Monitoramento#

Ultralytics Platform oferece monitoramento dos endpoints implantados. Acompanha solicitações, latência, erros e registros dos endpoints. Os endpoints dedicados prontos em um ambiente de execução atual também fornecem estatísticas de predição em tempo real e exemplos temporários que podes inspecionar e guardar em conjuntos de dados.

Aba Deployments#

O separador Deployments do teu perfil funciona como painel de monitoramento de todas as tuas implementações. Combina o mapa-múndi, métricas gerais e gestão das implementações numa só vista. Consulta Endpoints dedicados para criar e gerir implementações.

graph TB
    subgraph "Deployments Tab"
        Map[World Map]:::proc --- Cards[Overview Cards]:::proc
        Cards --- List[Deployments List]:::decide
    end
    subgraph "Deployment Page"
        Metrics[Metrics Cards]:::out
        Overview[Overview Tab: Endpoint and Health Check]:::out
        Monitoring[Monitoring Tab]:::out
        Predict[Predict Tab]:::out
        Logs[Logs Tab]:::out
    end
    List --> Metrics
    List --> Overview
    List --> Monitoring
    List --> Predict
    List --> Logs

    classDef proc fill:#2196F3,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,color:#fff

Cartões de resumo#

Quatro cartões de resumo no topo da página mostram:

A latência P95 é apresentada em vez da latência mediana porque as verificações de estado de saúde são concluídas em poucos milissegundos e, caso contrário, dominariam a representação da latência real de inferência.

Mapa-múndi#

O mapa-múndi interativo mostra:

• Marcadores de região para as 42 regiões disponíveis
• Marcadores verdes para regiões com uma implementação pronta
• Marcadores azuis animados para regiões com implementações ativas em curso
• O tamanho dos marcadores varia consoante o estado da implementação e a latência

Clica em qualquer região para abrir a janela New Deployment. O mapa fica oculto em ecrãs pequenos.

Lista de implementações#

Abaixo dos cartões de resumo, a lista de implementações mostra todos os endpoints dos teus projetos. Usa o seletor de visualização para alternar entre:

Métricas por implementação#

Cada página de implementação mostra métricas em tempo real acima dos separadores Overview, Monitoring, Predict e Logs:

Cartões de métricas#

Cada cartão mostra um minigráfico e é atualizado a cada minuto, ao lado de um cartão com uma ligação para o modelo implementado. As métricas são recolhidas apenas para implementações no estado Ready. No separador Deployments, as métricas são obtidas para as 20 implementações mais recentes.

Verificação de integridade#

O cartão Endpoint no separador Overview de uma implementação em execução mostra um indicador de verificação do estado de saúde:

As verificações do estado de saúde são repetidas automaticamente enquanto o endpoint estiver não saudável e param assim que o endpoint responde. Ao abrir a página da implementação, é executada uma verificação do estado de saúde; o botão de nova verificação inicia outra, que também pode ser usada para preparar um endpoint dimensionado até zero antes de lhe enviar tráfego.

Separador Monitoring#

Abre a página de implementação de um endpoint dedicado com estado Pronto e seleciona o separador Monitorização. Envia uma imagem pelo separador Predizer ou pela API do endpoint, ou mantém uma câmara em segundo plano em execução, para preencher Exemplos temporários e Estatísticas de predição. Antes de processar a primeira imagem, o separador apresenta Nenhuma imagem processada.

Exemplos temporários#

A galeria contém imagens processadas recentemente, com sobreposições de predições. Abre uma imagem para inspecionar as respetivas predições no visualizador de ecrã inteiro e usa os controlos de visibilidade para ajustar as sobreposições. Inicialmente, a galeria mostra até 12 exemplos; Show all expande-a.

• Captura: As imagens processadas recentemente aparecem como exemplos temporários, no máximo uma por segundo. A captura é feita conforme possível; a inferência não aguarda pela codificação dos exemplos.
• Capacidade: No máximo 100 imagens, dentro de um limite de memória partilhado de 100 MiB para imagens comprimidas, metadados de predição e recursos associados. A interface apresenta este limite como 100 MB.
• Substituição: Os exemplos mais antigos são substituídos quando qualquer um dos limites é atingido. Um exemplo pode deixar de estar disponível enquanto o estás a visualizar.
• Armazenamento: Os exemplos temporários permanecem na memória do endpoint. Guardá-los num conjunto de dados utiliza os limites normais de armazenamento e processamento do espaço de trabalho.

Guardar exemplos num conjunto de dados#

Os membros do espaço de trabalho com permissão para editar conteúdo podem guardar exemplos num conjunto de dados do espaço de trabalho do endpoint:

1. Seleciona exemplos individuais através das respetivas caixas de seleção ou clica em Select all.
2. Clica em Save to dataset.
3. Escolhe um conjunto de dados existente com a mesma tarefa que o modelo implementado. Os conjuntos de dados ligados a uma origem estão excluídos; se não houver nenhum disponível, cria primeiro um conjunto de dados compatível.
4. Clica no botão Save, que mostra o número de imagens selecionadas, e abre o conjunto de dados para acompanhar o processamento.

As imagens e predições selecionadas são copiadas através do fluxo de trabalho padrão de carregamento e ingestão de conjuntos de dados. Aplicam-se os limites normais de quota, mapeamento de classes e tratamento de duplicados. Ao guardar, os exemplos temporários permanecem na galeria; as imagens dos conjuntos de dados cuja ingestão foi concluída com êxito sobrevivem aos reinícios e à eliminação do endpoint. Revê as etiquetas previstas antes de as usar no treino. Cada imagem guardada regista deploymentId, deploymentName, deploymentRegion e deploymentRegionName nos respetivos metadados personalizados, que são usados na pesquisa do conjunto de dados; os nomes são registados tal como estavam no momento em que foram guardados, e uma imagem ignorada por ser duplicada mantém os metadados existentes.

Para remover exemplos temporários, usa o controlo do caixote do lixo que aparece ao passar o cursor sobre uma imagem ou seleciona exemplos e clica no botão de eliminação em massa; depois, confirma Delete. A eliminação de exemplos não altera as estatísticas agregadas de predição nem as imagens já guardadas em conjuntos de dados.

Estatísticas de predição#

As estatísticas agregam imagens processadas independentemente da galeria. Eliminar ou substituir um exemplo não subtrai o respetivo contributo. O resumo mostra imagens, predições e imagens sem predições para o período selecionado; os modelos de profundidade mostram contagens de imagens.

Por predefinição, o seletor de datas abrange os últimos 30 dias e aceita períodos até 365 dias. As datas selecionadas usam limites UTC; os carimbos de data/hora dos gráficos são apresentados na hora local. Os períodos recentes até três dias usam o histórico por hora quando todo o período está dentro das últimas 72 horas; os outros períodos usam o histórico diário. O intervalo de datas filtra as estatísticas, enquanto a galeria continua a mostrar os exemplos temporários atuais.

O histórico está limitado a 72 intervalos horários e 365 intervalos diários, e só está disponível desde o arranque da instância atual. Se não houver imagens processadas no período selecionado, é apresentada a mensagem No images processed in this period.

Os gráficos disponíveis dependem da tarefa e das predições recolhidas:

O monitoramento é atualizado automaticamente enquanto o painel está aberto e visível, e é pausado quando o painel fica fora da tela ou a aba do navegador fica oculta. Uma inferência bem-sucedida pela aba Predict da implantação também aciona a atualização das estatísticas.

Registros#

Cada página de implantação inclui uma aba Logs para visualizar as entradas de registro recentes:

Entradas de registro#

Cada entrada de registro mostra:

A interface mostra as 20 entradas mais recentes e oculta as vazias. Por padrão, a API retorna 50 entradas por solicitação (máximo de 200) e retorna um nextPageToken para buscar páginas anteriores.

Exemplos de código#

A aba de resultados Docs na aba Predict de cada implantação mostra código de API pronto para uso, com a URL do endpoint e, para proprietários do workspace, a chave de API vinculada à implantação já preenchida, pronta para copiar e executar. Quem não é proprietário vê um marcador YOUR_API_KEY:

import requests

# Endpoint da implantação
url = "https://YOUR_DEPLOYMENT_URL.run.app/predict"

# Cabeçalhos com sua chave de API da implantação
headers = {"Authorization": "Bearer YOUR_API_KEY"}

# Parâmetros de inferência
data = {"conf": 0.25, "iou": 0.7, "imgsz": 640}

# Envie uma imagem para inferência
with open("image.jpg", "rb") as f:
    response = requests.post(url, headers=headers, data=data, files={"file": f})

print(response.json())

Inferência de implantação#

A aba Predict em cada página de implantação oferece um painel de predição integrado — a mesma interface da aba Predict do modelo, mas executando a inferência pelo endpoint da implantação em vez do serviço compartilhado. Isso é útil para testar um endpoint implantado diretamente no navegador. Consulte Inferência para ver detalhes dos parâmetros e formatos de resposta.

Endpoints de API#

Cada implantação é identificada por seu proprietário e nome, e cada rota exige uma chave de API. Consulte a referência da API para ver detalhes de autenticação.

Métricas da implantação#

GET /api/deployments/{owner}/{deployment}/metrics?range=24h

SDK Python: client.deployments.metrics(owner, deployment, range="24h")

Retorna o payload completo de métricas de uma implantação: um bloco summary com o total de solicitações, a contagem e a taxa de erros, e a latência média, P50, P95 e P99, além de arrays timeSeries para solicitações, erros, latência P50 e P95, utilização de CPU e memória e contagem de instâncias.

Com sparkline=true, a resposta é um resumo compacto — contagens horárias de solicitações das últimas 24 horas (horas sem solicitações são omitidas), mais o total de solicitações, a taxa de erros e avgLatencyMs, a média das latências P95 por hora. Com view=overview, summary contém totalRequests, errorRate e p95LatencyMs, e timeSeries contém requests, errors e latencyP95; os cartões de estatísticas na página de implantação usam esta visualização e são atualizados automaticamente.

Registros da implantação#

GET /api/deployments/{owner}/{deployment}/logs?limit=50&severity=ERROR,WARNING

SDK Python: client.deployments.logs(owner, deployment, limit=50, severity="ERROR,WARNING")

Retorna entradas de registro recentes com filtro de gravidade e paginação opcionais.

Integridade da implantação#

GET /api/deployments/{owner}/{deployment}/health

SDK Python: client.deployments.health(owner, deployment)

Faz ping na implantação e retorna o estado de integridade com a latência de ida e volta medida:

{
    "healthy": true,
    "status": 200,
    "latencyMs": 142
}

Uma resposta indicando falta de integridade omite status quando não foi possível acessar o endpoint, e adiciona uma mensagem error.

Otimização do desempenho#

Usa os dados de monitoramento para otimizar as tuas implantações:

Perguntas frequentes#