuntos de datos de Platform utilizando el formato de URI ul://, la vinculación es automática.

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

Metadatos personalizados#

Abre Más acciones y selecciona Información para revisar dos secciones:

• Metadatos de Ultralytics: Detalles de Platform de solo lectura como el ID del modelo, el proyecto, el conjunto de datos de origen, la tarea, el estado y las marcas de tiempo
• Metadatos personalizados: Tu propio objeto JSON para el contexto de evaluación, el seguimiento de versiones, la gobernanza u otros datos específicos del modelo

Los metadatos personalizados están separados de la información del modelo propiedad del entrenamiento, los detalles del entorno y los argumentos de entrenamiento. Los visores del espacio de trabajo pueden inspeccionarlos, mientras que los miembros con acceso de edición pueden reemplazar el objeto. El objeto de metadatos serializado está limitado a 500.000 caracteres y cada clave de nivel superior está limitada a 128 caracteres. Guarda un objeto vacío ({}) para borrar los metadatos personalizados.

Configuración 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 la cabecera 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 diálogo de confirmación antes de aplicarse.

Eliminar modelo#

Elimina un modelo que ya no necesites:

1. Haz clic en el icono de papelera Eliminar modelo en la cabecera del modelo
2. Confirma la eliminación

Ver también#

• Inferencia: Prueba modelos en el navegador con la pestaña Predict
• Endpoints: Despliega modelos en producción con endpoints dedicados
• Entrenamiento en la nube: Configura y ejecuta tareas de entrenamiento en GPU en la nube
• Formatos de exportación: Guía completa de los 20 formatos de exportación

FAQ#

¿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 (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 es compatible con 7 tipos de tarea: detect, segment, semantic, depth, classify, pose y OBB. YOLO11 y YOLOv8 admiten el mismo conjunto excepto la segmentación semántica y la profundidad, mientras que YOLOv5 admite detect, segment y classify.

¿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 punto de control principal .pt del modelo se descarga automáticamente
3. Los formatos exportados se pueden descargar desde la pestaña Exportar

¿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

¿Cuál es el tamaño máximo del modelo?#

Los archivos de modelos .pt subidos están limitados a 1 GB, y los modelos cercanos a ese límite pueden tardar más en subirse y procesarse.

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

Sí. Elige un modelo compatible de los proyectos oficiales de YOLO26, YOLO11, YOLOv8 o YOLOv5, o selecciona uno de tus propios puntos de control completados o subidos desde Mis modelos en el diálogo de entrenamiento.