Início Rápido da Plataforma Ultralytics

Ultralytics Platform foi projetada para ser amigável e intuitiva, permitindo que os usuários carreguem rapidamente seus datasets e treinem novos modelos YOLO. Ela oferece uma variedade de modelos pré-treinados para escolher, facilitando o início para os usuários. Uma vez que um modelo é treinado, ele pode ser testado diretamente no navegador e implantado em produção com um único clique.

journey
    title Your First Model in 5 Minutes
    section Sign Up
      Create account: 5: User
      Select region: 5: User
    section Prepare Data
      Upload dataset: 5: User
      Review images: 4: User
    section Train
      Configure training: 5: User
      Monitor progress: 3: Platform
    section Deploy
      Test model: 5: User
      Deploy endpoint: 5: User

Começar

Ultralytics oferece várias opções fáceis de inscrição. Pode registar-se e iniciar sessão usando as suas contas Google GitHub, ou com o seu endereço de e-mail.

Seleção de Região

Durante a integração, ser-lhe-á pedido que selecione a sua região de dados. A plataforma mede automaticamente a latência para cada região e recomenda a mais próxima. Esta é uma escolha importante, pois determina onde os seus dados, modelos e implementações serão armazenados.

Créditos Gratuitos

Cada nova conta recebe créditos gratuitos para GPU na nuvem:

Complete Seu Perfil

Antes de selecionar a sua região, complete o seu perfil com um nome de exibição, nome de utilizador, empresa opcional e caso de uso principal. O fluxo de integração tem três etapas: Perfil, Região de dados e Concluir.

Painel Inicial

Após o login, será direcionado para a página inicial da Ultralytics , que fornece um cartão de boas-vindas com estatísticas do espaço de trabalho, acesso rápido a conjuntos de dados, projetos e armazenamento, além de um feed de atividades recentes.

Navegação na barra lateral

A barra lateral fornece acesso a todas as secções da Plataforma:

Cartão de boas-vindas

O cartão de boas-vindas mostra o seu perfil, o emblema do plano e as estatísticas do espaço de trabalho num relance:

Ações Rápidas

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

• Conjuntos de dados: crie um novo conjunto de dados ou solte imagens, vídeos ou ficheiros ZIP para fazer o upload. Mostra os seus conjuntos de dados recentes.
• Projetos: Crie um novo projeto ou solte .pt ficheiros modelo para carregar. Mostra os seus projetos recentes.
• Armazenamento: visão geral da sua utilização de armazenamento (conjuntos de dados, modelos, exportações) com limites do plano.

Uma tabela de Atividades recentes na parte inferior mostra os seus conjuntos de dados, modelos e execuções de treino mais recentes.

Faça Upload do Seu Primeiro Dataset

Navegue até Annotate na barra lateral e clique em New Dataset para adicionar os seus dados de treino. Também pode arrastar e soltar ficheiros diretamente no cartão Conjuntos de dados no painel inicial.

Ultralytics suporta vários formatos de carregamento (detalhes completos em Conjuntos de dados):

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

Após o upload, a plataforma processa automaticamente os seus dados:

1. Imagens maiores que 4096px são redimensionadas (preservando a proporção)
2. São geradas miniaturas de 256 px para uma navegação rápida.
3. As etiquetas são analisadas e validadas (YOLO .txt formato)
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 detect, segment, pose, OBB e classify.

Crie Seu Primeiro Projeto

Projetos ajudam a organizar modelos e experimentos relacionados. Navegue até Projetos e clique em "Criar Projeto".

Insira um nome e uma descrição opcional para seu projeto. Projetos contêm:

• Modelos: Pontos de verificação treinados
• Registro de Atividade: Histórico de alterações

Leia mais sobre projetos.

Treine Seu Primeiro Modelo

No seu projeto, clique em Train Model para iniciar a formação em nuvem.

Configuração de Treinamento

1. Selecionar conjunto de dados: Escolha entre os seus conjuntos de dados carregados (apenas conjuntos de dados com um train divisão são mostrados)
2. Escolha o modelo: selecione um modelo base — Ultralytics oficiais Ultralytics ou seus próprios modelos treinados
3. Definir épocas: Número de iterações de treino (padrão: 100)
4. Selecionar GPU: escolha recursos de computação com base no seu orçamento e tamanho do modelo

Monitorar Treinamento

Assim que o treino começar, poderá monitorizar o progresso em tempo real através de três subseparadores:

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

Leia mais sobre treinamento em nuvem.

Teste Seu Modelo

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

1. Navegue até o seu modelo Predict aba
2. Carregue uma imagem, arraste e solte ou utilize imagens de exemplo (inferência automática ao soltar)
3. Veja os resultados da inferência com caixas delimitadoras renderizadas na tela

Ajuste os parâmetros de inferência:

O Predict A guia fornece exemplos de código prontos para uso com a sua chave API real pré-preenchida:

import requests

url = "https://platform.ultralytics.com/api/models/{model_id}/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())

curl -X POST "https://platform.ultralytics.com/api/models/{model_id}/predict" \
  -H "Authorization: Bearer your_api_key" \
  -F "file=@image.jpg"

Leia mais sobre inferência.

Implante em Produção

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

1. Navegue até o seu modelo Deploy aba
2. Selecione uma região no mapa-múndi interativo (43 regiões disponíveis)
3. The map shows real-time latency measurements with traffic light colors (green < 100ms, yellow < 200ms, red > 200ms)
4. Clique Deploy para criar o seu ponto final

graph LR
    A[Select Region] --> B[Deploy]
    B --> C[Provisioning ~1 min]
    C --> D[Running]
    D --> E{Lifecycle}
    E --> F[Stop]
    E --> G[Delete]
    F --> H[Resume]
    H --> D

Seu endpoint estará pronto em aproximadamente um minuto, com:

• URL Exclusiva: endpoint HTTPS para chamadas de API
• Autoescalonamento: Escala automaticamente com o tráfego
• Monitoramento: Métricas de requisição e logs

Após a implementação, pode gerir todos os seus terminais a partir do Deploy na barra lateral, que mostra um mapa global com implementações ativas, métricas gerais e uma lista de todos os pontos finais.

Leia mais sobre endpoints.

Formação remota (opcional)

Se preferir treinar no seu próprio hardware, pode transmitir métricas para a plataforma usando a sua chave API. Isso funciona como Weights & Biases treine em qualquer lugar, monitore na plataforma.

1. Gerar uma chave API em Settings > Profile (Secção Chaves API)
2. Defina a variável de ambiente e treine com um project/name formato:

export ULTRALYTICS_API_KEY="ul_your_api_key_here"

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

Leia mais sobre chaves API, URIs de conjuntos de dados e treinamento remoto.

Feedback

Valorizamos seu feedback! Use o botão de feedback para nos ajudar a melhorar a plataforma.

Precisa de ajuda?

Se você encontrar algum problema ou tiver dúvidas:

• Documentação: Consulte esta documentação para guias detalhados
• Discord: Junte-se à nossa comunidade Discord para discussões
• GitHub: Relate problemas no GitHub

📅 Criado há 1 mês ✏️ Atualizado há 6 dias

Comentários