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:
- Navegue até ao seu projeto
- Clique em Carregar Modelo
- Selecione o seu
.ptarquivo - Adicione nome e descrição
- Clique em Carregar
Formatos de modelos suportados:
| Formato | Extensão | Descrição |
|---|---|---|
| PyTorch | .pt | Ultralytics 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:
- Navegue até ao seu projeto
- Clique no modelo do comboio
- Selecionar conjunto de dados
- Escolha o modelo base
- Configurar os parâmetros de treino
- Comece a treinar
Consulte Formação em nuvem para obter instruções detalhadas.
Visão Geral do Modelo
Cada página do modelo exibe:
| Secção | Conteúdo |
|---|---|
| Visão geral | Metadados do modelo, tipo de tarefa, arquitetura |
| Métricas | Gráficos de perda de treino e desempenho |
| Enredos | Matriz de confusão, curvas PR, curvas F1 |
| Teste | Teste de inferência interativo |
| Implementar | Criação e gestão de terminais |
| Exportar | Conversão de formato e download |
Métricas de treino
Veja métricas de treino em tempo real e históricas:
Curvas de perda
| Perda | Descrição |
|---|---|
| Caixa | Perda de regressão da caixa delimitadora |
| Aula | Perda de classificação |
| DFL | Perda focal de distribuição |
Métricas de Desempenho
| Métrica | Descrição |
|---|---|
| mAP50 | Precisão média em IoU ,50 |
| mAP50 | Precisão média em IoU ,50-0,95 |
| Precisão | Rácio de previsões positivas corretas |
| Recall | Proporção 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:
| Curva | Descrição |
|---|---|
| Precisão-Recall | Compromisso entre precisão e recuperação |
| F1-Confiança | Pontuação F1 em diferentes níveis de confiança |
| Precisão-Confiança | Precisão em diferentes níveis de confiança |
| Confiança na recuperação | Recall em diferentes níveis de confiança |
Modelo de exportação
Exporte o seu modelo para 17 formatos de implementação:
- Navegue até a guia Exportar
- Selecione o formato de destino
- Clique em Exportar
- Descarregar quando estiver concluído
Formatos suportados
| Formato | Descrição | Caso de uso |
|---|---|---|
| ONNX | Intercâmbio aberto de redes neurais | Implantação multiplataforma |
| TorchScript | PyTorch serializado | PyTorch |
| OpenVINO | Intel | Intel |
| TensorRT | NVIDIA | NVIDIA |
| CoreML | Otimização da Apple | iOS |
| TFLite | TensorFlow Lite | Móvel/incorporado |
| TF SavedModel | TensorFlow | TensorFlow |
| TF GraphDef | TensorFlow | TensorFlow legado |
| PaddlePaddle | Estrutura Baidu | PaddlePaddle |
| NCNN | Inferência móvel | Android |
| TPU de ponta | Google TPU | Dispositivos Coral |
| TF.js | TensorFlow.js | Implementação do navegador |
| MNN | Estrutura Alibaba | Otimização para dispositivos móveis |
| RKNN | NPU Rockchip | Dispositivos Rockchip |
| IMX | NXP i.MX | Plataformas NXP |
| Axelera | Metis IA | Aceleradores de IA de ponta |
| ExecuTorch | Metaestrutura | Plataformas 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:
| Configurando | Descrição |
|---|---|
| Privado | Só você pode aceder |
| Público | Qualquer pessoa pode visualizar na página Explorar |
Para alterar a visibilidade:
- Abrir o menu de ações do modelo
- Clique em Editar
- Alternar visibilidade
- Clique em Guardar
Excluir Modelo
Remova um modelo que já não precisa:
- Abrir o menu de ações do modelo
- Clique em Excluir
- 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:
- Clique no ícone de download
- Selecione o formato (original)
.ptou exportado) - O download começa automaticamente
Como comparar modelos entre projetos?
Atualmente, a comparação de modelos é feita dentro dos projetos. Para comparar entre projetos:
- Transferir modelos para um único projeto ou
- 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.