Início rápido da Ultralytics Platform#

A 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 seguinte apresenta as quatro fases principais do fluxo de trabalho da Ultralytics Platform. Clica em qualquer fase ou subetapa para aceder a instruções detalhadas dessa secção.

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 registo. Podes registar-te e iniciar sessão com as tuas contas Google ou GitHub, ou com o teu endereço de email.

Seleção da região#

Durante a integração, ser-te-á pedido que seleciones a tua região de dados. A Platform mede automaticamente a latência para 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 dos endpoints dedicados são selecionadas separadamente quando implementas um modelo.

Créditos gratuitos#

Todas as contas novas recebem créditos gratuitos para treino na cloud com GPU:

Completa o teu perfil#

O fluxo de integração guia-te por três passos:

1. Perfil - Introduz o teu nome de apresentação, nome de utilizador exclusivo (permanente, não pode ser alterado posteriormente), organização (opcional) e principal caso de utilização
2. Região de dados - Seleciona US, EU ou AP com um mapa-mundo visual que apresenta a latência
3. Concluir - Revê as tuas seleções, aplica opcionalmente um código promocional e termina o registo para receberes os teus créditos de boas-vindas

Painel inicial#

Depois de 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 apresentação, acesso rápido a conjuntos de dados, projetos e armazenamento, além de um feed de atividade recente.

Navegação da barra lateral#

A barra lateral dá acesso a todas as secções da Platform:

Cada secção de conteúdo apresenta os teus cinco itens mais recentes com uma ligação para os restantes. Ao passares o cursor sobre um item, é apresentada uma ação de eliminação que o move para o Lixo; o próprio Lixo é acedido através da pesquisa (Cmd+K) ou abrindo platform.ultralytics.com/trash.

Cartão de boas-vindas#

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

Ações rápidas#

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

• Conjuntos de dados: Cria um novo conjunto de dados ou arrasta imagens, vídeos ou ficheiros de conjuntos de dados para os carregar. Apresenta os teus conjuntos de dados recentes.
• Projetos: Cria um novo projeto ou arrasta ficheiros de modelos .pt para os carregar. Apresenta os teus projetos recentes.
• Armazenamento: Visão geral da utilização do teu armazenamento (conjuntos de dados, modelos e exportações) com os limites do plano.

Uma tabela de Atividade recente na parte inferior apresenta os teus conjuntos de dados, projetos e implementações mais recentes, 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. Pesquisa instantaneamente em páginas, projetos, conjuntos de dados e implementações.

Assistente de conversação com IA#

Clica em Ask AI para trabalhares com um agente de IA que automatiza tarefas na Ultralytics Platform. Ele trabalha diretamente com os teus conjuntos de dados e modelos para anotar imagens, executar experiências de treino, comparar resultados e exportar ou implementar modelos. Vê AutoTrain with Ask AI para exemplos de comandos e configuração para o teu próprio agente de programação.

Visitas guiadas de integração#

A Platform inclui visitas guiadas que apresentam funcionalidades essenciais à medida que exploras diferentes secções:

Reiniciar Tours#

Para repetir qualquer tour:

• Botão Refazer Tour — Clica no avatar do teu perfil (no canto inferior esquerdo da barra lateral) para abrir o menu da conta e seleciona Refazer Tour. Isto repõe todos os tours para que sejam repetidos na tua próxima visita a cada secção.
• Parâmetro de 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 dataset.

Carregar o Teu Primeiro Dataset#

Abre Annotate na barra lateral e clica em + para criares um novo dataset. Também podes arrastar e largar ficheiros diretamente no cartão Datasets do painel inicial.

A caixa de diálogo New Dataset oferece quatro fontes. Este guia de início rápido usa Upload; as outras são abordadas em Datasets e Integrations:

Os carregamentos suportam vários formatos (consulta todos os detalhes 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 carregamento, a plataforma processa automaticamente os teus dados:

1. As imagens com mais de 4096px são redimensionadas (preservando a proporção)
2. São geradas miniaturas de 256px para uma navegação rápida
3. As etiquetas YOLO, COCO e Ultralytics NDJSON 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 os formatos suportados para detect, segment, pose, OBB e classify.

Criar o Teu Primeiro Projeto#

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

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

Lê mais sobre projetos.

Treinar o Teu Primeiro Modelo#

No teu projeto, clica em New Model para abrir a caixa de diálogo Treinar Novo Modelo. Também podes começar numa página de dataset; nesse caso, o dataset fica definido e escolhes o projeto de destino.

Configuração do Treino#

1. Modelo Base: Seleciona pesos oficiais da Ultralytics ou um dos teus próprios modelos treinados. A caixa de diálogo avisa-te se a tarefa do modelo e a tarefa do dataset não coincidirem.
2. Dataset: Escolhe um dataset pronto com pelo menos uma imagem de treino, pelo menos uma imagem de validação ou teste e pelo menos uma imagem etiquetada
3. Parâmetros: Define Épocas (predefinição: 100), Tamanho do Batch (em branco significa automático), Tamanho da Imagem (predefinição: 640) e um Nome de execução opcional. Expande Definições Avançadas para editares qualquer outro argumento de treino da Ultralytics num editor YAML.
4. Selecionar GPU: No separador Treino Cloud, escolhe a computação com base no teu orçamento e no tamanho do modelo. A predefinição é RTX PRO 6000 (96 GB Blackwell, 2,09 $/h), que suporta todas as variantes YOLO26. Consulta a tabela completa de preços de GPU ou a etapa de GPU do Treino Cloud para veres a lista completa e as restrições por nível.
5. Iniciar Treino: Consulta o custo e a duração estimados junto ao teu saldo de créditos e clica em Start Training.

Monitorizar o Treino#

Quando o treino começar, abre o separador Train do modelo para monitorizares o progresso em tempo real através de três separadores secundários:

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

Lê mais sobre o treino cloud.

Testar o Teu Modelo#

Quando o treino terminar, testa o teu modelo diretamente no browser:

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

Ajusta os parâmetros de inferência:

Em Documentação da API, o separador Predict apresenta código de exemplo em Python, JavaScript e cURL, preenchido previamente com os parâmetros que selecionaste acima. Implementa primeiro o modelo e, em seguida, substitui o URL e a chave de marcador pelos valores do teu endpoint:

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 inferência.

Implementar em Produção#

Implementa o teu modelo num endpoint dedicado para utilização em produção:

1. Navega até ao separador Deploy do teu modelo
2. A Platform mede a latência em todas as 42 regiões e apresenta-a num mapa-mundo, com um gradiente de verde a vermelho (uma latência menor aparece mais verde e uma latência maior mais vermelha)
3. Na tabela Latência por Região 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 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

Quando o aprovisionamento terminar, o teu endpoint disponibiliza:

• URL exclusivo: endpoint HTTPS para chamadas à API
• Comportamento de redução a zero: os endpoints inativos são reduzidos a zero (as implementações executam atualmente uma única instância ativa)
• Monitorização: métricas e registos de pedidos

Após a implementação, podes gerir todos os teus endpoints a partir da secção Deploy na barra lateral. O painel de implementações apresenta um mapa global com as tuas implementações ativas, métricas de 24 horas (pedidos totais, implementações ativas, taxa de erros e latência P95) e uma lista de todos os endpoints.

Lê mais sobre endpoints.

Treino remoto (opcional)#

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

A forma mais rápida é usar o separador Treino local na caixa de diálogo de treino: ele cria o comando completo para o modelo, conjunto de dados e parâmetros selecionados e preenche uma chave de API (criando uma se ainda não tiveres uma). Copia-o e executa-o no teu terminal.

Para criares o comando manualmente:

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 chaves de API, URIs de conjuntos de dados e treino remoto.

Feedback e ajuda#

A página Ajuda, no rodapé da barra lateral, reúne links para a documentação, vídeos explicativos e recursos da comunidade, além de incluir um formulário de feedback na aplicação. Podes avaliar a tua experiência de 1 a 5 estrelas, escolher um tipo de feedback (Erro, Funcionalidade ou Geral) e anexar uma captura de ecrã.

Se precisares de mais ajuda:

• Chat de IA: clica no widget de chat flutuante em qualquer página para obter ajuda imediata
• Documentação: consulta esta documentação para obteres guias detalhados sobre conjuntos de dados, anotação, treino, implementação e faturação
• Discord: junta-te à nossa comunidade do Discord para participar em discussões
• GitHub: comunica problemas no GitHub
• REST API e SDK de Python: consulta a referência da API, instala o cliente ultralytics-platform ou experimenta a documentação interativa da API para obter acesso programático a todas as funcionalidades da Platform

Perguntas frequentes#