Link to this sectionModels#

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

Link to this sectionCarregar Modelo#

Carrega pesos de modelos existentes para a plataforma:

1. Navega para o teu projeto
2. Arrasta e larga os ficheiros .pt na página do projeto ou na barra lateral de modelos
3. Os metadados do modelo são analisados automaticamente a partir do ficheiro

Vários ficheiros podem ser carregados simultaneamente (até 3 em simultâneo).

Formatos de modelo suportados:

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

• Tipo de tarefa (detect, segment, semantic, pose, OBB, classify)
• Arquitetura (YOLO26n, YOLO26s, etc.)
• Nomes e contagem de classes
• Tamanho de entrada e parâmetros
• Resultados de treino e métricas (se presentes no checkpoint)

Link to this sectionTreinar Modelo#

Treina um novo modelo diretamente na plataforma:

1. Navega para o teu projeto
2. Clique em Novo Modelo
3. Seleciona o modelo base e o dataset
4. Configura os parâmetros de treino
5. Escolhe treino na cloud ou local
6. Começa o treino

Consulta Cloud Training para instruções detalhadas.

Link to this sectionCiclo 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[19+ Formats]:::out
    F --> H[Endpoint]:::out

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

Link to this sectionAbas da Página do Modelo#

Cada página de modelo tem as seguintes abas:

Link to this sectionAba Overview#

Exibe metadados do modelo e métricas-chave:

• 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 batch, tamanho da imagem, etc.)
• Link para o dataset (quando treinado com um dataset da Plataforma)
• Botão de download para os pesos do modelo

Link to this sectionAba Train#

A aba Train tem três sub-abas:

Link to this sectionSub-aba Charts#

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

Link to this sectionSub-aba Console#

Saída da consola em tempo real 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

Link to this sectionSub-aba System#

Métricas de GPU e sistema durante o treino:

Link to this sectionAba Predict#

Executa inferência interativa diretamente no browser:

• Carrega uma imagem, usa imagens de exemplo ou usa a webcam
• Exibição de resultados com caixas delimitadoras, máscaras, mapas de classe semântica ou pontos-chave
• Auto-inferência quando uma imagem é fornecida
• Suporta todos os tipos de tarefa (detect, segment, semantic, pose, OBB, classify)

Link to this sectionAba Export#

Exporta o teu modelo para mais de 19 formatos de implementação. Consulta Export Model abaixo e o guia de modo Export central para detalhes completos.

Link to this sectionAba Deploy#

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

Link to this sectionGráficos de Validação#

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

Link to this sectionMatriz de Confusão#

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

Link to this sectionCurvas PR/F1#

Curvas de desempenho em diferentes limiares de confiança:

Link to this sectionExportar 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

Exporte seu modelo para mais de 19 formatos de implantação:

1. Navegue até a aba Export
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 Export
6. Faça o download quando concluído

Link to this sectionFormatos Suportados#

A plataforma suporta exportação para 19+ 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 e DeepX.

Link to this sectionGuia de Seleção de Formato#

Link to this sectionDestinos TensorRT para NVIDIA Jetson#

A Ultralytics Platform oferece as seguintes seleções de destino Jetson para exportações TensorRT .engine. Em julho de 2026, os workers de exportação Jetson usam JetPack 7.2 / L4T r39.2, Python 3.12.3, NVIDIA PyTorch 2.12.0a0 (build 26.04), CUDA 13.2 e TensorRT 10.16.1.11 dentro do container de exportação.

Os tempos são observações únicas de testes de roteamento de produção de ponta a ponta de julho de 2026, arredondados para o segundo mais próximo; são medidas de referência, não um SLA ou benchmark de desempenho por SKU. Ambas as seleções Thor são construídas em um T5000 Developer Kit no perfil de compatibilidade T4000 da NVIDIA. As seis rotas Orin são construídas em um AGX Orin 64GB, onde cada engine resultante foi carregada e executada.

Link to this sectionSuporte a Chips RKNN#

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

Link to this sectionCiclo de Vida do Job de Exportação#

Os jobs de exportação progridem através dos seguintes status:

Link to this sectionAções de Exportação em Massa#

• Export All: Clique em Export All para iniciar jobs de exportação para todos os formatos baseados em CPU com as configurações padrão.
• Delete All Exports: Clique em Delete All para remover todas as exportações do modelo.

Link to this sectionRestrições de Formato#

Alguns formatos de exportação possuem restrições de arquitetura ou tarefa:

Link to this sectionClonar Modelo#

Clone um modelo para um projeto diferente:

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

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

Link to this sectionDescarregar Modelo#

Faça o download dos pesos do seu modelo:

1. Navegue até a aba Overview do modelo
2. Clique no botão Download
3. O arquivo .pt original é baixado automaticamente

Formatos exportados podem ser baixados da aba Export após a conclusão da exportação.

Link to this sectionVinculação de Conjunto de Dados#

Modelos podem ser vinculados ao seu conjunto de dados de origem:

• Veja qual conjunto de dados foi usado para o treinamento
• Clique no card do conjunto de dados na aba Overview para navegar até ele
• Rastreia a linhagem de dados

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

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

Link to this sectionConfigurações de visibilidade#

Controla quem pode ver o seu modelo:

Para alterar a visibilidade, clica no selo de visibilidade (por exemplo, private ou public) no cabeçalho da página. A visibilidade é definida no nível do projeto, portanto, isso controla todos os modelos no projeto. A alteração para privado entra em vigor imediatamente. A alteração para público mostra uma caixa de diálogo de confirmação antes de ser aplicada.

Link to this sectionExcluir Modelo#

Remove um modelo de que já não precisas:

1. Abre o menu de ações do modelo
2. Clica em Delete (Excluir)
3. Confirme a exclusão

Link to this sectionVeja também#

• Inferência: Testa modelos no navegador com a guia Predict (Prever)
• Endpoints: Implanta modelos em produção com endpoints dedicados
• Treinamento em Nuvem: Configura e executa tarefas de treinamento em GPUs na nuvem
• Formatos de Exportação: Guia completo para todos os 19+ formatos de exportação

Link to this sectionFAQ#

Link to this sectionQue 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, recomendada) — 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

O YOLO26 suporta 6 tipos de tarefa: detect, segment, semantic, pose, OBB e classify. O YOLO11 e o YOLOv8 suportam o mesmo conjunto, exceto a segmentação semântica, enquanto o YOLOv5 suporta detecção, segmentação e classificação.

Link to this sectionPosso baixar o meu modelo treinado?#

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

1. Clica no ícone de download na guia Visão Geral
2. O arquivo .pt original é baixado automaticamente
3. Formatos exportados podem ser baixados a partir da guia Exportação

Link to this sectionComo comparo modelos entre projetos?#

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

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

Link to this sectionQual é o tamanho máximo do modelo?#

Arquivos de modelo .pt carregados são limitados a 1 GB, e modelos próximos a esse limite podem demorar mais para carregar e processar.

Link to this sectionPosso fazer o ajuste fino (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 treinamento. A Platform suporta o ajuste fino a partir de qualquer checkpoint carregado.