Ir para o conteúdo

Modelos

Ultralytics oferece gestão abrangente de modelos para treinar, analisar e implementar YOLO . Carregue modelos pré-treinados ou treine novos diretamente na plataforma.

Carregar modelo

Carregue os pesos do modelo existente para a Plataforma:

  1. Navegue até ao seu projeto
  2. Clique em Carregar Modelo
  3. Selecione o seu .pt arquivo
  4. Adicione nome e descrição
  5. Clique em Carregar

Formatos de modelos suportados:

FormatoExtensãoDescrição
PyTorch.ptUltralytics nativo Ultralytics

Após o upload, a Plataforma analisa os metadados do modelo:

  • Tipo de tarefa (detect, segment, pose, OBB, classify)
  • Arquitetura (YOLO11n, YOLO11s, etc.)
  • Nomes das classes e contagem
  • Tamanho e parâmetros de entrada

Treinar Modelo

Treine um novo modelo diretamente na plataforma:

  1. Navegue até ao seu projeto
  2. Clique no modelo do comboio
  3. Selecionar conjunto de dados
  4. Escolha o modelo base
  5. Configurar os parâmetros de treino
  6. Comece a treinar

Consulte Formação em nuvem para obter instruções detalhadas.

Visão Geral do Modelo

Cada página do modelo exibe:

SecçãoConteúdo
Visão geralMetadados do modelo, tipo de tarefa, arquitetura
MétricasGráficos de perda de treino e desempenho
EnredosMatriz de confusão, curvas PR, curvas F1
TesteTeste de inferência interativo
ImplementarCriação e gestão de terminais
ExportarConversão de formato e download

Métricas de treino

Veja métricas de treino em tempo real e históricas:

Curvas de perda

PerdaDescrição
CaixaPerda de regressão da caixa delimitadora
AulaPerda de classificação
DFLPerda focal de distribuição

Métricas de Desempenho

MétricaDescrição
mAP50Precisão média em IoU ,50
mAP50Precisão média em IoU ,50-0,95
PrecisãoRácio de previsões positivas corretas
RecallProporção de positivos reais identificados

Gráficos de validação

Após a conclusão do treinamento, visualize a análise detalhada da validação:

Matriz de Confusão

Mapa de calor interativo mostrando a precisão da previsão por classe:

Curvas PR/F1

Curvas de desempenho em diferentes níveis de confiança:

CurvaDescrição
Precisão-RecallCompromisso entre precisão e recuperação
F1-ConfiançaPontuação F1 em diferentes níveis de confiança
Precisão-ConfiançaPrecisão em diferentes níveis de confiança
Confiança na recuperaçãoRecall em diferentes níveis de confiança

Modelo de exportação

Exporte o seu modelo para 17 formatos de implementação:

  1. Navegue até a guia Exportar
  2. Selecione o formato de destino
  3. Clique em Exportar
  4. Descarregar quando estiver concluído

Formatos suportados

FormatoDescriçãoCaso de uso
ONNXIntercâmbio aberto de redes neuraisImplantação multiplataforma
TorchScriptPyTorch serializadoPyTorch
OpenVINOIntelIntel
TensorRTNVIDIANVIDIA
CoreMLOtimização da AppleiOS
TFLiteTensorFlow LiteMóvel/incorporado
TF SavedModelTensorFlowTensorFlow
TF GraphDefTensorFlowTensorFlow legado
PaddlePaddleEstrutura BaiduPaddlePaddle
NCNNInferência móvelAndroid
TPU de pontaGoogle TPUDispositivos Coral
TF.jsTensorFlow.jsImplementação do navegador
MNNEstrutura AlibabaOtimização para dispositivos móveis
RKNNNPU RockchipDispositivos Rockchip
IMXNXP i.MXPlataformas NXP
AxeleraMetis IAAceleradores de IA de ponta
ExecuTorchMetaestruturaPlataformas Meta

Tempo de exportação

O tempo de exportação varia de acordo com o formato. TensorRT podem demorar vários minutos devido à otimização do motor.

Ligação de conjuntos de dados

Os modelos podem ser ligados ao seu conjunto de dados de origem:

  • Veja qual conjunto de dados foi usado para o treino
  • Acesse o conjunto de dados na página do modelo
  • Rastrear a proveniência dos dados

Ao treinar com conjuntos de dados da Plataforma usando o ul:// Formato URI, a ligação é automática.

Definições de visibilidade

Controle quem pode ver o seu modelo:

ConfigurandoDescrição
PrivadoSó você pode aceder
PúblicoQualquer pessoa pode visualizar na página Explorar

Para alterar a visibilidade:

  1. Abrir o menu de ações do modelo
  2. Clique em Editar
  3. Alternar visibilidade
  4. Clique em Guardar

Excluir Modelo

Remova um modelo que já não precisa:

  1. Abrir o menu de ações do modelo
  2. Clique em Excluir
  3. Confirmar eliminação

Lixeira e Restaurar

Os modelos eliminados ficam na Lixeira por 30 dias. Restaure-os em Definições > Lixeira.

FAQ

Que arquiteturas de modelo são suportadas?

Ultralytics suporta todas YOLO :

  • YOLO11: variantes n, s, m, l, x
  • YOLO26: Última geração (quando disponível)
  • YOLOv10: Suporte legado
  • YOLOv8: Suporte legado
  • YOLOv5: Suporte legado

Posso descarregar o meu modelo treinado?

Sim, descarregue os pesos do seu modelo na página do modelo:

  1. Clique no ícone de download
  2. Selecione o formato (original) .pt ou exportado)
  3. O download começa automaticamente

Como comparar modelos entre projetos?

Atualmente, a comparação de modelos é feita dentro dos projetos. Para comparar entre projetos:

  1. Transferir modelos para um único projeto ou
  2. Exportar métricas e comparar externamente

Qual é o tamanho máximo do modelo?

Não há um limite rígido, mas modelos muito grandes (>2 GB) podem ter tempos de carregamento e processamento mais longos.

Posso ajustar modelos pré-treinados?

Sim! Carregue um modelo pré-treinado e, em seguida, inicie o treino a partir desse ponto de verificação com o seu conjunto de dados. A plataforma utiliza automaticamente o modelo carregado como ponto de partida.



📅 Criado há 0 dias ✏️ Atualizado há 0 dias
glenn-jocher

Comentários