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.
Cartões de resumo#
Quatro cartões de resumo no topo da página mostram:

| Métrica | Descrição |
|---|---|
| Implementações ativas | Endpoints atualmente no estado Ready |
| Solicitações HTTP (24 h) | Solicitações HTTP em todos os endpoints, incluindo solicitações de predição, monitoramento e estado de saúde |
| Taxa de erros HTTP (24 h) | Percentagem de respostas com estado 4xx ou 5xx, ponderada pelo volume de solicitações |
| Latência P95 HTTP (24 h) | Média das latências do percentil 95 por hora, ponderada pelo volume |
É apresentada a latência P95 em vez da latência mediana porque as verificações de estado demoram apenas alguns milissegundos e, caso contrário, teriam um peso excessivo na avaliação da latência de inferência real.
Os três cartões HTTP incluem os deployments interrompidos das últimas 24 horas, e o cartão de um deployment interrompido na lista de deployments continua mostrando a contagem de solicitações.
O cartão da taxa de erros fica vermelho quando a taxa ultrapassa 5%. Consulta o separador Logs nas implementações individuais para diagnosticar os erros.
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:
| Vista | Descrição |
|---|---|
| Cartões | Cartões com estado, tamanho, métricas, distância e data de implantação |
| Compacta | Grelha de cartões mais pequenos (1–4 colunas) com métricas principais |
| Tabela | Tabela de dados com colunas ordenáveis, incluindo CPU, memória, métricas HTTP e distância |
O separador é atualizado automaticamente e com maior frequência enquanto uma implementação muda de estado (creating, deploying ou stopping). Cada cartão e linha contém uma ligação para a página da implementação.
Métricas por implementação#
Cada página de implementação mostra métricas em tempo real acima dos separadores Overview, Monitoring, Predict e Logs:
Cartões de métricas#
| Métrica | Descrição |
|---|---|
| Solicitações HTTP (24 h) | Número de solicitações, incluindo solicitações de predição, monitoramento e estado de saúde |
| Taxa de erros HTTP (24 h) | Percentagem de respostas 4xx e 5xx |
| Latência P95 HTTP (24 h) | Percentil 95 das latências P95 de 15 minutos |
Cada cartão apresenta um gráfico sparkline e é atualizado a cada minuto, ao lado de um cartão com uma ligação para o modelo implementado. Uma implementação parada não recebe pedidos, por isso não regista novas métricas, mas a respetiva página continua a mostrar as últimas 24 horas. 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:
| Indicador | Significado |
|---|---|
| Coração verde | Saudável — mostra a latência da resposta |
| Coração vermelho | Não saudável — mostra a mensagem de erro |
| Ícone giratório | Verificação do estado de saúde em curso |
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.

A Platform concede mais tempo à verificação do estado de saúde e repete as tentativas após falhas transitórias de ligação, para dar tempo a um endpoint dimensionado até zero para arrancar. Até à primeira resposta da verificação do estado de saúde, o emblema indica Starting e os separadores Predict e Monitoring mostram Endpoint is starting, atualizando-se automaticamente quando o endpoint responde. Se a verificação falhar, o emblema indica Not responding e esses separadores apresentam Retry.
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.
O monitoramento está disponível em todos os endpoints dedicados Ready, incluindo endpoints de tamanho predefinido no plano Free. Os endpoints existentes não são atualizados automaticamente a cada lançamento do ambiente de execução, pelo que um endpoint mais antigo pode mostrar Monitoring unavailable até o respetivo ambiente de execução ser atualizado.

O monitoramento é leve e temporário: os gráficos, as estatísticas de predição e as imagens de exemplo ficam apenas na memória da instância de serviço. Podem perder-se quando o endpoint é encerrado, parado, reiniciado, novamente implementado, tem os recursos alterados ou substitui o modelo. O histórico não é restaurado quando o endpoint volta a arrancar. Guarda os exemplos úteis num conjunto de dados e aguarda a conclusão da ingestão antes de alterar o endpoint.
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:
- Seleciona exemplos individuais através das respetivas caixas de seleção ou clica em Select all.
- Clica em Save to dataset.
- 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.
- 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 intervalos até 365 dias. As datas selecionadas correspondem aos dias locais: o histórico por hora segue-as exatamente, os totais diários abrangem dias inteiros em UTC e as horas do gráfico são apresentadas na hora local. Os intervalos recentes de até três dias usam o histórico por hora quando todo o intervalo está dentro das últimas 72 horas; os outros intervalos 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:
| Gráfico | O que mostra |
|---|---|
| Predições ao longo do tempo | Totais de imagens processadas e predições; os modelos de profundidade mostram Imagens ao longo do tempo |
| Tempo de inferência | Tempo médio de inferência do modelo, em milissegundos, excluindo a rede e a sobrecarga das solicitações |
| Principais classes | Contagem de predições por classe |
| Predições por imagem | Distribuição que inclui imagens sem predições e uma última faixa 100+; oculta para classificação e profundidade |
| Confiança das predições | Distribuição e média da confiança, quando há pontuações de confiança disponíveis |
| Confiança ao longo do tempo | Confiança média das predições para cada intervalo temporal |
| Dimensões das predições | Largura e altura da predição em relação à imagem de entrada, quando as dimensões das caixas estão disponíveis |
| Localizações das predições | Mapa de calor espacial das predições, quando há dados de localização disponíveis |


A confiança mede o grau de certeza do modelo, não a correção. Analisa exemplos e compara-os com rótulos revisados ao avaliar a precisão. Tempo de inferência mede a execução do modelo; a latência P95 da implantação inclui o processamento de solicitações e também pode refletir tráfego que não seja de inferência, como verificações de integridade.
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:
| Campo | Descrição |
|---|---|
| Gravidade | Barra codificada por cores (veja abaixo) |
| Carimbo de data/hora | Hora da solicitação (formato local) |
| Mensagem | Conteúdo do registro |
| Informações HTTP | Código de status e latência (se aplicável) |
Cada entrada tem uma barra de gravidade codificada por cores:
| Nível | Cor | Descrição |
|---|---|---|
| DEBUG | Cinza | Mensagens de depuração |
| INFO | Azul | Solicitações normais |
| WARNING | Âmbar | Problemas não críticos |
| ERROR | Vermelho | Solicitações com falha |
| CRITICAL | Vermelho | Falhas críticas |
A API aceita o conjunto completo de gravidades de registro como filtro separado por vírgulas: DEBUG, INFO, NOTICE, WARNING, ERROR, CRITICAL, ALERT e EMERGENCY.
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.
Ao investigar erros: primeiro, clica em Errors para filtrar as entradas ERROR e WARNING; em seguida, verifica os carimbos de data/hora e os códigos de status HTTP. Copia os registros para a área de transferência para compartilhá-los com a tua equipe.
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": 0.5, "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())Nos exemplos de Docs da aba Predict da implantação, a URL do endpoint e, para proprietários do workspace, a chave de API vinculada à implantação já estão preenchidas para você. Consulte Chaves de API para gerar uma chave.
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=24hSDK 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.
| Parâmetro | Tipo | Descrição |
|---|---|---|
range | string | Intervalo de tempo: 1h, 6h, 24h, 7d ou 30d (padrão: 24h) |
sparkline | bool | Retorna o resumo compacto do painel em vez do payload completo |
view | string | overview retorna apenas métricas de solicitações, erros e latência P95 |
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,WARNINGSDK Python: client.deployments.logs(owner, deployment, limit=50, severity="ERROR,WARNING")
Retorna entradas de registro recentes com filtro de gravidade e paginação opcionais.
| Parâmetro | Tipo | Descrição |
|---|---|---|
limit | int | Número máximo de entradas a retornar (padrão: 50, máximo: 200) |
severity | string | Filtro de gravidade separado por vírgulas |
pageToken | string | Token de paginação da resposta anterior |
Integridade da implantação#
GET /api/deployments/{owner}/{deployment}/healthSDK 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.
Os números agregados na aba Deployments não estão disponíveis em um único endpoint REST. Reproduza-os chamando a rota de métricas para cada implantação retornada por GET /api/deployments/{owner} (client.deployments.list(owner)).
Otimização do desempenho#
Usa os dados de monitoramento para otimizar as tuas implantações:
Se a latência estiver muito alta:
- Verifica se o tamanho do modelo é adequado
- Considera uma região mais próxima
- Verifica o tamanho da imagem enviada em cada solicitação
Experimenta um valor menor de imgsz e compara a latência e a precisão resultantes do teu modelo. Implanta em uma região mais próxima dos clientes para reduzir a latência da rede.
Perguntas frequentes#
As estatísticas de predição e os exemplos temporários ficam disponíveis apenas durante a vida útil da instância de serviço, dentro dos limites de armazenamento e da galeria descritos acima. Parar, reiniciar, reimplantar, redimensionar ou substituir o modelo pode apagá-los. Somente os exemplos salvos com sucesso em um conjunto de dados persistem independentemente do endpoint.
As métricas operacionais e os registros têm períodos históricos separados. A API de métricas aceita períodos selecionáveis de 1 hora a 30 dias, com amostragem menos frequente à medida que o período aumenta — intervalos de 1 minuto para 1 hora até intervalos de 4 horas para 30 dias. A aba
Logsda implantação mostra as 20 entradas de registro mais recentes; a API de registros pode retornar até 200 entradas por solicitação e aceita paginação.As métricas e os registros são retidos apenas enquanto a implantação existe; portanto, excluir uma implantação também encerra o acesso ao histórico. Exporta tudo o que precisares manter antes de excluir um endpoint.
Sim, a aba Deployments do teu perfil mostra todos os endpoints em cartões de visão geral agregada. Usa a visualização em tabela para comparar o desempenho entre implantações.
Um deployment interrompido não registra novas métricas, pois não atende solicitações, mas a página do deployment e os cartões da aba Deployments continuam mostrando as métricas HTTP das últimas 24 horas. As verificações de integridade são executadas somente no estado Ready, então são retomadas quando você inicia o endpoint novamente.
Comentários
Faz uma pergunta, partilha os teus resultados ou ajuda alguém.