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#

Ultralytics Platform oferece uma variedade de opções fáceis de cadastro. Podes registar-te e iniciar sessão utilizando as tuas contas do Google ou GitHub, ou com o teu 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 iniciares sessão, serás direcionado para a página inicial da Ultralytics Platform, que disponibiliza um cartão de boas-vindas com estatísticas do espaço de trabalho, um vídeo de visão geral, acesso rápido a conjuntos de dados, projetos e armazenamento, e um feed de atividade recente.

Navegação da barra lateral#

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

Cada secção de conteúdo lista os teus cinco itens mais recentes com um link para o resto. Passar o cursor sobre um item revela uma ação de eliminação que o move para o Lixo; o próprio Lixo é acedido a partir da pesquisa (Cmd+K) ou abrindo platform.ultralytics.com/trash.

Cartão de boas-vindas#

O cartão de boas-vindas mostra o teu perfil, emblema de plano (que liga à comparação de planos) e estatísticas do espaço de trabalho num relance. Cada estatística liga-se à vista do espaço de trabalho correspondente:

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.
• Projects: Cria um novo projeto ou larga ficheiros de modelo .pt para carregar. Mostra os teus 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 os teus últimos conjuntos de dados, projetos e implementações com o respetivo estado e hora da última atualização.

Pesquisa Global#

Prime Cmd+K (Mac) ou Ctrl+K (Windows/Linux) para abrir a barra de pesquisa. Procura instantaneamente por páginas, projetos, conjuntos de dados e implementações.

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 Repetir Tour — Clica no teu avatar de perfil (no canto inferior esquerdo da barra lateral) para abrir o menu de conta e seleciona Repetir Tour. Isto reinicia todos os tours para que sejam reproduzidos na tua próxima visita a cada secção.
• Parâmetro URL — Acrescenta ?tour= com o ID do tour para reiniciar um diretamente: ?tour=nav na página inicial, ?tour=project numa página de projeto, ou ?tour=dataset numa página de conjunto de dados.

Carregue o Seu Primeiro Conjunto de Dados#

Abre Annotate na barra lateral e clica em + para criar um novo conjunto de dados. Também podes arrastar e largar ficheiros diretamente no cartão Datasets no painel inicial.

O diálogo Novo Dataset oferece quatro fontes. Este guia de início rápido utiliza Carregar; as outras são abordadas em Datasets e Integrações:

Os carregamentos suportam múltiplos formatos (detalhes completos em Datasets):

graph LR
    A[Drop Files]:::start --> B[Auto-Package ZIP]:::proc
    B --> C[Upload to Storage]:::proc
    C --> D[Process Data]:::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/

Lê mais sobre datasets e formatos suportados para detect, segment, pose, OBB e classify.

Crie o Seu Primeiro Projeto#

Os projetos ajudam-te a organizar modelos e experiências relacionados. Abre Train na barra lateral e clica em + para criar um projeto. Também podes largar pesos .pt no cartão Projects no painel inicial para criar um projeto e importá-los num único passo.

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 treinos concluídos.

Lê mais sobre projects.

Treine o Seu Primeiro Modelo#

A partir do teu projeto, clica em New Model para abrir o diálogo Train New Model. Também podes começar a partir de uma página de conjunto de dados, caso em que o conjunto de dados fica fixo e escolhes o projeto de destino em vez disso.

Configuração de Treinamento#

1. Base Model: Seleciona pesos oficiais da Ultralytics ou um dos teus próprios modelos treinados. O diálogo avisa se a tarefa do modelo e a tarefa do conjunto de dados não coincidirem.
2. 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
3. Parameters: Define Epochs (predefinição 100), Batch Size (em branco significa automático), Image Size (predefinição 640) e um Name de execução opcional. Expande Advanced Settings para editar qualquer outro argumento de treino da Ultralytics num editor YAML.
4. Select GPU: No separador Cloud Training, escolhe o processamento com base no teu orçamento e no tamanho do modelo. A predefinição é RTX PRO 6000 (96 GB Blackwell, 2,09 $/h), que lida com todas as variantes do YOLO26. Consulta a tabela de preços de GPU completa ou o passo de GPU de Cloud Training para obter a lista completa e a restrição de escalões.
5. Start Training: Review o custo estimado e a duração junto ao seu saldo de créditos e, em seguida, clique em Start Training.

Monitorar Treinamento#

Assim que o treino começar, abre o separador Train do modelo para monitorizar o progresso em tempo real através de três subseparadores:

As métricas são transmitidas em tempo real via SSE (Server-Sent Events). Assim que existirem artefactos de validação, o subseparador Charts divide-se em vistas Training e Validation, com a matriz de confusão, curvas PR e curvas F1 em Validation.

Lê mais sobre cloud training.

Teste o Seu Modelo#

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

1. Navega para o separador Predict do teu modelo
2. Carrega uma imagem, arrasta e larga, captura uma a partir da tua webcam ou clica numa imagem de exemplo (inferência automática ao largar)
3. Ver sobreposições de predição adequadas à tarefa, tempos por etapa (pré-processamento, inferência, pós-processamento, rede) e a resposta JSON em bruto

Modifica os parâmetros de inferência:

Em API Docs, o separador Predict mostra código de exemplo em Python, JavaScript e cURL, pré-preenchido com os parâmetros que selecionaste acima. Implementa o modelo primeiro e, em seguida, substitui o URL e a chave de marcador de posição pelos valores do teu ponto final:

import requests

url = "https://your-deployment-url.run.app/predict"
api_key = "YOUR_API_KEY"
args = {"conf": 0.25, "iou": 0.7, "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())

Lê mais sobre inference.

Implantar em Produção#

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

1. Navega para o separador Deploy do teu modelo
2. A Platform mede a latência para todas as 42 regiões e traça-as num mapa-múndi, colorido num gradiente de verde a vermelho (menor latência é mais verde, maior latência é mais vermelha)
3. Na tabela Region Latency abaixo do mapa — ordenada por latência a partir da tua localização — encontra a região que pretendes. Utiliza Rescan para voltar a medir a qualquer momento.
4. Clica em Deploy nessa linha para criar o teu ponto final

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 pontos finais a partir da secção Deploy na barra lateral. O painel de controlos de implementações mostra um mapa global com as tuas implementações ativas, métricas de 24 horas (total de pedidos, implementações ativas, taxa de erros e latência P95) e uma lista de cada ponto final.

Lê 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.

A rota mais rápida é o separador Local Training no diálogo de treino: cria o comando completo para o teu modelo, conjunto de dados e parâmetros selecionados, e preenche uma chave de API (criando uma se ainda não tiveres nenhuma). Copia-o e executa-o no teu terminal.

Para montar o comando tu mesmo:

1. Gera uma chave de API em Settings > API Keys
2. Define a variável de ambiente e treina com um valor username/project para project:

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 reúne links de documentação, tutoriais em vídeo e recursos da comunidade, e inclui um formulário de feedback na aplicação. Podes avaliar a tua experiência de 1 a 5 estrelas, escolher um tipo de feedback (Bug, Feature ou General) e anexar uma captura de ecrã.

Se precisares de mais ajuda:

• AI Chat: Clica no widget de chat flutuante em qualquer página para obter ajuda instantânea
• Documentation: Explora esta documentação para guias detalhados sobre datasets, annotation, training, deployment e billing
• Discord: Junta-te à nossa comunidade do Discord para discussões
• GitHub: Reporta problemas no GitHub
• REST API e SDK em Python: Consulta a referência da API, instala o cliente ultralytics-platform ou experimenta a documentação interativa da API para obteres acesso programático a todas as funcionalidades da Plataforma