Modelos

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

Carregar modelo

Carrega pesos de modelos existentes para a plataforma:

1. Navegue até o seu projeto
2. Arrasta e solta ficheiros .pt na página do projeto ou na barra lateral de modelos
3. Os metadados do modelo são analisados automaticamente a partir do ficheiro

É possível carregar vários ficheiros simultaneamente (até 3 concorrentes).

Formatos de modelo suportados:

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

• Tipo de tarefa (detect, segment, pose, OBB, classify)
• Arquitetura (YOLO26n, YOLO26s, etc.)
• Nomes e contagem 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. Navegue até o seu projeto
2. Clique em Novo Modelo
3. Seleciona o modelo base e o conjunto de dados
4. Configura os parâmetros de treino
5. Escolhe treino na nuvem ou local
6. Inicia o treino

Consulta Cloud Training para instruções detalhadas.

Ciclo de vida do modelo

graph LR
    A[Upload .pt] --> B[Overview]
    C[Train] --> B
    B --> D[Predict]
    B --> E[Export]
    B --> F[Deploy]
    E --> G[17+ Formats]
    F --> H[Endpoint]

    style A fill:#4CAF50,color:#fff
    style C fill:#FF9800,color:#fff
    style E fill:#2196F3,color:#fff
    style F fill:#9C27B0,color:#fff

Abas da página de modelo

Cada página de modelo tem as seguintes abas:

Aba de visão geral

Exibe metadados do modelo e métricas principais:

• Nome do modelo (editável), badge de estado, tipo de tarefa
• Métricas finais (mAP50, mAP50-95, precisão, recall)
• Gráficos sparkline de métricas mostrando a progressão do treino
• Argumentos de treino (épocas, tamanho do lote, tamanho da imagem, etc.)
• Link do conjunto de dados (quando treinado com um conjunto de dados da plataforma)
• Botão de download para pesos do modelo

Aba de Treino

A aba de treino tem três sub-abas:

Sub-aba de gráficos

Gráficos interativos de métricas de treino mostrando curvas de perda e métricas de desempenho ao longo das épocas:

Sub-aba da consola

Saída da consola em direto a partir do processo de treino:

• Streaming de registos em tempo real durante o treino
• Barras de progresso das épocas e resultados de validação
• Deteção de erros com banners de erro destacados
• Suporte a cores ANSI para saída formatada

Sub-aba do sistema

Métricas de GPU e sistema durante o treino:

Aba de Prever

Executa inferência interativa diretamente no navegador:

• Carrega uma imagem, usa imagens de exemplo ou usa a webcam
• Exibição de resultados com caixas delimitadoras, máscaras ou pontos-chave
• Inferência automática quando uma imagem é fornecida
• Suporta todos os tipos de tarefas (detect, segment, pose, OBB, classify)

Aba de Exportar

Exporta o teu modelo para mais de 17 formatos de implantação. Consulta Exportar Modelo abaixo e o guia central de Modo de Exportação para detalhes completos.

Aba de Implantar

Cria e gere endpoints de inferência dedicados. Consulta Implantações para detalhes.

Gráficos de validação

Após a conclusão do treino, visualiza uma análise detalhada da validação:

Matriz de confusão

Mapa de calor interativo que mostra a precisão da predição por classe:

Curvas PR/F1

Curvas de desempenho em diferentes limites de confiança:

Exportar Modelo

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

    style A fill:#2196F3,color:#fff
    style C fill:#FF9800,color:#fff
    style G fill:#4CAF50,color:#fff

Exporte seu modelo para mais de 17 formatos de implantação:

1. Navegue até a aba Exportar
2. Selecione o formato de destino
3. Configure os argumentos de exportação (tamanho da imagem, meia precisão, dinâmico, etc.)
4. Para formatos que exigem GPU (TensorRT), selecione um tipo de GPU
5. Clique em Exportar
6. Faça o download quando concluído

Formatos Suportados

A Plataforma suporta a exportação para mais de 17 formatos de implantação: ONNX, TorchScript, OpenVINO, TensorRT, CoreML, TF SavedModel, TF GraphDef, TF Lite, TF Edge TPU, TF.js, PaddlePaddle, NCNN, MNN, RKNN, IMX500, Axelera e ExecuTorch.

Guia de Seleção de Formato

Suporte a Chips RKNN

Ao exportar para o formato RKNN, selecione seu dispositivo Rockchip de destino:

Ciclo de Vida do Trabalho de Exportação

Os trabalhos de exportação progridem através dos seguintes status:

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 configurações padrão.
• Excluir Todas as Exportações: Clique em Delete All para remover todas as exportações do modelo.

Restrições de Formato

Alguns formatos de exportação possuem restrições de arquitetura ou tarefa:

Clonar Modelo

Clone um modelo para um projeto diferente:

1. Abra a página do modelo
2. Clique no botão Clonar
3. Selecione o projeto de destino
4. Clica em Clone

O modelo e os seus pesos são copiados para o projeto de destino.

Descarregar Modelo

Descarrega os pesos do teu modelo:

1. Navega até ao separador Overview do modelo
2. Clica no botão Download
3. O ficheiro original .pt é descarregado automaticamente

Os formatos exportados podem ser descarregados a partir do separador Export após a conclusão da exportação.

Associação de Datasets

Os modelos podem ser associados ao seu dataset de origem:

• Ver qual o dataset utilizado para o treino
• Clica no cartão do dataset no separador Overview para navegar até ele
• Rastrear a linhagem de dados

Ao treinar com datasets da Platform utilizando o formato de URI ul://, a associação é automática.

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

Definições de Visibilidade

Controla quem pode ver o teu modelo:

Para alterar a visibilidade, clica no badge de visibilidade (ex: private ou public) na página do modelo. A alteração para privado entra em vigor imediatamente. A alteração para público mostra uma caixa de diálogo de confirmação antes de ser aplicada.

Eliminar Modelo

Remove um modelo de que já não precises:

1. Abre o menu de ações do modelo
2. Clica em Delete
3. Confirma a eliminação

Vê Também

• Inference: Testa modelos no browser com o separador Predict
• Endpoints: Faz o deploy de modelos para produção com endpoints dedicados
• Cloud Training: Configura e executa tarefas de treino em GPUs na cloud
• Export Formats: Guia completo para todos os mais de 17 formatos de exportação

Perguntas Frequentes

Que arquiteturas de modelo são suportadas?

A Ultralytics Platform suporta totalmente todas as arquiteturas YOLO com projetos dedicados:

• YOLO26: variantes n, s, m, l, x (mais recente, recomendado) — platform.ultralytics.com/ultralytics/yolo26
• YOLO11: variantes n, s, m, l, x — platform.ultralytics.com/ultralytics/yolo11
• YOLOv8: variantes n, s, m, l, x — platform.ultralytics.com/ultralytics/yolov8
• YOLOv5: variantes n, s, m, l, x — platform.ultralytics.com/ultralytics/yolov5

Todas as arquiteturas suportam 5 tipos de tarefas: detect, segment, pose, OBB e classify.

Posso baixar meu modelo treinado?

Sim, descarrega os pesos do teu modelo a partir da página do modelo:

1. Clica no ícone de download no separador Overview
2. O ficheiro original .pt é descarregado automaticamente
3. Os formatos exportados podem ser descarregados a partir do separador Export

Como comparo modelos entre projetos?

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

1. Clona modelos para um único projeto, ou
2. Exporta métricas e compara externamente

Qual é o tamanho máximo do modelo?

Não existe um limite estrito, mas modelos muito grandes (>2GB) podem ter tempos de upload e processamento mais longos.

Posso fazer fine-tuning de modelos pré-treinados?

Sim! Podes usar qualquer um dos modelos oficiais YOLO26 como base, ou selecionar um dos teus próprios modelos concluídos no seletor de modelos na caixa de diálogo de treino. A Platform suporta fine-tuning a partir de qualquer checkpoint carregado.