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:
- Navega hasta tu proyecto.
- Haga clic en «Subir modelo».
- Seleccione su
.ptarchivo - Añadir nombre y descripción
- Haga clic en Subir
Formatos de modelos compatibles:
| Formato | Extensión | Descripción |
|---|---|---|
| PyTorch | .pt | Ultralytics 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:
- Navega hasta tu proyecto.
- Haga clic en el modelo de tren.
- Seleccionar conjunto de datos
- Elija el modelo básico
- Configurar los parámetros de entrenamiento
- Comience el entrenamiento
Consulte Formación sobre la nube para obtener instrucciones detalladas.
Descripción general del modelo
Cada página de modelo muestra:
| Sección | Contenido |
|---|---|
| Visión general | Metadatos del modelo, tipo de tarea, arquitectura |
| Métricas | Gráficos de pérdida de entrenamiento y rendimiento |
| Parcelas | Matriz de confusión, curvas PR, curvas F1 |
| Prueba | Prueba de inferencia interactiva |
| Implementar | Creación y gestión de terminales |
| Exportar | Conversión de formato y descarga |
Métricas de entrenamiento
Ver métricas de entrenamiento en tiempo real e históricas:
Curvas de pérdidas
| Pérdida | Descripción |
|---|---|
| Caja | Pérdida de regresión del cuadro delimitador |
| Clase | Pérdida de clasificación |
| DFL | Pérdida focal de distribución |
Métricas de rendimiento
| Métrica | Descripción |
|---|---|
| mAP50 | Precisión media en IoU ,50 |
| mAP50 | Precisión media en IoU ,50-0,95 |
| Precisión | Proporción de predicciones positivas correctas |
| Recall | Proporción 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:
| Curva | Descripción |
|---|---|
| Precisión-Recuperación | Compromiso entre precisión y recuperación |
| F1-Confianza | Puntuación F1 en diferentes niveles de confianza |
| Precisión-Confianza | Precisión en diferentes niveles de confianza |
| Confianza en la recuperación | Recuerde en diferentes niveles de confianza |
Modelo de exportación
Exporta tu modelo a 17 formatos de implementación:
- Vaya a la pestaña Exportar.
- Seleccionar formato de destino
- Haga clic en Exportar.
- Descargar cuando esté completo
Formatos compatibles
| Formato | Descripción | Caso de uso |
|---|---|---|
| ONNX | Intercambio abierto de redes neuronales | Implementación multiplataforma |
| TorchScript | PyTorch serializado | PyTorch |
| OpenVINO | Intel | Intel |
| TensorRT | NVIDIA | NVIDIA |
| CoreML | Optimización de Apple | iOS |
| TFLite | TensorFlow Lite | Móvil/integrado |
| TF SavedModel | TensorFlow | TensorFlow |
| TF GraphDef | TensorFlow | TensorFlow heredado |
| PaddlePaddle | Marco de trabajo de Baidu | PaddlePaddle |
| NCNN | Inferencia móvil | Android |
| TPU de borde | Google TPU | Dispositivos Coral |
| TF.js | TensorFlow.js | Implementación del navegador |
| MNN | Marco de Alibaba | Optimización móvil |
| RKNN | NPU Rockchip | Dispositivos Rockchip |
| IMX | NXP i.MX | Plataformas NXP |
| Axelera | Metis IA | Aceleradores de IA de borde |
| ExecuTorch | Marco meta | Meta 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:
| Configuración | Descripción |
|---|---|
| Privado | Solo tú puedes acceder |
| Público | Cualquiera puede ver la página Explorar. |
Para cambiar la visibilidad:
- Abrir el menú de acciones del modelo
- Haga clic en Editar.
- Alternar visibilidad
- Haga clic en Guardar.
Eliminar modelo
Elimine un modelo que ya no necesite:
- Abrir el menú de acciones del modelo
- Haga clic en Eliminar.
- 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:
- Haga clic en el icono de descarga.
- Seleccionar formato (original)
.pto exportado) - 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:
- Transferir modelos a un único proyecto, o
- 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.