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:

Encabezado del modelo#

Encima de las pestañas, el encabezado muestra el color del modelo (editable), el nombre (haz clic para cambiarlo), la insignia de la tarea, la versión del punto de control ultralytics, y un selector de licencia. Sus acciones son Clonar modelo (en modelos completados con pesos que aún no posees), Descargar, Destacar, Compartir (modelos públicos), y un menú de Más acciones que contiene Información, Actualizar y Eliminar modelo.

Justo debajo, una tarjeta por métrica de tarea muestra el valor final sobre un minigráfico (sparkline) de su progresión de entrenamiento —haz clic en cualquier tarjeta para saltar a los gráficos— junto a una tarjeta que enlaza el conjunto de datos con el que se entrenó el modelo.

Pestaña Overview#

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

Mientras una ejecución está activa, la tarjeta muestra el progreso en vivo —contador de épocas, barra de progreso, tiempo transcurrido, tiempo estimado restante (ETA), costo acumulado— y un botón de Cancelar. Si una ejecución falla, un banner de error la reemplaza con el error capturado y las acciones de Ver registros completos de consola y Reintentar entrenamiento.

Debajo, Configuración de entrenamiento enumera cada hiperparámetro utilizado y Métricas de rendimiento enumera los resultados de evaluación finales. Ambas tablas permiten búsquedas y tienen un menú de Exportar datos (Copiar JSON, Descargar CSV, Descargar JSON).

Pestaña Train#

La pestaña Train tiene tres subpestañas:

Subpestaña Charts (Gráficos)#

Gráficos de métricas interactivas a lo largo de las épocas, divididos en vistas de Entrenamiento y Validación cuando la ejecución produjo artefactos de validación. Los grupos de gráficos siguen las métricas que informó la ejecución:

Cada grupo se contrae, su menú oculta o muestra gráficos individuales (y, para las pérdidas, la serie de entrenamiento o validación), y los gráficos se pueden arrastrar y redimensionar en un diseño que persiste entre sesiones.

Subpestaña Console (Consola)#

Salida de consola en vivo del proceso de entrenamiento:

• Transmisión de registros en tiempo real durante el entrenamiento, conservando las últimas 2000 líneas
• Barras de progreso de 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 marca de tiempo opcional y copia con un solo clic como texto plano

Subpestaña System (Sistema)#

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

Los gráficos de GPU, red y disco aparecen solo cuando la ejecución informó esos contadores.

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 que finaliza el entrenamiento, la vista de Validación dentro de la subpestaña Gráficos muestra un análisis detallado de la última época.

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 vista de Validación también muestra curvas de rendimiento a diferentes umbrales de confianza. Las gráficas de validación disponibles dependen de los artefactos producidos por la ejecución.

Diagnósticos por imagen#

Los modelos de detección entrenados con una versión de conjunto de datos guardada también obtienen un análisis de validación por imagen, el cual señala los datos detrás de una puntuación decepcionante:

• Imágenes con peor y mejor rendimiento, ordenadas por F1 por imagen y dibujadas con sus cajas de verdad de terreno (ground-truth)
• Explorador de características, que correlaciona F1 con el ancho, alto, recuento de píxeles, relación de aspecto y recuento de instancias de la imagen, con la relación más fuerte seleccionada por defecto
• Clases asociadas con fallos, ordenando qué clases aparecen con más frecuencia en las imágenes más débiles

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, las exportaciones de Jetson TensorRT se compilan con 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.

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 tareas de exportación para todos los formatos basados en CPU con la configuración predeterminada. Los formatos que necesitan una selección de GPU, no están disponibles para este modelo o ya tienen una exportación se omiten y se enumeran para ti.
• 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, o elige Nuevo proyecto para crear uno sobre la marcha
4. Opcionalmente, dale al clon un nombre diferente
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 con pesos que no posees todavía.

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:

La visibilidad se establece a nivel de proyecto, por lo que controla cada modelo 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 (breadcrumb) en la parte superior de la página. Cambiar a privado surte efecto de inmediato. Cambiar 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 el encabezado del modelo y selecciona Eliminar 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#