Modelos#

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.

Subir modelo#

Sube pesos de modelos existentes a la plataforma:

1. Ve 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 Upload models
3. Los metadatos del modelo se analizan automáticamente a partir del archivo

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

Formatos de modelo compatibles:

Después de subirlo, la plataforma analiza los metadatos del modelo:

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

Entrenar modelo#

Entrena un modelo nuevo directamente en la plataforma:

1. Ve a tu proyecto
2. Haz clic en New Model
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.

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:

Cabecera del modelo#

Sobre las pestañas, la cabecera muestra el color del modelo (editable), el nombre (haz clic para cambiarlo), la insignia de la tarea, la versión ultralytics del checkpoint y un selector de licencia. Sus acciones son Clone Model (en modelos completados con pesos que aún no posees), Download, Star, Share (modelos públicos) y un menú de More actions que incluye Information, Refresh y Delete Model.

Justo debajo, una tarjeta por cada métrica de la tarea muestra el valor final sobre una minigráfica de su evolución durante el entrenamiento —haz clic en cualquier tarjeta para ir a las gráficas— junto a una tarjeta que enlaza con el conjunto de datos con el que se entrenó el modelo.

Pestaña Overview#

La tarjeta Run Information registra cómo se ejecutó la ejecución: estado, hora de inicio, tiempo de ejecución, coste de computación con la GPU y la tarifa por hora, la versión ultralytics, los detalles del host (nombre del host, entorno, sistema operativo, Python, CPU, GPU), el modelo principal, la versión fijada del conjunto de datos, el repositorio de Git, la rama y el commit cuando la ejecución los proporcionó, y un comando reproducible yolo train que puedes copiar.

Mientras una ejecución está activa, la tarjeta muestra el progreso en directo —contador de épocas, barra de progreso, tiempo transcurrido, ETA y coste acumulado— y un botón Cancel. Si una ejecución falla, un banner de error la sustituye y muestra el error capturado y las acciones View full console logs y Retry Training.

Debajo, Training Configuration muestra todos los hiperparámetros utilizados y Performance Metrics muestra los resultados finales de evaluación. Ambas tablas permiten búsquedas e incluyen un menú Export data (Copy JSON, Download CSV, Download JSON).

Pestaña Train#

La pestaña Train tiene tres subpestañas:

Subpestaña Charts#

Gráficas interactivas de métricas por época, divididas en vistas de Training y Validation cuando la ejecución ha generado artefactos de validación. Los grupos de gráficas siguen las métricas notificadas por la ejecución:

Cada grupo se puede contraer; su menú permite ocultar o mostrar gráficas individuales (y, en el caso de las pérdidas, las series de entrenamiento o validación), y puedes arrastrar y cambiar el tamaño de las gráficas para crear una disposición que se conserva entre sesiones.

Subpestaña Console#

Salida de la consola en directo del proceso de entrenamiento:

• Transmisión de registros en tiempo real durante el entrenamiento, conservando las últimas 2000 líneas
• Barras de progreso de las épocas y resultados de validación
• Detección de errores fatales que finaliza la ejecución y muestra el mensaje en un banner
• Compatibilidad con colores ANSI, una columna de marcas de tiempo opcional y copia con un clic como texto sin formato

Subpestaña System#

Una tarjeta del host que resume la instancia de entrenamiento (nombre del host, CPU, GPU, totales de RAM y disco, y cuándo se detectó por última vez), seguida de gráficas por época:

Las gráficas de GPU, red y disco solo aparecen cuando la ejecución ha notificado esos contadores.

Pestaña Predict#

Ejecuta inferencia interactiva directamente en el navegador:

• Sube una imagen, usa imágenes de ejemplo o utiliza la webcam
• Los resultados se muestran con cuadros delimitadores, máscaras, mapas de clases semánticas o puntos clave
• Inferencia automática cuando se proporciona una imagen
• Admite todos los tipos de tarea (detect, segment, semantic, depth, classify, pose, OBB)

Pestaña Export#

Exporta tu modelo a 20 formatos de despliegue. Consulta Export Model más abajo y la guía del modo Export principal para obtener todos los detalles.

Pestaña Deploy#

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

Gráficas de validación#

Cuando finaliza el entrenamiento, la vista Validation dentro de la subpestaña Charts muestra un análisis detallado de la última época.

Matriz de confusión#

Mapa de calor interactivo que muestra la precisión de las predicciones por clase:

Curvas PR/F1#

Cuando la ejecución de entrenamiento las proporciona, la vista Validación también muestra curvas de rendimiento en distintos umbrales de confianza. Los gráficos de validación disponibles dependen de los artefactos generados por la ejecución.

Diagnóstico por imagen#

Los modelos de detección entrenados con una versión guardada del dataset también incluyen un análisis de validación por imagen, que señala los datos detrás de una puntuación decepcionante:

• Imágenes con mejor y peor rendimiento, ordenadas por F1 por imagen y dibujadas con sus BBox de ground truth
• Explorador de características, que correlaciona F1 con la anchura, la altura, el número de píxeles, la relación de aspecto y el número de instancias de la imagen, con la relación más fuerte seleccionada de forma predeterminada
• Clases asociadas a los fallos, ordenadas según qué clases aparecen con mayor frecuencia en las imágenes más débiles
• Find similar en la galería con peor rendimiento, en una sola imagen en su vista de pantalla completa y en una fila de clase, que busca imágenes en conjuntos de datos públicos similares a los fallos capturados y añade las imágenes seleccionadas al conjunto de datos de entrenamiento como imágenes train sin etiquetar (consulta Find Similar Images); se muestra cuando puedes editar el proyecto y el conjunto de datos de entrenamiento es un conjunto de datos no conectado del mismo espacio de trabajo

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. Ve a la pestaña Exportar
2. Selecciona el formato de destino
3. Configura los argumentos de exportación (tamaño de imagen, precisión de 16 bits, dinámico, etc.)
4. Para los formatos que requieren GPU (TensorRT), selecciona un tipo de GPU
5. Haz clic en Iniciar exportación
6. Descárgalo cuando termine

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

Formatos compatibles#

Platform 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#

Destinos TensorRT de NVIDIA Jetson#

Ultralytics Platform ofrece las siguientes selecciones de destino Jetson para exportaciones de TensorRT .engine. Las mediciones de validación de julio de 2026 utilizaron 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. Describen ese entorno probado; verifica los tiempos de ejecución actuales del trabajador y del dispositivo de implementación antes de reutilizar un motor exportado.

Los tiempos son pruebas de enrutamiento de producción de extremo a extremo observadas una sola vez en julio de 2026 y redondeadas al segundo más cercano; son mediciones de referencia, no un SLA ni una comparativa de rendimiento por SKU. Ambas selecciones Thor se compilan en un Developer Kit T5000 con el perfil de compatibilidad T4000 de NVIDIA. Las seis rutas Orin se compilan en un AGX Orin 64GB, donde se cargó y ejecutó cada motor resultante.

Compatibilidad de chips RKNN#

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

Ciclo de vida de los trabajos de exportación#

Los trabajos de exportación pasan por los siguientes estados:

Acciones de exportación masiva#

• Exportar todo: Haz clic en Export All para iniciar trabajos de exportación para todos los formatos basados en CPU con la configuración predeterminada. Los formatos que necesitan seleccionar una GPU, no están disponibles para este modelo o ya tienen una exportación se omiten y se muestran en una lista.
• 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:

Mover modelos entre proyectos#

Mueve los modelos que puedes editar a otro proyecto del mismo espacio de trabajo sin copiarlos:

1. Abre el proyecto de origen y selecciona uno o más modelos en la lista de modelos
2. Haz clic derecho y elige Cortar (Cmd/Ctrl+X)
3. Abre el proyecto de destino, haz clic derecho en la lista de modelos y elige Pegar (Cmd/Ctrl+V), o arrastra los modelos seleccionados al proyecto de destino en la barra lateral

Los modelos movidos conservan sus pesos, métricas, exportaciones y despliegues y toman la URL del proyecto de destino. Un modelo cuyo nombre de URL ya se esté usando en el destino se renombra al llegar, los modelos que todavía están entrenando no se pueden mover y Esc cancela un corte pendiente. Para copiar un modelo que no te pertenece en uno de tus proyectos, usa Clonar modelo.

Clonar modelo#

Clona un modelo en otro proyecto:

1. Abre la página del modelo
2. Haz clic en Clonar modelo
3. Selecciona el proyecto de destino o elige Nuevo proyecto para crear uno directamente
4. Si quieres, asigna otro nombre al clon
5. Haz clic en Clonar modelo

El modelo y sus pesos se copian en el proyecto de destino. Clonar modelo aparece en los modelos completados cuyos pesos aún no posees.

Descargar modelo#

Descarga los pesos de tu modelo:

1. Ve a la pestaña Descripción general del modelo
2. Haz clic en el botón Descargar
3. El checkpoint principal .pt del modelo se descarga automáticamente

Los formatos exportados se pueden descargar desde la pestaña Exportar cuando finaliza la exportación.

Vinculación de conjuntos de datos#

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

• Consulta qué conjunto de datos se utilizó para el entrenamiento
• Haz clic en la tarjeta del conjunto de datos de la pestaña Descripción general para acceder a él
• Haz un seguimiento del linaje de los datos

Al entrenar con conjuntos de datos de Platform mediante 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 son independientes de la información del modelo propiedad del entrenamiento, los detalles del entorno y los argumentos de entrenamiento. Los usuarios con permisos de visualización del espacio de trabajo pueden consultarlos, mientras que los miembros con acceso de edición pueden sustituir 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:

La visibilidad se establece a nivel de proyecto, por lo que controla todos los modelos del proyecto. Para cambiarla, haz clic en la insignia de visibilidad (private o public) situada junto al nombre del proyecto en la ruta de navegación de la parte superior de la página. El cambio a privado se aplica inmediatamente. El cambio a público muestra un diálogo de confirmación antes de aplicarse.

Eliminar modelo#

Elimina un modelo que ya no necesites:

1. Abre el menú Más acciones en la cabecera del modelo y selecciona Eliminar modelo
2. Confirma la eliminación

Consulta también#

• Inferencia: prueba modelos en el navegador con la pestaña Predecir
• Endpoints: implementa modelos en producción con endpoints dedicados
• Entrenamiento en la nube: configura y ejecuta trabajos de entrenamiento en GPU en la nube
• Formatos de exportación: guía completa de los 20 formatos de exportación

Preguntas frecuentes#