Guia de Início Rápido da Ultralytics Platform#

Ultralytics Platform fornece um fluxo de trabalho guiado para carregar conjuntos de dados, treinar novos modelos YOLO a partir de pesos pré-treinados, testar modelos concluídos no navegador e configurar endpoints de inferência dedicados.

O diagrama interativo a seguir descreve os quatro estágios principais do fluxo de trabalho da Ultralytics Platform. Clique em qualquer estágio ou subetapa para acessar instruções detalhadas sobre aquela seção.

graph LR
    A(Sign Up):::start --> B(Prepare Data):::proc --> C(Train):::proc --> D(Deploy):::out
    A -.- A1["<a href='#get-started'>Create account</a><br/><a href='#region-selection'>Select region</a>"]:::proc
    B -.- B1["<a href='#upload-your-first-dataset'>Upload dataset</a><br/><a href='#create-your-first-project'>Create Project</a>"]:::proc
    C -.- C1["<a href='#training-configuration'>Configure training</a><br/><a href='#monitor-training'>Monitor progress</a>"]:::proc
    D -.- D1["<a href='#test-your-model'>Test model</a><br/><a href='#deploy-to-production'>Deploy endpoint</a>"]:::proc

    click A "#get-started"
    click B "#upload-your-first-dataset"
    click C "#train-your-first-model"
    click D "#deploy-to-production"

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

Começar#

A Ultralytics Platform oferece várias opções simples de cadastro. Você pode se registrar e fazer login usando suas contas do Google ou GitHub, ou com seu endereço de e-mail.

Seleção de Região#

Durante a integração, pedir-se-á para selecionares a tua região de dados. A Platform mede automaticamente a latência de cada região e recomenda a mais próxima. Esta escolha determina onde os teus conjuntos de dados, modelos e dados de treino geridos são armazenados. As regiões de endpoints dedicados são selecionadas separadamente quando despregues um modelo.

Créditos gratuitos#

Toda conta nova recebe créditos gratuitos para treinamento em GPU na nuvem:

Complete seu perfil#

O fluxo de integração guia você por três etapas:

1. Perfil - Insira seu nome de exibição, nome de usuário exclusivo (permanente, não pode ser alterado depois), organização (opcional) e caso de uso principal
2. Região de Dados - Selecione US, EU ou AP com um mapa-múndi visual mostrando a latência
3. Concluir - Revise suas seleções, opcionalmente aplique um código promocional e finalize o cadastro para reivindicar seus créditos de boas-vindas

Painel Inicial#

Após fazer login, você será direcionado para a página inicial da Ultralytics Platform, que oferece um cartão de boas-vindas com estatísticas do workspace, acesso rápido a datasets, projetos e armazenamento, além de um feed de atividades recentes.

Navegação da barra lateral#

A barra lateral oferece acesso a todas as seções da Platform:

Cartão de boas-vindas#

O cartão de boas-vindas mostra seu perfil, emblema do plano e estatísticas do workspace rapidamente:

Ações rápidas#

Abaixo do cartão de boas-vindas, o painel mostra três cartões:

• Datasets: Crie um novo dataset ou solte imagens, vídeos ou arquivos de dataset para fazer upload. Mostra seus datasets recentes.
• Projetos: Crie um novo projeto ou solte arquivos de modelo .pt para fazer upload. Mostra seus projetos recentes.
• Armazenamento: Visão geral do uso do seu armazenamento (datasets, modelos, exportações) com limites do plano.

Uma tabela de Atividade Recente na parte inferior mostra seus datasets, modelos e execuções de treinamento mais recentes.

Pesquisa Global#

Pressione Cmd+K (Mac) ou Ctrl+K (Windows/Linux) para abrir a barra de pesquisa. Pesquise em páginas, projetos, datasets e implantações instantaneamente.

Assistente de Chat de IA#

Um widget de chat flutuante está disponível em todas as páginas. Clique nele para fazer perguntas sobre treinamento YOLO, anotação, implantação ou qualquer recurso da Platform. O assistente fornece ajuda contextual com base na página atual.

Tours de Integração#

A Platform inclui tours guiados que apresentam recursos principais conforme você explora diferentes seções:

Reiniciar Tours#

Para repetir qualquer tour:

• Botão Refazer Tour — Clique no avatar do seu perfil (canto inferior esquerdo da barra lateral) para abrir o menu do usuário e, em seguida, selecione Refazer Tour. Isso redefine todos os tours para que sejam reproduzidos na sua próxima visita a cada seção.
• Parâmetro de URL — Navegue até platform.ultralytics.com/home?tour=nav para reiniciar o Tour de Navegação diretamente.

Carregue o Seu Primeiro Conjunto de Dados#

Navega até Annotate na barra lateral e clica em New Dataset para adicionares os teus dados de treino. Também podes arrastar e largar ficheiros diretamente no cartão Datasets no painel Home.

A Ultralytics Platform suporta vários formatos de carregamento (detalhes completos em Datasets):

graph LR
    A[Drop Files]:::start --> B[Auto-Package ZIP]:::proc
    B --> C[Upload to Storage]:::proc
    C --> D[Backend Worker]:::proc
    D --> E[Resize & Thumbnail]:::proc
    E --> F[Parse Labels]:::proc
    F --> G[Compute Statistics]:::proc
    G --> H[Dataset Ready]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

Após o upload, a plataforma processa automaticamente seus dados:

1. Imagens maiores que 4096px são redimensionadas (preservando a proporção)
2. Miniaturas de 256px são geradas para navegação rápida
3. As etiquetas NDJSON YOLO, COCO e Ultralytics são analisadas e validadas
4. As estatísticas são calculadas (distribuição de classes, mapas de calor, dimensões)

my-dataset.zip
├── data.yaml          # Class names and splits
├── train/
│   ├── images/
│   │   ├── img001.jpg
│   │   └── img002.jpg
│   └── labels/
│       ├── img001.txt
│       └── img002.txt
└── val/
    ├── images/
    └── labels/

Leia mais sobre conjuntos de dados e formatos suportados para detectar, segmentar, pose, OBB e classificar.

Crie o Seu Primeiro Projeto#

Os projetos ajudam-te a organizar modelos e experimentos relacionados. Navega até Projects e clica em New Project.

Introduz um nome e uma descrição opcional. Os projetos organizam execuções de modelos e pesos de modelos importados ou clonados, com gráficos para comparar resultados de treino concluídos.

Leia mais sobre projetos.

Treine o Seu Primeiro Modelo#

A partir do teu projeto, clica em New Model para iniciares o treino na cloud.

Configuração de Treinamento#

1. Select Dataset: Escolhe um conjunto de dados pronto com pelo menos uma imagem de treino, pelo menos uma imagem de validação ou teste e pelo menos uma imagem rotulada
2. Escolher Modelo: Selecione um modelo base - modelos oficiais da Ultralytics ou seus próprios modelos treinados
3. Definir Épocas: Número de iterações de treinamento (padrão: 100)
4. Selecionar GPU: Escolhe recursos de computação com base no teu orçamento e no tamanho do modelo. O padrão é RTX PRO 6000 (96 GB Blackwell, $2.09/h), que lida com todas as variantes YOLO26. Vê a tabela de preços de GPU completa ou o passo de GPU para Treino na Cloud para a lista completa e restrições de nível.

Monitorar Treinamento#

Assim que o treinamento começar, você pode monitorar o progresso em tempo real através de três subguias:

As métricas são transmitidas em tempo real através de SSE (Server-Sent Events). Após a conclusão do treino, são gerados gráficos de validação, incluindo matriz de confusão, curvas PR e curvas F1.

Leia mais sobre treinamento em nuvem.

Teste o Seu Modelo#

Após a conclusão do treinamento, teste seu modelo diretamente no navegador:

1. Navega até ao separador Predict do teu modelo
2. Carregue uma imagem, arraste e solte, ou use imagens de exemplo (inferência automática ao soltar)
3. Vê sobreposições de previsão adequadas à tarefa e a resposta JSON em bruto

Ajusta os parâmetros de inferência:

O separador Predict também mostra código de exemplo de implementação. Implementa o modelo primeiro, depois substitui o URL e a chave de marcador de posição pelos valores do teu endpoint:

import requests

url = "https://your-deployment-url.run.app/predict"
headers = {"Authorization": "Bearer YOUR_API_KEY"}

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

print(response.json())

Leia mais sobre inferência.

Implantar em Produção#

Implante seu modelo em um endpoint dedicado para uso em produção:

1. Navega até ao separador Deploy do teu modelo
2. Seleciona uma região no mapa interativo do mundo (42 regiões disponíveis)
3. O mapa mostra medições de latência em tempo real com cores em um gradiente de verde a vermelho (menor latência é mais verde, maior latência é mais vermelha)
4. Clica em Deploy para criares o teu endpoint

graph LR
    A[Select Region]:::start --> B[Deploy]:::proc
    B --> C[Provisioning]:::proc
    C --> D[Running]:::out
    D --> E{Lifecycle}:::decide
    E --> F[Stop]:::error
    E --> G[Delete]:::error
    F --> H[Resume]:::proc
    H --> D

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,color:#fff
    classDef error fill:#F44336,color:#fff

Assim que o provisionamento estiver concluído, o teu endpoint fornece:

• URL Única: Endpoint HTTPS para chamadas de API
• Comportamento de escala para zero: Endpoints ociosos escalam para zero (as implementações executam atualmente uma única instância ativa)
• Monitoramento: Métricas e logs de solicitação

Após a implementação, podes gerir todos os teus endpoints a partir da secção Deploy na barra lateral, que mostra um mapa global com implementações ativas, métricas de visão geral e uma lista de todos os endpoints.

Leia mais sobre endpoints.

Treinamento Remoto (Opcional)#

Se preferires treinar no teu próprio hardware, podes usar a tua chave API para treinar em qualquer lugar e transmitir métricas para a Ultralytics Platform.

1. Gera uma API key em Settings > API Keys
2. Define a variável de ambiente e treina com um formato project/name:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

yolo train model=yolo26n.pt data=coco.yaml epochs=100 project=username/my-project name=exp1

Lê mais sobre API keys, dataset URIs e remote training.

Feedback e Ajuda#

A página Help no rodapé da barra lateral inclui um formulário de feedback no aplicativo. Podes avaliar a tua experiência, escolher um tipo de feedback (bug, pedido de funcionalidade ou geral) e anexar capturas de ecrã.

Se precisares de mais ajuda:

• AI Chat: Clica no widget de chat flutuante em qualquer página para obter ajuda instantânea
• Documentation: Navega por esta documentação para guias detalhados sobre datasets, annotation, training, deployment e billing
• Discord: Junta-te à nossa Discord community para discussões
• GitHub: Reporta problemas no GitHub
• REST API: Consulta a API reference ou experimenta a interactive API docs para acesso programático a todas as funcionalidades da Platform