Modelos#

A Ultralytics Platform fornece uma gestão abrangente de modelos para treinar, analisar e implementar modelos YOLO. Carrega modelos pré-treinados ou treina novos modelos diretamente na plataforma.

Carregar modelo#

Carrega pesos de modelos existentes para a plataforma:

1. Navega até ao teu projeto
2. Arrasta e larga ficheiros .pt na página do projeto ou na barra lateral de modelos, ou clica no ícone Carregar modelos
3. Os metadados do modelo são analisados automaticamente a partir do ficheiro

É possível carregar vários ficheiros em simultâneo (até 3 em paralelo).

Formatos de modelo suportados:

Após o carregamento, a plataforma analisa os metadados do modelo:

• Tipo de tarefa (detetar, segmentar, semântica, profundidade, classificar, pose, OBB)
• Arquitetura (YOLO26n, YOLO26s, etc.)
• Nomes e quantidade de classes
• Tamanho de entrada e parâmetros
• Resultados e métricas de treino (se presentes no checkpoint)

Treinar modelo#

Treina um novo modelo diretamente na plataforma:

1. Navega até ao teu projeto
2. Clica em Novo modelo
3. Seleciona o modelo base e o conjunto de dados
4. Configura os parâmetros de treino
5. Escolhe o treino na cloud ou local
6. Inicia o treino

Consulta Treino na cloud para obter instruções detalhadas.

Ciclo de vida do modelo#

graph LR
    A[Upload .pt]:::start --> B[Overview]:::proc
    C[Train]:::start --> B
    B --> D[Predict]:::proc
    B --> E[Export]:::proc
    B --> F[Deploy]:::proc
    E --> G[20 Formats]:::out
    F --> H[Endpoint]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

Separadores da página do modelo#

Cada página de modelo tem os seguintes separadores:

Cabeçalho do modelo#

Acima dos separadores, o cabeçalho apresenta a cor do modelo (editável), o nome (clica para mudar o nome), o emblema da tarefa, a versão ultralytics do checkpoint e um seletor de licença. As ações disponíveis são Clonar modelo (em modelos concluídos com pesos que ainda não possuis), Transferir, Adicionar aos favoritos, Partilhar (modelos públicos) e um menu Mais ações com Informações, Atualizar e Eliminar modelo.

Diretamente abaixo, um cartão por cada métrica da tarefa apresenta o valor final sobre um sparkline da sua evolução durante o treino — clica em qualquer cartão para saltar para os gráficos — juntamente com um cartão que liga ao conjunto de dados usado para treinar o modelo.

Separador Visão geral#

O cartão Informações da execução regista como a execução decorreu: estado, hora de início, duração, custo computacional com a GPU e a tarifa horária, a versão ultralytics, detalhes do anfitrião (nome do anfitrião, ambiente, sistema operativo, Python, CPU, GPU), o modelo principal, a versão fixada do conjunto de dados, o repositório Git, o ramo e o commit quando a execução os comunicou, além de um comando yolo train reproduzível que podes copiar.

Enquanto uma execução está ativa, o cartão apresenta o progresso em tempo real — contador de épocas, barra de progresso, tempo decorrido, ETA e custo acumulado — e um botão Cancelar. Se uma execução falhar, um banner de erro substitui o cartão e apresenta o erro capturado, juntamente com as ações Ver registos completos da consola e Repetir treino.

Abaixo, Configuração do treino apresenta todos os hiperparâmetros usados e Métricas de desempenho apresenta os resultados finais da avaliação. Ambas as tabelas permitem pesquisas e têm um menu Exportar dados (Copiar JSON, Transferir CSV, Transferir JSON).

Separador Treino#

O separador Treino tem três sub-separadores:

Subseparador Gráficos#

Gráficos interativos de métricas ao longo das épocas, divididos entre as vistas Treino e Validação quando a execução produziu artefactos de validação. Os grupos de gráficos seguem as métricas comunicadas pela execução:

Cada grupo pode ser recolhido, o respetivo menu permite ocultar ou mostrar gráficos individuais (e, no caso das perdas, as séries de treino ou validação), e os gráficos podem ser arrastados e redimensionados para uma disposição que persiste entre sessões.

Subseparador Consola#

Saída da consola em tempo real do processo de treino:

• Transmissão de registos em tempo real durante o treino, mantendo as últimas 2000 linhas
• Barras de progresso das épocas e resultados de validação
• Deteção de erros fatais que termina a execução e apresenta a mensagem num banner
• Suporte para cores ANSI, uma coluna de carimbo de data/hora opcional e cópia como texto simples com um clique

Subseparador Sistema#

Um cartão do anfitrião que resume a instância de treino (nome do anfitrião, CPU, GPU, totais de RAM e disco e a última vez que foi detetada), seguido de gráficos por época:

Os gráficos da GPU, da rede e do disco só aparecem quando a execução comunicou esses contadores.

Separador Previsão#

Executa inferência interativa diretamente no navegador:

• Carrega uma imagem, usa imagens de exemplo ou utiliza a webcam
• Os resultados são apresentados com caixas delimitadoras, máscaras, mapas semânticos de classes ou pontos-chave
• Inferência automática quando é fornecida uma imagem
• Suporta todos os tipos de tarefa (detetar, segmentar, semântica, profundidade, classificar, pose, OBB)

Separador Exportar#

Exporta o teu modelo para 20 formatos de implementação. Consulta Exportar modelo abaixo e o guia do modo Exportar principal para obter todos os detalhes.

Separador Implementar#

Cria e gere endpoints de inferência dedicados. Consulta Implementações para obter mais detalhes.

Gráficos de validação#

Após a conclusão do treino, a vista Validação no sub-separador Gráficos apresenta uma análise detalhada da época final.

Matriz de confusão#

Mapa de calor interativo que mostra a precisão das previsões por classe:

Curvas PR/F1#

Quando a execução de treino as fornece, a vista de Validação também apresenta curvas de desempenho em diferentes limiares de confiança. Os gráficos de validação disponíveis dependem dos artefactos produzidos pela execução.

Diagnóstico por imagem#

Os modelos de deteção treinados com uma versão guardada do conjunto de dados também recebem uma análise de validação por imagem, que aponta para os dados por detrás de uma pontuação dececionante:

• Imagens com pior e melhor desempenho, ordenadas pelo F1 por imagem e apresentadas com as respetivas caixas de verdade fundamental
• Explorador de características, que correlaciona o F1 com a largura, altura, número de píxeis, proporção e número de instâncias da imagem, selecionando por predefinição a relação mais forte
• Classes associadas a falhas, ordenando as classes que aparecem com maior frequência nas imagens mais fracas
• Encontrar semelhantes, na galeria com pior desempenho, em uma única imagem em sua visualização em tela cheia e em uma linha de classe, que pesquisa em conjuntos de dados públicos por imagens semelhantes às falhas capturadas e adiciona as imagens que você selecionar ao conjunto de dados de treinamento como imagens train não rotuladas (consulte Find Similar Images); exibido quando você pode editar o projeto e o conjunto de dados de treinamento é um conjunto de dados não conectado do mesmo espaço de trabalho

Exportar modelo#

graph LR
    A[Select Format]:::start --> B[Configure Args]:::proc
    B --> C[Export]:::proc
    C --> D{GPU Required?}:::decide
    D -->|Yes| E[Cloud GPU Export]:::proc
    D -->|No| F[CPU Export]:::proc
    E --> G[Download]:::out
    F --> G

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,color:#fff

Exporta o teu modelo para 20 formatos de implementação:

1. Acede ao separador Exportar
2. Seleciona o formato de destino
3. Configura os argumentos de exportação (tamanho da imagem, precisão half, dinâmico, etc.)
4. Para formatos que requerem GPU (TensorRT), seleciona um tipo de GPU
5. Clica em Iniciar exportação
6. Transfere quando estiver concluída

Liga os alertas do Slack para receber uma mensagem quando uma exportação estiver pronta ou falhar.

Formatos suportados#

A Platform permite exportar para 20 formatos de implementação: ONNX, TorchScript, OpenVINO, TensorRT, CoreML, TF SavedModel, TF GraphDef, LiteRT, TF Edge TPU, PaddlePaddle, NCNN, MNN, RKNN, Qualcomm (QNN), IMX500, Axelera, ExecuTorch, DeepX, Hailo e Huawei Ascend.

Guia de seleção de formatos#

Destinos TensorRT para NVIDIA Jetson#

A Ultralytics Platform oferece as seguintes seleções de destino Jetson para exportações do TensorRT .engine. As medições de validação de julho de 2026 abaixo usaram o JetPack 7.2 / L4T r39.2, Python 3.12.3, NVIDIA PyTorch 2.12.0a0 (compilação 26.04), CUDA 13.2 e TensorRT 10.16.1.11. Elas descrevem esse ambiente testado; verifica os tempos de execução atuais do trabalhador e do dispositivo de implantação antes de reutilizar um motor exportado.

Os tempos correspondem a testes de encaminhamento de produção completos, observados uma única vez em julho de 2026 e arredondados ao segundo mais próximo; são medições de referência, não um SLA nem um benchmark de desempenho por SKU. Ambas as seleções Thor são compiladas num Kit de desenvolvimento T5000 no perfil de compatibilidade T4000 da NVIDIA. As seis rotas Orin são compiladas num AGX Orin de 64 GB, onde todos os engines resultantes foram carregados e executados.

Suporte de chips RKNN#

Ao exportar para o formato RKNN, seleciona o teu dispositivo Rockchip de destino:

Ciclo de vida do trabalho de exportação#

Os trabalhos de exportação avançam pelos seguintes estados:

Ações de exportação em massa#

• Exportar tudo: clique em Export All para iniciar trabalhos de exportação para todos os formatos baseados em CPU com as predefinições. Os formatos que necessitam de uma seleção de GPU, não estão disponíveis para este modelo ou já têm uma exportação são ignorados e apresentados numa lista.
• Eliminar todas as exportações: clique em Delete All para remover todas as exportações do modelo.

Restrições de formato#

Alguns formatos de exportação têm restrições de arquitetura ou de tarefa:

Mover Modelos Entre Projetos#

Mova modelos que você pode editar para outro projeto do mesmo espaço de trabalho sem copiá-los:

1. Abra o projeto de origem e selecione um ou mais modelos na lista de modelos
2. Clique com o botão direito e escolha Cortar (Cmd/Ctrl+X)
3. Abra o projeto de destino, clique com o botão direito na lista de modelos e escolha Colar (Cmd/Ctrl+V), ou arraste os modelos selecionados para o projeto de destino na barra lateral

Modelos movidos mantêm seus pesos, métricas, exportações e implantações e adotam a URL do projeto de destino. Um modelo cujo nome de URL já é usado no destino é renomeado na chegada, modelos que ainda estão em treinamento não podem ser movidos e Esc cancela um corte pendente. Para copiar um modelo que não te pertence para um dos teus projetos, usa Clonar Modelo.

Clonar modelo#

Clona um modelo para outro projeto:

1. Abre a página do modelo
2. Clica em Clonar modelo
3. Seleciona o projeto de destino ou escolhe Novo projeto para criar um diretamente
4. Opcionalmente, atribui um nome diferente ao clone
5. Clica em Clonar modelo

O modelo e os respetivos pesos são copiados para o projeto de destino. Clonar modelo aparece nos modelos concluídos com pesos que ainda não possuis.

Transferir modelo#

Transfere os pesos do teu modelo:

1. Navega até ao separador Descrição geral do modelo
2. Clica no botão Transferir
3. O checkpoint .pt principal do modelo é transferido automaticamente

Os formatos exportados podem ser transferidos a partir do separador Exportar após a conclusão da exportação.

Ligação ao conjunto de dados#

Os modelos podem ser associados ao respetivo conjunto de dados de origem:

• Consulta qual foi o conjunto de dados utilizado para o treino
• Clica no cartão do conjunto de dados no separador Descrição geral para navegar até ao mesmo
• Acompanha a linhagem dos dados

Ao treinar com conjuntos de dados da Platform utilizando o formato de URI ul://, a ligação é automática.

# Train with a Platform dataset — linking is automatic
yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100

Metadados personalizados#

Abre Mais ações e seleciona Informações para rever duas secções:

• Metadados da Ultralytics: detalhes da Platform em modo só de leitura, como o ID do modelo, o projeto, o conjunto de dados de origem, a tarefa, o estado e os carimbos de data e hora
• Metadados personalizados: o teu próprio objeto JSON para contexto de avaliação, acompanhamento de versões, governação ou outros dados específicos do modelo

Os metadados personalizados são independentes das informações do modelo geridas pelo treino, dos detalhes do ambiente e dos argumentos de treino. Os visualizadores do espaço de trabalho podem inspecioná-los, enquanto os membros com acesso de edição podem substituir o objeto. O objeto de metadados serializado está limitado a 500 000 caracteres, e cada chave de nível superior está limitada a 128 caracteres. Guarda um objeto vazio ({}) para limpar os metadados personalizados.

Definições de visibilidade#

Controla quem pode ver o teu modelo:

A visibilidade é definida ao nível do projeto, pelo que controla todos os modelos do projeto. Para a alterares, clica no distintivo de visibilidade (private ou public) junto ao nome do projeto no caminho de navegação na parte superior da página. A mudança para privado tem efeito imediato. A mudança para público apresenta uma caixa de diálogo de confirmação antes de ser aplicada.

Eliminar modelo#

Remove um modelo de que já não precisas:

1. Abre o menu Mais ações no cabeçalho do modelo e seleciona Eliminar modelo
2. Confirma a eliminação

Ver também#

• Inferência: testa modelos no navegador com o separador Prever
• Endpoints: implementa modelos em produção com endpoints dedicados
• Treino na nuvem: configura e executa trabalhos de treino em GPUs na nuvem
• Formatos de exportação: guia completo para os 20 formatos de exportação

Perguntas frequentes#