Ultralytics YOLO27: Inscreve-te na lista de espera.
Começar

Plataforma Ultralytics

O Ultralytics Platform é uma plataforma de ponta a ponta de visão computacional que abrange todo o fluxo de trabalho de aprendizado de máquina, da preparação de dados à implantação de modelos. Foi desenvolvido para equipes e profissionais que querem treinar e implantar modelos de visão prontos para produção sem gerenciar a própria infraestrutura.

Captura de tela do conjunto de dados da Plataforma Ultralytics

O que é a Plataforma Ultralytics?#

O Ultralytics Platform reúne gerenciamento e anotação de conjuntos de dados, acompanhamento de experimentos, treinamento na nuvem e remoto, exportação de modelos, endpoints de inferência dedicados e monitoramento de implantação em um único espaço de trabalho. Oferece suporte nativo aos modelos YOLO26, YOLO11, YOLOv8 e YOLOv5.

Fluxo de trabalho: Enviar → Anotar → Treinar → Exportar ou implantar#

A Plataforma oferece um fluxo de trabalho de ponta a ponta:

EstágioRecursos
EnviarImagens (50MB), vídeos (1GB) e arquivos de conjuntos de dados (ZIP, TAR, incluindo .tar.gz/.tgz, NDJSON) do seu computador, de uma URL, do armazenamento na nuvem ou de um host local
AnotarFerramentas de anotação manual para 6 tipos de tarefa, além da Anotação Inteligente com modelos SAM para detecção, segmentação, semântica e OBB; modelos YOLO para essas tarefas e pose; ou modelos com prompts de classe (modelos de código aberto hospedados ou modelos pagos de provedores) para conjuntos de dados de detecção com 1–200 classes (consulte tipos de tarefa compatíveis)
TreinarGPUs na nuvem (24 em todos os planos + 2 exclusivos dos planos Pro/Enterprise: B200, B300), métricas em tempo real e organização de projetos
Exportar23 formatos de implantação (ONNX, TensorRT, CoreML, LiteRT, Hailo, Ascend etc.; consulte formatos compatíveis)
Implantar42 regiões globais com endpoints dedicados, escala para zero por padrão (uma única instância ativa) e monitoramento

O que você pode fazer:

  • Enviar imagens, vídeos e arquivos de conjuntos de dados para criar conjuntos de dados de treinamento
  • Visualizar anotações com sobreposições interativas para os 6 tipos de tarefa YOLO compatíveis com o editor de anotações (consulte os tipos de tarefa compatíveis)
  • Treinar modelos em GPUs na nuvem (24 em todos os planos, 26 com Pro ou Enterprise para B200 e B300) com métricas em tempo real
  • Exporte para 23 formatos de implantação (ONNX, TensorRT, CoreML, LiteRT, Hailo, Ascend etc.)
  • Implantar em 42 regiões globais com endpoints dedicados em um clique
  • Criar fluxos de trabalho de Agents que conectam modelos, condições, coleta de conjuntos de dados, alertas do Slack e webhooks
  • Monitorar o progresso do treinamento, a integridade da implantação e as métricas de uso
  • Conectar armazenamento na nuvem, ferramentas de anotação e Slack por meio de integrações
  • Colaborar tornando projetos e conjuntos de dados públicos para a comunidade

Infraestrutura multirregional#

Seus dados permanecem na sua região. A Plataforma Ultralytics opera infraestrutura em três regiões globais:

RegiãoRótuloLocalizaçãoIdeal para
USAméricasIowa, EUAUsuários das Américas; menor latência para as Américas
EUEuropa, Oriente Médio e ÁfricaBélgica, EuropaUsuários europeus; conformidade com o GDPR
APÁsia-PacíficoTaiwan, Ásia-PacíficoUsuários da Ásia-Pacífico; menor latência na região APAC

Você seleciona a região dos seus dados durante o cadastro. Os conjuntos de dados, os modelos e os dados de treinamento gerenciados permanecem nessa região. Os endpoints dedicados são implantados separadamente em uma região que você escolhe no mapa global de implantação.

A região é permanente

Você não pode alterar a região dos seus dados por conta própria após criar a conta. Durante o cadastro, a Plataforma mede a latência para cada região e recomenda a mais próxima. Entre em contato com o suporte se precisar solicitar uma alteração de região mais tarde. Isso se aplica ao conteúdo de conjuntos de dados e modelos; os dados da conta, como perfil, cobrança e registros de atividade, são processados globalmente, conforme descrito na nossa Política de Privacidade e no nosso Acordo de Processamento de Dados.

Principais funcionalidades#

Preparação de dados#

  • Gerenciamento de conjuntos de dados: Crie conjuntos de dados a partir de arquivos locais, de uma URL, de um armazenamento na nuvem conectado ou de um host local, com processamento automático
  • Editor de anotações: Ferramentas de anotação manual para 6 tipos de tarefa YOLO (detecção, segmentação, semântica, classificação, pose, OBB; consulte os tipos de tarefa compatíveis)
  • Modelos de esqueleto: Modelos de esqueleto integrados (Pessoa, Mão, Cão, Rosto, Caixa) e personalizados para anotar poses com um clique
  • Anotação inteligente: usa SAM 2.1 (Tiny, Small, Base, Large), SAM 3 ou SAM 3.1 (predefinido) na barra de ferramentas de anotação para tarefas de detecção, segmentação, semântica e OBB; modelos Ultralytics YOLO pré-treinados e os teus próprios modelos YOLO ajustados para essas tarefas e pose; ou modelos com indicação de classe em conjuntos de dados de detecção com 1–200 classes: nove modelos de código aberto hospedados (Moondream 3.1 por predefinição em Anotação em lote, e mais um com Acesso antecipado ativado), SAM 3 e SAM 3.1 hospedados e orientados por texto, ou modelos de visão pagos da OpenAI, Anthropic, Google, Meta, SpaceXAI, DeepSeek, Z.ai, Kimi, Xiaomi MiMo, Alibaba, MiniMax e Tencent, usando uma chave do fornecedor em Settings > API Keys
  • Controle de versões de conjuntos de dados: Crie snapshots numerados em NDJSON com descrições e, em seguida, baixe ou restaure qualquer versão para garantir um treinamento reproduzível
  • Estatísticas: Distribuição de classes, distribuição de divisões, mapas de calor de localização e análise das dimensões das caixas delimitadoras
Tipos de tarefa compatíveis

O editor de anotações oferece ferramentas para 6 tipos de tarefa YOLO: detectar (caixas delimitadoras), segmentar (polígonos), semântica (regiões por classe), classificar (rótulos no nível da imagem), pose (pontos-chave) e OBB (caixas orientadas). Cada tipo de tarefa tem controles de anotação e atalhos de teclado próprios.

Treinamento de modelos#

  • Treinamento na nuvem: Treine em GPUs na nuvem (24 em todos os planos, 26 com Pro ou Enterprise para B200 e B300) com métricas em tempo real e uma estimativa de custo atualizada
  • Treinamento remoto: Treine em qualquer lugar e transmita métricas para a Plataforma Ultralytics
  • Configurações avançadas: Substitua qualquer argumento de treinamento da Ultralytics usando um editor YAML integrado na janela de treinamento
  • Organização de projetos: Agrupe modelos relacionados, compare experimentos e acompanhe atividades
  • 23 formatos de exportação: ONNX, TensorRT, CoreML, LiteRT, Hailo, Ascend e outros (consulte formatos compatíveis)

Captura de tela de projeto da Plataforma Ultralytics

Você pode treinar modelos pela interface web (treinamento na nuvem) ou no seu próprio computador (treinamento remoto):

  1. Acesse seu projeto
  2. Clique em New Model
  3. Selecione o conjunto de dados, o modelo, a GPU e o número de épocas
  4. Monitore as curvas de perda e as métricas em tempo real

Implantação#

  • Teste de inferência: Teste modelos diretamente no navegador com suas próprias imagens, uma captura da webcam ou os exemplos integrados
  • Endpoints dedicados: Implante em 42 regiões globais com escala para zero por padrão (uma única instância ativa)
  • Monitoramento: métricas em tempo real, registros de solicitações e painéis de desempenho

Após a implantação, chame seu endpoint de qualquer linguagem. conf, iou e imgsz são campos de formulário opcionais que, por padrão, usam 0.25, 0.5 e o tamanho de imagem usado no treinamento do modelo (640, se indisponível):

import requests

url = "https://your-deployment-url.run.app/predict"
api_key = "YOUR_API_KEY"
args = {"conf": 0.25, "iou": 0.5, "imgsz": 640}

with open("image.jpg", "rb") as f:
    response = requests.post(
        url,
        headers={"Authorization": f"Bearer {api_key}"},
        data=args,
        files={"file": f},
    )

print(response.json())

Gerenciamento da conta#

  • Equipes e organizações: colabore com membros da equipe, gerencie funções e convites e alterne entre espaços de trabalho pelo menu da conta
  • Chaves de API: gerenciamento seguro de chaves para treinamento remoto e acesso à API
  • Créditos e cobrança: treinamento com pagamento conforme o uso, preços transparentes e recargas de US$ 5 a US$ 1.000
  • Feed de atividades: acompanhe todos os eventos e ações da conta
  • Lixeira e restauração: exclusão reversível por 30 dias com recuperação de itens
  • Conformidade com o GDPR: exportação de dados e exclusão da conta
Níveis dos planos

Consulte a comparação oficial dos planos Free, Pro e Enterprise para ver os limites atuais, o acesso a GPUs, os recursos de colaboração e o licenciamento.

Comece a usar estes recursos:

Solução de problemas#

Problemas com conjuntos de dados#

ProblemaSolução
O conjunto de dados não é processadoVerifique se o formato do arquivo é compatível (JPEG, PNG, WebP, TIFF, HEIC, AVIF, BMP, JP2, DNG, MPO para imagens). Tamanho máximo de arquivo: imagens 50 MB, vídeos 1 GB, arquivos de conjunto de dados 10 GB (Free) / 20 GB (Pro) / 50 GB (Enterprise)
Anotações ausentesVerifique se os rótulos estão no formato YOLO, com arquivos .txt que correspondam aos nomes dos arquivos de imagem, ou envie um arquivo JSON do COCO
"É necessário um conjunto de treinamento"Adicione a pasta train/ à estrutura do conjunto de dados ou redistribua as divisões pela barra de divisão
Nomes de classes indefinidosAdicione um arquivo data.yaml com uma lista names: (consulte formato YOLO) ou defina as classes na aba Classes

Problemas de treinamento#

ProblemaSolução
O treinamento não começaVerifique o saldo de créditos em Configurações > Cobrança. É necessário ter saldo positivo
Erro de falta de memóriaReduza o tamanho do lote, use um modelo menor (n/s) ou selecione uma GPU com mais VRAM
Métricas insatisfatóriasVerifique a qualidade do conjunto de dados, aumente o número de épocas, experimente o aumento de dados e confira o equilíbrio entre as classes
Treinamento lentoSelecione uma GPU mais rápida, reduza o tamanho da imagem e verifique se o conjunto de dados não é o gargalo

Problemas de implantação#

ProblemaSolução
O endpoint não respondeVerifique o status do endpoint (Ready ou Stopped). Uma inicialização a frio após um período de inatividade pode levar até um minuto na primeira solicitação
401 Não autorizadoVerifique se a chave de API está ativa e foi copiada corretamente
Inferência lentaVerifique o tamanho do modelo, considere a exportação para TensorRT e selecione uma região mais próxima
Falha na exportaçãoAlguns formatos exigem arquiteturas de modelo específicas. Experimente ONNX para obter a maior compatibilidade

Perguntas frequentes#

Posso alterar meu nome de usuário depois de me cadastrar?

Não, os nomes de usuário são permanentes e não podem ser alterados. Escolha com cuidado durante o cadastro.

Posso alterar minha região de dados?

Sua região de dados é selecionada durante a integração e você não pode alterá-la por conta própria. Para mudar de região, entre em contato com o suporte e solicite a alteração.

Como posso obter mais créditos?

Acesse Configurações > Cobrança e clique em Adicionar créditos. Compre créditos de US$ 5 a US$ 1.000. Os créditos comprados nunca expiram.

O que acontece se o treinamento falhar?

Se a computação na nuvem tiver sido iniciada, o tempo de GPU decorrido será cobrado. Falhas ocorridas antes da inicialização de uma GPU não geram cobrança pelo uso de computação.

Posso baixar meu modelo treinado?

Sim. Clique no ícone de download na página do modelo para baixar os pesos .pt ou abra a aba Exportar para acessar os formatos exportados concluídos.

Como compartilho meu trabalho publicamente?

Abra o projeto ou conjunto de dados, clique no selo Privado na barra de navegação superior e confirme em Tornar público. O conteúdo público aparece na página Explorar.

Quais são os limites de tamanho dos arquivos?

Imagens: 50 MB; vídeos: 1 GB; conjuntos de dados: 10 GB no Free, 20 GB no Pro e 50 GB no Enterprise. Para arquivos maiores, divida-os em vários envios.

Por quanto tempo os itens excluídos ficam na Lixeira?

30 dias. Depois disso, os itens são excluídos permanentemente e não podem ser recuperados.

Posso usar comercialmente os modelos da Platform?

Os planos Free e Pro usam a licença AGPL. Para uso comercial sem as exigências da AGPL, consulte Licenciamento da Ultralytics.

Perguntas frequentes#

  • Para começar a usar a Ultralytics Platform:

    1. Cadastre-se: crie uma conta em platform.ultralytics.com
    2. Selecione uma região: escolha sua região de dados (US, EU ou AP) durante a integração
    3. Envie um conjunto de dados: abra Annotate na barra lateral e envie seus dados
    4. Treine um modelo: crie um projeto e comece a treinar em GPUs na nuvem
    5. Implante: teste seu modelo e implante-o em um endpoint dedicado

    Para ver um guia detalhado, consulte a página Início rápido.

  • A Ultralytics Platform oferece:

    • Fluxo de trabalho unificado: dados, treinamento e implantação em um só lugar
    • Várias regiões: residência de dados em regiões dos EUA, da UE ou da AP
    • Treinamento sem código: treine modelos YOLO avançados sem escrever código
    • Métricas em tempo real: acompanhe o progresso do treinamento em tempo real e monitore as implantações
    • 42 regiões de implantação: implante modelos perto de seus usuários em todo o mundo
    • 7 tipos de tarefa: suporte para detecção, segmentação de instâncias, segmentação semântica, estimativa de profundidade, classificação, pose e OBB (consulte a documentação das tarefas)
    • Anotação assistida por IA: anotação inteligente com SAM, YOLO e modelos orientados por classes (conjuntos de dados de detecção com 1–200 classes) para acelerar a preparação dos dados
  • A Ultralytics Platform oferece suporte a vários tipos de GPU para treinamento na nuvem:

    GPUGeraçãoVRAMIdeal para
    RTX 2000 AdaAda16 GBConjuntos de dados pequenos, testes
    RTX A4500Ampere20 GBConjuntos de dados pequenos e médios
    RTX A5000Ampere24 GBConjuntos de dados médios
    RTX 4000 AdaAda20 GBConjuntos de dados médios
    RTX 3090Ampere24 GBTreinamento geral
    RTX PRO 4000Blackwell24 GBBlackwell econômica
    L4Ada24 GBOtimizada para inferência
    A40Ampere48 GBTamanhos de lote maiores
    RTX A6000Ampere48 GBModelos grandes
    RTX PRO 4500Blackwell32 GBÓtima relação preço/desempenho
    L40Ada48 GBModelos grandes
    RTX 4090Ada24 GBTreinamento geral
    RTX PRO 5000Blackwell48 GBTreinamento com lotes grandes
    RTX 6000 AdaAda48 GBTreinamento com lotes grandes
    L40SAda48 GBTreinamento com lotes grandes
    RTX 5090Blackwell32 GBGeração mais recente para consumidores
    A100 PCIeAmpere80 GBTreinamento em produção
    A100 SXMAmpere80 GBTreinamento em produção
    RTX PRO 6000Blackwell96 GBPadrão recomendado
    H100 PCIeHopper80 GBTreinamento de alto desempenho
    H100 NVLHopper94 GBDesempenho máximo
    H200 NVLHopper143 GBMemória máxima
    H100 SXMHopper80 GBTreinamento mais rápido
    H200 SXMHopper141 GBDesempenho máximo
    B200Blackwell180 GBModelos grandes (Pro+)
    B300Blackwell288 GBOs maiores modelos (Pro+)

    Os preços atuais por hora são exibidos no seletor de GPU da janela de treinamento e na página de preços.

    Consulta Treinamento na nuvem para ver todas as opções de GPU.

  • Você pode treinar modelos no seu próprio hardware e transmitir métricas em tempo real para a Ultralytics Platform.

    Requisito de versão do pacote

    A integração com a Platform requer Python>=3.11 e ultralytics>=8.4.120. Versões anteriores NÃO funcionarão com a Platform.

    pip install "ultralytics>=8.4.120"
    # Set your API key
    export ULTRALYTICS_API_KEY="YOUR_API_KEY"
    
    # Train with project/name to stream metrics
    yolo train model=yolo26n.pt data=coco.yaml epochs=100 project=username/my-project name=exp1

    Confira Treinamento na nuvem para saber mais sobre o treinamento remoto.

  • A Platform inclui um editor de anotação completo que oferece suporte a:

    • Ferramentas manuais: caixas delimitadoras, polígonos, pontos-chave com modelos de esqueleto, caixas orientadas, classificação
    • Modelos de esqueleto: posicione todos os pontos-chave de uma só vez usando modelos integrados (Person, Hand, Dog, Face, Box) ou modelos personalizados
    • Anotação inteligente: usa SAM 2.1, SAM 3 ou SAM 3.1 (predefinido) para anotação por cliques em conjuntos de dados de detecção, segmentação, semântica e OBB; executa modelos Ultralytics YOLO pré-treinados e os teus próprios modelos YOLO ajustados na barra de ferramentas para essas tarefas e pose; ou executa modelos com indicação de classe em conjuntos de dados de detecção com 1–200 classes: nove modelos de código aberto hospedados (Moondream 3.1 por predefinição em Anotação em lote, e mais um com Acesso antecipado ativado), SAM 3 e SAM 3.1 hospedados e orientados por texto, ou modelos de visão pagos da OpenAI, Anthropic, Google, Meta, SpaceXAI, DeepSeek, Z.ai, Kimi, Xiaomi MiMo, Alibaba, MiniMax e Tencent, usando uma chave do fornecedor em Settings > API Keys
    • Atalhos de teclado: fluxos de trabalho eficientes com teclas de atalho, listadas no popover de atalhos do editor
    AtalhoAção
    VModo manual (desenhar)
    SModo inteligente (SAM, YOLO ou modelo com prompt de classe)
    PFazer previsão (no modo inteligente)
    AAtivar/desativar aplicação automática (modo inteligente do SAM)
    1 - 9Selecionar classe pelo número
    HMostrar/ocultar anotações
    Space + arrastar ou arrastar com o botão do meioDeslocar a tela
    Delete / BackspaceExcluir anotação selecionada
    Ctrl+SSalvar anotações
    Ctrl+ZDesfazer
    Ctrl+YRefazer
    EscapeSalvar / desmarcar / sair

    Confira Anotação para ver o guia completo.

  • A Platform oferece suporte aos mesmos 23 formatos de implantação que o modo Export do Ultralytics. PyTorch é o formato de origem; cada linha com um argumento format representa um destino de exportação.

    FormatoArgumento formatModeloMetadadosArgumentos
    PyTorch-yolo26n.pt✅-
    TorchScripttorchscriptyolo26n.torchscript✅imgsz, quantize, dynamic, nms, batch, device
    ONNXonnxyolo26n.onnx✅imgsz, quantize, dynamic, simplify, opset, nms, batch, data, fraction, device
    OpenVINOopenvinoyolo26n_openvino_model/✅imgsz, quantize, dynamic, nms, batch, data, fraction, device
    TensorRTengineyolo26n.engine✅imgsz, quantize, dynamic, simplify, opset, workspace, nms, batch, data, fraction, device
    CoreMLcoremlyolo26n.mlpackage✅imgsz, dynamic, quantize, nms, batch, device
    Apple Core AIcoreaiyolo26n.aimodel✅imgsz, batch, quantize
    TF SavedModelsaved_modelyolo26n_saved_model/✅imgsz, quantize, opset, nms, batch, data, fraction, device
    TF GraphDefpbyolo26n.pb❌imgsz, opset, batch, device
    TF Edge TPUedgetpuyolo26n_edgetpu.tflite✅imgsz, quantize, opset, data, fraction, device
    LiteRTlitertyolo26n.tflite✅imgsz, quantize, batch, data, fraction, device
    PaddlePaddlepaddleyolo26n_paddle_model/✅imgsz, batch, device
    MNNmnnyolo26n.mnn✅imgsz, batch, dynamic, quantize, simplify, opset, nms, device
    NCNNncnnyolo26n_ncnn_model/✅imgsz, quantize, device
    IMX500imxyolo11n_imx_model/✅imgsz, quantize, data, fraction, nms, device
    RKNNrknnyolo26n_rknn_model/✅imgsz, batch, name, quantize, simplify, opset, data, fraction, device
    ExecuTorchexecutorchyolo26n_executorch_model/✅imgsz, batch, device
    Axeleraaxelerayolo26n_axelera_model/✅imgsz, batch, quantize, data, fraction, device
    DEEPXdeepxyolo26n_deepx_model/✅imgsz, quantize, simplify, opset, data, optimize, device
    Qualcomm QNNqnnyolo26n_qnn.onnx✅imgsz, batch, name, quantize, simplify, opset, data, fraction, device
    Hailohailoyolo26n_hailo_model/✅imgsz, name, quantize, data, fraction, simplify, conf, iou, device
    Huawei Ascendascendyolo26n_ascend_model/✅imgsz, batch, name, quantize, opset, simplify, nms, device
    AMD Xilinxxilinxyolo26n_xilinx_model/✅imgsz, name, quantize, data, fraction, opset, simplify, device
    NXPnxpyolo26n_nxp.tflite✅imgsz, quantize, data, fraction, device

    nms=None usa por padrão saídas brutas para NMS externo (YOLO26 mantém sua cabeça sem NMS na Axelera). Define nms=False para selecionar uma cabeça sem NMS disponível; os formatos não compatíveis recorrem ao caminho de saída nativo. As entradas nms acima identificam os formatos que podem incorporar NMS com nms=True.

    Consulte Exportação de modelos, o guia do modo Export e o índice de integrações para ver opções específicas de cada formato.

Comentários4

Faz uma pergunta, partilha os teus resultados ou ajuda alguém.

  1. WDWeihua Duan

    我觉得在上传数据集方面还可以再改进改进,具体说明上传的文件夹的格式,而且现在只能上传训练集images和labels,之前我们用的数据集还有验证集哪些val,需要手工改,比较麻烦,能不能自动识别

    1. Glenn JocherUltralytics

      感谢反馈,也收到“那些”的笔误说明;关于上传,平台已支持按标准 YOLO 目录自动识别 train/val/test,无显式 split 的平铺图片上传时也可按当前目标 split 导入并在缺少划分时自动生成一部分 val,可参考 Datasets 文档,如果你愿意也欢迎把你的目录树直接贴在这里,Ultralytics 团队会据此补充更清晰的中文示例。

  2. Sebastian Borja

    Hello Ultralytics Support Team,

    I’m currently experiencing an issue on the Ultralytics Platform while trying to train a model. My dataset is approximately 21 GB, and when I attempt to download the dataset or start training, the platform returns a “500 Internal Server Error.”

    Could you please help me investigate and resolve this issue?

    Details:

    Dataset size: ~21 GB

    Action: Download dataset / Start training

    Error: 500 Internal Server Error

    If helpful, I can provide the project/workspace link, timestamp of the failure, browser/OS details, and any logs or screenshots you need to diagnose it.

    Thank you in advance for your support.