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.

Cargar Modelo

Cargar los pesos del modelo existente en la plataforma:

1. Navegue a su proyecto
2. Arrastrar y soltar .pt archivos en la página del proyecto o en la barra lateral de modelos
3. Los metadatos del modelo se analizan automáticamente a partir del archivo.

Se pueden cargar varios archivos simultáneamente (hasta 3 a la vez).

Formatos de modelo compatibles:

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

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

Entrenar Modelo

Entrena un nuevo modelo directamente en la plataforma:

1. Navegue a su proyecto
2. Haga clic en Nuevo modelo
3. Seleccionar modelo base y conjunto de datos
4. Configura los parámetros de entrenamiento
5. Elija formación en la nube o local
6. Inicia el entrenamiento

Consulte Entrenamiento en la Nube para obtener instrucciones detalladas.

Ciclo 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[17+ 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

Pestañas de la página del modelo

Cada página de modelo tiene las siguientes pestañas:

Pestaña Descripción general

Muestra los metadatos del modelo y las métricas clave:

• Nombre del modelo (editable), insignia de estado, tipo de tarea
• Métricas finales (mAP50, mAP50, precisión, recuperación)
• Gráficos métricos de sparkline que muestran la progresión del entrenamiento.
• Argumentos de entrenamiento (épocas, tamaño del lote, tamaño de la 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 Tren

La pestaña Tren tiene tres subpestañas:

Subpestaña Gráficos

Gráficos métricos de entrenamiento interactivos que muestran curvas de pérdida y métricas de rendimiento a lo largo de épocas:

Subpestaña Consola

Salida de la consola en vivo del proceso de entrenamiento:

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

Subpestaña Sistema

Métricas GPU del sistema durante el entrenamiento:

Pestaña Predecir

Ejecute la inferencia interactiva directamente en el navegador:

• Sube una imagen, pega una URL o utiliza la cámara web.
• Los resultados se muestran con cuadros delimitadores, máscaras o puntos clave.
• Inferencia automática cuando se proporciona una imagen
• Admite todos los tipos de tareas (detect, segment, pose, OBB, classify)

Pestaña Exportar

Exporte su modelo a más de 17 formatos de implementación. Consulte Exportar modelo a continuación y la guía básica del modo Exportar para obtener más detalles.

Pestaña Implementar

Cree y gestione puntos finales de inferencia dedicados. Consulte Implementaciones para obtener más información.

Gráficos de validación

Una vez completado el entrenamiento, vea un 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:

Exportar 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 17 formatos de implementación:

1. Navegue a la pestaña Exportar
2. Seleccione el formato de destino
3. Configurar argumentos de exportación (tamaño de imagen, media precisión, dinámica, etc.)
4. Para formatos GPU(TensorRT), seleccione un GPU
5. Haga clic en Exportar
6. Descargue cuando esté completo

Formatos compatibles

La plataforma admite la exportación a más de 17 formatos de implementación: ONNX, TorchScript, OpenVINO, TensorRT, CoreML, TF SavedModel, TF GraphDef, TF , TF TPU, TF.js, PaddlePaddle, NCNN, MNN, RKNN, IMX500, Axelera y ExecuTorch.

Guía de selección de formatos

Compatibilidad con chips RKNN

Al exportar al formato RKNN, seleccione su 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: Haga clic Export All Iniciar trabajos de exportación para todos los formatos CPU con la configuración predeterminada.
• Eliminar todas las exportaciones: Haga clic Delete All para eliminar todas las exportaciones del modelo.

Restricciones de formato

Algunos formatos de exportación tienen restricciones de arquitectura o tareas:

Modelo clonado

Clonar un modelo en un proyecto diferente:

1. Abrir la página del modelo
2. Haga clic en el botón Clonar.
3. Selecciona el proyecto de destino.
4. Haga clic en Clone

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

Descargar Modelo

Descarga los pesos de tu modelo:

1. Navega hasta la pestaña Descripción general del modelo.
2. Haga clic en el botón Descargar.
3. El original .pt Descarga automática de archivos

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

Vinculación de conjuntos de datos

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

• Visualizar qué conjunto de datos se utilizó para el entrenamiento
• Haga clic en la tarjeta del conjunto de datos en la pestaña Descripción general para acceder a él.
• track el linaje de los datos

Al entrenar con conjuntos de datos de la Plataforma utilizando el ul:// Formato URI, 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

Configuración de Visibilidad

Controla quién puede ver tu modelo:

Para cambiar la visibilidad, haz clic en la insignia de visibilidad (por ejemplo, private o public) en la página del modelo. El cambio a privado se aplica de forma inmediata. El cambio a público muestra un cuadro de diálogo de confirmación antes de aplicarse.

Eliminar modelo

Elimina un modelo que ya no necesites:

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

Preguntas frecuentes

¿Qué arquitecturas de modelo son compatibles?

Ultralytics es totalmente compatible con todas YOLO con proyectos dedicados:

• YOLO26: variantes n, s, m, l, x (última versión, recomendada) — platform.ultralytics.ultralytics
• YOLO11: variantes n, s, m, l, x — platform.ultralytics.yolo11
• YOLOv8: variantes n, s, m, l, x — platform.ultralytics.yolov8
• YOLOv5: variantes n, s, m, l, x — platform.ultralytics.yolov5

Todas las arquitecturas admiten 5 tipos de tareas: detect, segment, pose, OBB y classify.

¿Puedo descargar mi modelo entrenado?

Sí, descargue los pesos de su modelo desde la página del modelo:

1. Haga clic en el icono de descarga en la pestaña Descripción general.
2. El original .pt Descarga automática de archivos
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. Clonar modelos a un único proyecto, o
2. Exporta métricas y compara externamente

¿Cuál es el tamaño máximo del modelo?

No hay un límite estricto, pero los modelos muy grandes (>2GB) pueden tener tiempos de carga y procesamiento más largos.

¿Puedo ajustar modelos preentrenados?

¡Sí! Puede utilizar cualquiera de los modelos oficiales de YOLO26 como base, o seleccionar uno de sus propios modelos completados en el selector de modelos del cuadro de diálogo de entrenamiento. La plataforma admite el ajuste fino desde cualquier punto de control cargado.

📅 Creado hace 1 mes ✏️ Actualizado hace 5 días

Comentarios