Conjuntos de dados#

Os conjuntos de dados da Ultralytics Platform oferecem uma solução simplificada para gerenciar seus dados de treinamento. Após o upload, a plataforma processa imagens, rótulos e estatísticas automaticamente.

Um conjunto de dados está pronto para treinamento quando o processamento é concluído, ele contém pelo menos uma imagem na divisão train, pelo menos uma imagem na divisão val ou test e pelo menos uma imagem rotulada. O cabeçalho do conjunto de dados exibe um selo Ready quando as três condições são atendidas e um selo Not Ready caso contrário — clique no selo para ver exatamente qual condição não foi atendida.

Coletar imagens com agentes#

Use Agentes para adicionar imagens a um conjunto de dados quando uma detecção do modelo atender a uma condição, como ter uma confiança dentro de um intervalo escolhido. Conecte a condição a um bloco Conjunto de dados e selecione um destino que você possa editar. As imagens chegam sem rótulos na divisão train; cópias existentes são ignoradas. Revise e rotule as imagens com o editor de anotação existente.

Carregar conjunto de dados#

A Ultralytics Platform aceita vários formatos de upload para oferecer flexibilidade.

Formatos compatíveis#

Suporte a codecs de vídeo#

A extensão do arquivo, por si só, não basta: um vídeo ainda pode falhar se o codec não puder ser decodificado durante o processamento.

ffmpeg -i input.mov \
  -c:v libx264 -pix_fmt yuv420p \
  -c:a aac -movflags +faststart \
  output.mp4

Preparando seu conjunto de dados#

A Platform aceita Ultralytics YOLO, COCO, JSON LabelMe, máscaras PNG semânticas, conjuntos de dados de profundidade, Ultralytics NDJSON e Labelbox NDJSON, além de uploads brutos (sem anotações):

my-dataset/
├── images/
│   ├── train/
│   │   ├── img001.jpg
│   │   └── img002.jpg
│   └── val/
│       ├── img003.jpg
│       └── img004.jpg
├── labels/
│   ├── train/
│   │   ├── img001.txt
│   │   └── img002.txt
│   └── val/
│       ├── img003.txt
│       └── img004.txt
└── data.yaml

# data.yaml
path: .
train: images/train
val: images/val

names:
    0: person
    1: car
    2: dog

Se as etiquetas fizerem referência a IDs de classe, mas não forem fornecidos nomes de classe, a Platform remapeia os IDs para uma sequência densa indexada a partir de 0 e atribui a cada classe o nome do respetivo ID de origem (class0, class3, …), que podes alterar mais tarde no separador Classes.

Para obter detalhes sobre formatos específicos de cada tarefa, consulta as tarefas suportadas e a Visão geral dos conjuntos de dados.

Processo de carregamento#

Para criar um conjunto de dados:

1. Acede a Annotate na barra lateral
2. Clique em New Dataset
3. Escolhe um separador de origem de dados (consulta Origens de dados abaixo)
4. Adiciona um nome — o slug do URL é gerado automaticamente e pode ser editado — e uma descrição opcional
5. Seleciona o tipo de tarefa (consulta as tarefas compatíveis), uma licença opcional (consulta as licenças disponíveis) e a visibilidade (pública ou privada). Um novo conjunto de dados público começa com CC BY 4.0 selecionada; escolhe outra licença ou None para alterá-la
6. Clica em Create & Upload para ficheiros locais, em Create & Import para um URL ou origem ligada, ou em Create Dataset para começar sem conteúdo

Para adicionar ficheiros a um conjunto de dados existente, abre a respetiva página e arrasta os ficheiros para a galeria ou clica no ícone de carregamento no cabeçalho da página. O ícone de carregamento abre diretamente o seletor de ficheiros nativo do teu navegador, pois a tarefa do conjunto de dados já está definida.

Fontes de dados#

A caixa de diálogo New Dataset oferece quatro origens:

Os conjuntos de dados de profundidade só podem ser criados através de Carregamento ou URL; os separadores Cloud e On Premise estão desativados para a tarefa de profundidade.

Antes de o carregamento começar#

A Platform valida os teus ficheiros no navegador antes de carregar qualquer conteúdo, para que os problemas comuns sejam detetados de imediato, em vez de só aparecerem após uma transferência demorada. Os arquivos são verificados quanto a corrupção, conteúdo vazio, proteção por palavra-passe e erros de sintaxe YAML; os ficheiros demasiado grandes são listados pelo nome.

Podem então aparecer duas caixas de diálogo:

Após o carregamento, a Platform processa automaticamente os teus dados:

1. Validação: verificações de formato e tamanho
2. Normalização: redimensionamento de imagens grandes (máximo de 4096 px, dimensão mínima de 28 px), conversão de tons de cinzento para RGB, aplicação de transparência sobre fundo branco e aplicação da orientação EXIF; os originais TIFF são armazenados tal como foram carregados
3. Miniaturas: geração de pré-visualizações WebP de 256 px
4. Análise de etiquetas: extração de etiquetas YOLO, COCO, LabelMe e NDJSON da Ultralytics ou do Labelbox
5. Estatísticas: cálculo da distribuição de classes e das dimensões das imagens

from ultralytics.data.utils import check_det_dataset

check_det_dataset("path/to/data.yaml")

Explorar imagens#

Vê as imagens do teu conjunto de dados em vários esquemas de apresentação.

Abre o painel Clustering na barra de ferramentas da galeria para explorar o teu conjunto de dados num gráfico de dispersão 2D interativo.

Ordenação e filtragem#

Podes ordenar e filtrar as imagens para as explorar com mais eficiência:

Visualizador em ecrã inteiro#

Clica em qualquer imagem para abrir o visualizador em ecrã inteiro, que inclui:

• Navegação: usa as teclas de seta ou as pré-visualizações em miniatura para navegar
• Informações da imagem: consulta as propriedades geradas pela Platform, os metadados personalizados e os metadados incorporados no ficheiro, como EXIF
• Metadados personalizados: Proprietários e editores podem adicionar ou substituir um objeto JSON, incluindo valores aninhados de até 500.000 caracteres serializados e chaves de nível superior de até 128 caracteres
• Anotações: Alternar a visibilidade da sobreposição de anotações
• Distribuição por classe: Contagem de rótulos por classe com indicadores de cor
• Anotar: Quando tens acesso de edição, os controles de anotação ficam ativos assim que o visualizador em tela cheia abre no computador
• Desfocar rostos: Clica com o botão direito numa anotação para pré-visualizar e aplicar desfoque aos rostos na imagem, quando disponível
• Baixar: Baixar o arquivo de imagem original
• Excluir: Excluir a imagem do conjunto de dados
• Zoom: Cmd/Ctrl+Scroll, Cmd/Ctrl++ ou Cmd/Ctrl+= para ampliar, e Cmd/Ctrl+- para reduzir
• Redefinir visualização: Cmd/Ctrl + 0 ou o botão de redefinição para ajustar a imagem ao visualizador
• Mover: Mantém pressionada a tecla Space e arrasta, ou arrasta com o botão do meio do mouse, para mover a tela em qualquer nível de zoom
• Visualização de pixels: Alternar a renderização pixelizada para inspeção detalhada
• Cortina de profundidade: Em conjuntos de dados de profundidade, um divisor arrastável alterna entre a imagem RGB e o mapa de profundidade colorizado

Filtrar por divisão#

Filtra imagens pela divisão do conjunto de dados:

Agrupamento#

O painel Clustering projeta o teu conjunto de dados num gráfico de dispersão 2D interativo, no qual imagens visualmente semelhantes ficam próximas umas das outras. Usa-o para identificar agrupamentos, encontrar duplicatas e valores atípicos, e verificar como as divisões ou classes estão distribuídas nos teus dados — sem sair da galeria. Abre-o pelo ícone de gráfico de dispersão na barra de ferramentas da galeria, em qualquer página de conjunto de dados. O painel está disponível apenas no computador; os visualizadores sem acesso de edição veem o ícone depois que o conjunto de dados é analisado.

Executar análise#

Inicia uma análise:

1. Abre um conjunto de dados e clica no ícone de gráfico de dispersão na barra de ferramentas da galeria
2. Clique em Analyze Dataset
3. Aguarda a barra de progresso terminar — os resultados aparecem no mesmo painel

A análise é executada em segundo plano em duas etapas, Computing embeddings e Clustering, e pode levar alguns minutos, dependendo do tamanho do teu conjunto de dados. Podes fechar o painel ou sair da página e voltar mais tarde.

Visualização#

Quando a análise termina, o painel mostra um gráfico de dispersão 2D com todas as imagens analisadas, uma legenda e um contador de pontos. Os filtros da galeria (divisão, classe, com ou sem rótulo) esmaecem os pontos fora do filtro para que possas te concentrar no subconjunto desejado — o contador passa então a mostrar visible / total points.

Colorir por#

Altera como os pontos de dados são coloridos com o menu suspenso Color by na barra de ferramentas do painel. Alterna entre os modos de visualização quando quiseres — o gráfico muda de cor instantaneamente para mostrar como as divisões, classes ou propriedades das imagens estão distribuídas nos agrupamentos:

Seleção por laço e clique#

Desenha uma seleção à mão livre ao redor de uma região para destacar pontos no gráfico, ou clica num ponto para selecionar todos os pontos desenhados com a mesma cor (somente esse ponto ao colorir por largura, altura, tamanho ou anotações); clica numa área vazia do gráfico para limpar a seleção. A galeria é filtrada para mostrar as imagens correspondentes, que podes inspecionar, rotular novamente, mover ou excluir usando as operações de imagem habituais.

Mover e ampliar/reduzir#

Navega por gráficos de dispersão grandes diretamente com o mouse e o teclado ou com os botões de zoom no canto inferior esquerdo do gráfico:

Reanálise#

Se o teu conjunto de dados mudar após a análise — novas imagens forem adicionadas ou a contagem analisada deixar de corresponder ao conjunto de dados — ou se a análise for anterior à opção de cor Agrupamentos, um botão Re-analyze aparece na parte superior do painel para proprietários e editores.

Clica em Re-analyze para recalcular as incorporações e a projeção 2D do zero.

Encontrar imagens semelhantes#

As mesmas incorporações permitem pesquisar imagens semelhantes em conjuntos de dados públicos, nos teus próprios conjuntos de dados e nos da tua equipe. Num conjunto de dados que podes editar, clica com o botão direito numa imagem na visualização Grade ou Compacta (ou numa única linha selecionada na visualização Tabela) e escolhe Encontrar imagens semelhantes. A caixa de diálogo mostra a imagem de origem ao lado de até 24 das imagens mais próximas, cada uma identificada pela pontuação de similaridade; as imagens que já estão no teu conjunto de dados e as cópias da imagem selecionada em outros conjuntos de dados são excluídas. Clica numa imagem para visualizá-la em tamanho real e ver o conjunto de dados de origem, a licença e a pontuação de similaridade. Seleciona imagens usando as caixas de seleção (ou seleciona todas) e clica em Adicionar N ao conjunto de dados: elas são adicionadas à divisão train como imagens sem rótulo, contabilizadas no teu armazenamento e prontas para anotação.

Uma imagem sem incorporação — num conjunto de dados ainda não analisado ou adicionada desde a última análise — é incorporada quando abres a caixa de diálogo, então não precisas executar uma análise de Agrupamento antes. A caixa de diálogo não está disponível em conjuntos de dados conectados. Os diagnósticos de validação por imagem de um modelo executam a mesma pesquisa a partir das imagens com pior desempenho.

Separadores do conjunto de dados#

Cada página de conjunto de dados pode mostrar até seis abas, dependendo do estado do conjunto de dados e das tuas permissões:

Aba Imagens#

A visualização padrão, que mostra a galeria de imagens com sobreposições de anotações. Oferece os modos de visualização em grade, compacto e tabela. Arrasta e solta arquivos aqui para adicionar mais imagens.

Aba Classes#

Esta aba aparece quando o conjunto de dados contém imagens e a tarefa tem classes.

Gerencia as classes de anotação do teu conjunto de dados:

• Histograma de classes: Gráfico de barras com a contagem de anotações por classe, ordenadas por frequência, com opção para alternar entre escala linear e logarítmica
• Tabela de classes: Tabela ordenável e pesquisável com índice, nome, contagem de anotações e contagem de imagens
• Editar nomes de classes: Clica em qualquer nome de classe para renomeá-la diretamente na linha
• Editar cores das classes: Clica numa amostra de cor para alterar a cor da classe
• Adicionar nova classe: Usa o campo na parte inferior para adicionar classes
• Mesclar classes: Seleciona duas ou mais linhas e clica em Merge into one
• Excluir classes: Seleciona uma ou mais linhas e clica em Delete

Mesclar classes#

A mesclagem consolida rótulos duplicados ou sobrepostos — por exemplo, combinando car, automobile e vehicle numa única classe:

1. Seleciona duas ou mais classes usando as caixas de seleção das linhas
2. Clica em Merge into one no cabeçalho da tabela ou clica com o botão direito na seleção
3. Escolhe qual das classes selecionadas será o destino das demais
4. Confirma

Todas as anotações pertencentes às classes de origem são reatribuídas à classe de destino, e as classes de origem são removidas. Nenhuma anotação é excluída, então a contagem total de anotações do conjunto de dados permanece inalterada.

Excluir classes#

1. Seleciona uma ou mais classes usando as caixas de seleção das linhas
2. Clica em Delete no cabeçalho da tabela ou clica com o botão direito na seleção
3. Confirma

Excluir uma classe remove a classe e todas as suas anotações. Em conjuntos de dados de classificação, os rótulos são removidos, mas as imagens permanecem e ficam sem anotações.

Separador Gráficos#

Este separador aparece quando o conjunto de dados contém imagens.

Estatísticas calculadas automaticamente a partir do teu conjunto de dados:

Os gráficos aparecem nesta ordem, e cada um é omitido quando não há dados correspondentes no conjunto de dados — um conjunto de dados de imagens sem rótulos não mostra gráficos de anotações, e Points per Instance só aparece para dados de segmentação e pose:

Separador Modelos#

Vê todos os modelos treinados com este conjunto de dados numa tabela pesquisável:

Separador Erros#

Este separador só aparece quando um ou mais ficheiros não são processados.

As imagens cujo processamento falhou são apresentadas aqui com:

• Faixa de erro: número total de imagens cujo processamento falhou e orientações
• Tabela de erros: nome do ficheiro, descrição do erro em linguagem simples, sugestões de correção e miniatura de pré-visualização
• Entre os erros mais comuns estão ficheiros corrompidos, formatos não suportados, imagens demasiado pequenas (mínimo de 28 px) e modos de cor não suportados.

Separador Versões#

Cria instantâneos NDJSON imutáveis do teu conjunto de dados para garantir a reprodutibilidade do treino. Cada versão regista o número de imagens, classes e anotações, bem como o espaço de armazenamento que acrescentou no momento da criação.

Para criar uma versão:

1. Abre o separador Versões
2. Opcionalmente, introduz uma descrição (por exemplo, "Adicionadas 500 imagens de treino" ou "Corrigidas classes com rótulos incorretos")
3. Clica em Nova versão
4. A nova versão aparece na tabela. Se o conjunto de dados corresponder a uma versão existente, por exemplo, logo após a restauração, essa versão é reutilizada e recebe a nova descrição, caso tenhas introduzido uma.

Cada versão recebe um número sequencial (v1, v2, v3...) e é imutável — as versões não podem ser editadas nem removidas; só é possível alterar as respetivas descrições. Usa as ações da linha para transferir ou restaurar qualquer versão a qualquer momento.

Comparar versões#

Clica no ícone de comparação em qualquer versão posterior à v1 para ver o que mudou desde uma versão anterior. Comparar versões começa pela versão anterior; escolhe outra no menu De. Os indicadores agrupados em Imagens, Anotações, Classes e Definições contabilizam as imagens adicionadas, removidas, modificadas e movidas para outra divisão, bem como as anotações adicionadas e removidas; também indicam as classes adicionadas, removidas ou renomeadas e as definições do conjunto de dados que foram alteradas. Cada imagem alterada é apresentada com o respetivo indicador. Seleciona uma imagem para a ver Antes e Depois, com os rótulos armazenados naquela versão em cada lado. Quando os metadados da imagem mudam, Alterações nos metadados lista cada chave adicionada, removida ou modificada, com o respetivo valor em ambas as versões. Quando as imagens, os respetivos metadados e as anotações são idênticos, a caixa de diálogo apresenta Sem alterações ou Sem alterações nas imagens quando apenas as definições das classes ou do conjunto de dados forem diferentes.

Exportar conjunto de dados#

Exporta o teu conjunto de dados para utilização offline através de uma transferência NDJSON a partir do cabeçalho do conjunto de dados ou do separador Versions.

Para exportar:

1. Clica no botão Download (ícone de transferência) no cabeçalho do conjunto de dados
2. Transfere diretamente o instantâneo NDJSON atual
3. Utiliza o separador Versions quando quiseres um instantâneo numerado e imutável que possas voltar a transferir mais tarde

O formato NDJSON armazena um objeto JSON por linha. A primeira linha contém metadados do conjunto de dados, seguida de uma linha por imagem:

{"type": "dataset", "task": "detect", "name": "my-dataset", "description": "...", "bytes": 12345678, "url": "https://platform.ultralytics.com/...", "class_names": {"0": "person", "1": "car"}, "version": 1, "created_at": "2026-01-15T10:00:00Z", "updated_at": "2026-02-20T14:30:00Z"}
{"type": "image", "file": "img001.jpg", "url": "https://...", "width": 640, "height": 480, "split": "train", "metadata": {"location": {"site": "factory-1"}, "reviewed": true}, "annotations": {"boxes": [[0, 0.5, 0.5, 0.2, 0.3]]}}
{"type": "image", "file": "img002.jpg", "url": "https://...", "width": 1280, "height": 720, "split": "val"}

O objeto opcional metadata ao nível da imagem é preservado quando um ficheiro NDJSON é importado para o Platform. Podes inspecioná-lo ou editá-lo no painel de informações em ecrã inteiro da imagem. Para carregamentos programáticos de arquivos, a API de ingestão de dados de conjuntos de dados aceita o mapa de caminhos equivalente imageMetadata.

Os conjuntos de dados de pose também incluem um campo kpt_shape na linha do cabeçalho do conjunto de dados, inferido a partir das anotações quando ainda não está definido.

As exportações de profundidade declaram "task": "depth" e "depth_scale": 1000 na linha do conjunto de dados. Cada linha de imagem inclui um depth.url para o ficheiro PNG uint16 simples correspondente. O Ultralytics transfere os URLs da imagem e da profundidade em simultâneo e escreve um ficheiro YAML de formação com a mesma escala, para que o ficheiro NDJSON possa ser passado diretamente para model.train(data=...).

Consulta a documentação do formato NDJSON do Ultralytics para ver a especificação completa.

Operações com imagens#

Ações rápidas#

Clica com o botão direito numa imagem na vista Grid ou Compact, ou numa única linha selecionada na vista Table, para aceder às ações rápidas. As ações disponíveis dependem das tuas permissões de edição e da origem do conjunto de dados:

Mover imagens em lote para uma divisão#

Reatribui as imagens selecionadas a uma divisão diferente no mesmo conjunto de dados:

1. Muda para a vista Table
2. Seleciona imagens através das caixas de verificação
3. Clica com o botão direito para abrir o menu de contexto
4. Escolhe Move to split > Train, Validation ou Test

Também podes arrastar e largar imagens nos separadores de filtro de divisão na vista de grelha. Se a movimentação de uma imagem puder causar um conflito com uma imagem idêntica já existente na divisão de destino, o Platform pergunta-te se queres ignorar, manter ambas ou substituir.

Redistribuição das divisões#

Redistribui todas as imagens pelas divisões Train, Validation e Test através de rácios personalizados:

1. Clica na barra de divisão na barra de ferramentas do conjunto de dados para abrir a caixa de diálogo Redistribute Splits
2. Ajusta as percentagens das divisões utilizando qualquer um dos métodos abaixo
3. Revê a pré-visualização em tempo real da contagem de imagens para confirmar a distribuição
4. Clica em Apply para reatribuir aleatoriamente todas as imagens de acordo com as tuas percentagens

A caixa de diálogo oferece três formas de definir os rácios pretendidos para as divisões:

Uma pré-visualização em tempo real mostra exatamente quantas imagens ficarão em cada divisão antes de aplicares as alterações.

Eliminar em lote#

Elimina várias imagens de uma só vez:

1. Seleciona imagens na vista de tabela
2. Clica com o botão direito e escolhe Delete ou prime Cmd/Ctrl+Delete
3. Confirma a eliminação

Copiar e mover imagens#

Copia ou move imagens de um conjunto de dados que podes editar para outro, incluindo um conjunto de dados noutro espaço de trabalho:

1. No conjunto de dados de origem, clica com o botão direito numa imagem na vista Grid ou Compact e escolhe Copy ou Cut, ou seleciona imagens na vista Table e prime Cmd/Ctrl+C ou Cmd/Ctrl+X. Esc limpa a área de transferência.
2. Abre o conjunto de dados de destino, clica com o botão direito numa imagem e escolhe Paste, ou prime Cmd/Ctrl+V.

As imagens coladas mantêm as respetivas etiquetas e divisões, e as imagens que o destino já contém na mesma divisão são ignoradas. Cut remove as imagens coladas do conjunto de dados de origem; Copy deixa-o inalterado. A origem e o destino têm de ter a mesma tarefa e canais de imagem, definições de pontos-chave de pose e escala de profundidade compatíveis, mesmo quando as imagens copiadas não têm etiquetas. Um destino vazio pode herdar as definições de canais de imagem e de pose que não estejam definidas. Não é possível colar imagens num conjunto de dados ligado.

As classes são correspondidas pelo nome, sem distinguir maiúsculas de minúsculas, exceto nos nomes com um ou dois caracteres, e um destino sem classes recebe a lista de classes da origem. Quando uma imagem colada usa uma classe que não existe no destino, a janela Mapear classes pede-te para mapear cada classe para uma classe do conjunto de dados ou para uma nova classe, ou para desmarcar a caixa Incluir para remover as etiquetas dessa classe; as imagens são coladas de qualquer forma.

Gerar imagens semelhantes#

Cria novas imagens de formação a partir de uma imagem que já tens. Num conjunto de dados que podes editar, clica com o botão direito numa imagem na vista Grid ou Compact (ou numa única linha selecionada na vista Table) e escolhe Generate similar images. O Platform descreve novas cenas inspiradas na imagem e gera uma imagem para cada cena, para que os resultados partilhem os temas e o estilo da imagem de origem sem a copiarem.

Ultralytics Image 9B e Krea 2 Turbo também estão na lista, mas só os podes selecionar depois de ativares o Acesso antecipado. Krea 2 Turbo é a opção mais lenta. As proporções da imagem de origem são preservadas quando suportadas. Imagens muito estreitas podem precisar de uma margem mais longa maior, e as dimensões de saída são arredondadas e limitadas aos tamanhos suportados pelo gerador.

Clica em Generate ou prime ⌘/Ctrl+Enter em Instructions. As imagens aparecem à medida que ficam prontas, todas selecionadas, e Stop termina um lote em execução, mantendo as imagens que já chegaram. Para experimentar outras instruções ou definições, altera-as e clica em Generate more: cada novo lote aparece acima dos anteriores, que mantêm a seleção. Clica numa imagem para a ver em tamanho real, desmarca a caixa de verificação das imagens que não quiseres e clica em Add N to dataset. As imagens mantidas são carregadas como JPEGs com nomes baseados no ficheiro de origem, sem etiquetas, contabilizadas no teu armazenamento e prontas para anotação. Utilizam o filtro de divisão ativo: escolhe Train antes de as gerar para as adicionar a train. Com All selecionado, aplica-se a atribuição normal de divisões durante o carregamento, incluindo a divisão automática de validação quando necessário. Cancel descarta as pré-visualizações sem as adicionar. As imagens geradas seguem a definição de desfocagem de rostos durante o carregamento do conjunto de dados. A ação não está disponível em conjuntos de dados ligados.

Desfocar rostos#

Num conjunto de dados que podes editar, desfoca os rostos nas imagens, por exemplo, para proteger a privacidade das pessoas nos teus dados. A opção Desfocar rostos não está disponível para conjuntos de dados ligados nem para conjuntos de dados com mais de três canais de imagem.

• Uma imagem: clica com o botão direito na imagem na vista Grid ou Compact (ou numa única linha selecionada na vista Table), ou clica com o botão direito numa anotação no visualizador em ecrã inteiro, e escolhe Blur faces.
• Conjunto de dados inteiro: abre More actions (⋯) na página do conjunto de dados e escolhe Blur faces.

A caixa de diálogo mostra primeiro uma pré-visualização dos rostos detetados em até seis imagens (ou na única imagem), sem as alterar. Ajusta Confidence (predefinição: 0.25) e Box scale (0.5–1.5, predefinição: 1, que redimensiona cada caixa de rosto em torno do centro) para voltar a executar a pré-visualização; em seguida, clica em Apply para substituir os píxeis originais de todas as imagens em que forem encontrados rostos. As imagens sem rostos detetados permanecem inalteradas, as etiquetas e as divisões são mantidas e alguns rostos podem não ser detetados, por isso, revê o resultado. A desfocagem não cria automaticamente um instantâneo de versão. Desfocar um conjunto de dados inteiro custa 1,00 $ por cada 1 000 imagens processadas, com um mínimo de 0,01 $ por execução (cobrado como Auto-Annotation); a caixa de diálogo mostra o valor estimado antes de aplicares a ação. As pré-visualizações e a desfocagem de uma única imagem são gratuitas.

Para desfocar os rostos nas imagens à medida que são carregadas, ativa Blur faces quando criares um conjunto de dados a partir de Upload ou URL, ou ativa Blur future uploads na caixa de diálogo Blur faces para todo o conjunto de dados. A opção Blur future uploads é guardada imediatamente, mesmo que feches a caixa de diálogo sem clicar em Apply. As imagens carregadas para o conjunto de dados posteriormente são desfocadas durante o processamento, sem custos; alterar esta definição não desfoca as imagens que já estão no conjunto de dados.

URI do conjunto de dados#

Faz referência aos conjuntos de dados do Platform utilizando o formato URI ul:// (consulta Utilizar conjuntos de dados do Platform):

ul://username/datasets/dataset-slug

Também podes colar diretamente um URL Web de um conjunto de dados ou modelo (por exemplo, https://platform.ultralytics.com/username/datasets/dataset-slug); este é automaticamente convertido para o URI ul://. Se passares uma lista de conjuntos de dados, é feito o ajuste fino de um modelo base em cada um, sequencialmente; por exemplo, model.train(data=["ul://username/datasets/a", "ul://username/datasets/b"]).

Usa este URI para treinar modelos de qualquer lugar:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"
yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100

Licenças disponíveis#

A Platform é compatível com as seguintes licenças para conjuntos de dados:

Definições de visibilidade#

Controla quem pode ver o teu conjunto de dados:

A visibilidade é definida ao criar um conjunto de dados na janela New Dataset, usando um botão de alternância. Para alterá-la mais tarde, clica no selo Público ou Privado junto ao nome do conjunto de dados no breadcrumb da página; tornar público um conjunto de dados requer confirmação. Os conjuntos de dados On Premise são sempre privados. Os conjuntos de dados públicos ficam visíveis na página Explorar.

Editar conjunto de dados#

Os metadados do conjunto de dados são editados diretamente na página, em linha — não é necessária nenhuma janela:

• Nome: clica no nome do conjunto de dados para editá-lo. As alterações são guardadas automaticamente ao perder o foco ou em Enter. Os nomes têm um limite de 100 caracteres.
• Descrição: clica na descrição (ou no marcador de posição "Adicionar uma descrição...") para editá-la. As alterações são guardadas automaticamente. As descrições têm um limite de 1.000 caracteres.
• Tipo de tarefa: clica no selo da tarefa para selecionar outro tipo de tarefa.
• Licença: clica no seletor de licença para alterar a licença do conjunto de dados.
• Ícone: clica no ícone do conjunto de dados para carregar uma imagem tua, promover uma das imagens do conjunto de dados a ícone ou escolher uma letra e uma cor.

Metadados personalizados#

Abre Mais ações e seleciona Informações para consultar duas secções:

• Metadados da Ultralytics: detalhes da Platform em modo só de leitura, como o ID do conjunto de dados, o proprietário, a tarefa, as contagens de imagens e anotações, a região de armazenamento e os registos de data e hora
• Metadados personalizados: o teu próprio objeto JSON para proveniência, condições de captura, IDs de clientes, governação ou outros dados contextuais

Os visualizadores do espaço de trabalho podem consultar os metadados, enquanto os membros com acesso de edição podem substituir o objeto de metadados personalizados. O objeto de metadados serializado tem um limite de 500.000 caracteres, e cada chave de nível superior tem um limite de 128 caracteres. Guarda um objeto vazio ({}) para limpar os metadados personalizados.

Clonar conjunto de dados#

Ao ver um conjunto de dados público que não te pertence, clica em Clone Dataset para abrir a janela de clonagem. Revê o espaço de trabalho de destino, o nome, a visibilidade e a licença e, em seguida, confirma a clonagem. A cópia inclui todas as imagens, anotações e definições de classes. Os conjuntos de dados públicos de origem permanecem públicos por predefinição nos espaços de trabalho cuja visibilidade predefinida é pública; os clones em espaços de trabalho Enterprise são privados por predefinição. Se o conjunto de dados original tiver uma licença copyleft, o clone herda-a e o seletor de licença fica bloqueado.

A janela de clonagem mantém Clonar conjunto de dados desativado enquanto o URL já estiver a ser utilizado no espaço de trabalho de destino, e a clonagem requer quota de armazenamento disponível suficiente para guardar a cópia.

Adicionar estrela e partilhar#

• Adicionar estrela: clica no botão da estrela para guardar um conjunto de dados nos favoritos. A contagem de estrelas é visível para todos os utilizadores.
• Partilhar: para conjuntos de dados públicos, clica no botão de partilha para copiar um link, obter um trecho de incorporação ou partilhar em plataformas sociais.

Eliminar conjunto de dados#

Elimina um conjunto de dados de que já não precisas:

1. Abre Mais ações (o botão …) no cabeçalho do conjunto de dados
2. Escolhe Eliminar conjunto de dados
3. Confirma na janela: "Isto vai mover [name] para o lixo. Podes restaurá-lo no prazo de 30 dias."

O mesmo menu inclui Informações, que abre a janela de metadados descrita em Metadados personalizados, e Atualizar, que volta a ler o conjunto de dados a partir do servidor.

Treinar com um conjunto de dados#

Começa a treinar diretamente a partir do teu conjunto de dados:

1. Clica em New Model na página do conjunto de dados
2. Seleciona um projeto ou cria um novo
3. Configura os parâmetros de treino
4. Inicia o treino

Consulta Treino na nuvem para obteres mais detalhes.

Perguntas frequentes#