Models#

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. Navega para o teu projeto
2. Arrasta e solta os arquivos .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

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

Treinar 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

Vê Treinamento em nuvem para 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

Abas da Página do Modelo#

Cada página de modelo tem as seguintes abas:

Cabeçalho do Modelo#

Acima das abas, o cabeçalho mostra a cor do modelo (editável), o nome (clica para renomear), o selo da tarefa, a versão do checkpoint ultralytics e um seletor de licença. Suas ações são Clonar Modelo (em modelos concluídos com pesos que ainda não tens), Descarregar, Favoritar, Partilhar (modelos públicos), e um menu de Mais ações contendo Informação, Atualizar e Eliminar Modelo.

Diretamente abaixo, cada cartão por métrica de tarefa mostra o valor final sobre um gráfico de linha minimalista (sparkline) da sua progressão de treino — clica em qualquer cartão para saltares para os gráficos — juntamente com um cartão que liga ao conjunto de dados em que o modelo foi treinado.

Aba Overview#

O cartão Run Information regista como a execução correu: estado, hora de início, tempo de execução, custo de computação com a GPU e taxa horária, a versão ultralytics, detalhes do anfitrião (hostname, ambiente, SO, Python, CPU, GPU), o modelo principal, a versão do conjunto de dados fixada, repositório Git, ramo e commit quando a execução os reportou, e um comando yolo train reprodutível que podes copiar.

Enquanto uma execução está ativa, o cartão mostra o progresso em direto — contador de época, barra de progresso, tempo decorrido, tempo estimado (ETA), custo acumulado — e um botão Cancel. Se uma execução falhar, um banner de erro substitui-o com o erro capturado e as ações View full console logs e Retry Training.

Abaixo dele, Training Configuration lista cada hiperparâmetro utilizado e Performance Metrics lista os resultados finais de avaliação. Ambas as tabelas permitem pesquisa e possuem um menu Export data (Copiar JSON, Descarregar CSV, Descarregar JSON).

Aba Train#

A aba Train tem três sub-abas:

Sub-aba Charts#

Gráficos de métricas interativos ao longo das épocas, divididos em vistas de Training e Validation quando a execução produziu artefactos de validação. Os grupos de gráficos seguem as métricas que a execução reportou:

Cada grupo recolhe-se, o seu menu oculta ou mostra gráficos individuais (e, para perdas, a série de treino ou validação), e os gráficos podem ser arrastados e redimensionados para um esquema que persiste entre sessões.

Sub-aba Console#

Saída da consola em tempo real do processo de treino:

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

Sub-aba System#

Um cartão de anfitrião que resume a instância de treino (hostname, CPU, GPU, totais de RAM e disco, e quando foi vista pela última vez), seguido de gráficos por época:

Os gráficos de GPU, rede e disco aparecem apenas quando a execução reportou esses contadores.

Aba 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, depth, classify, pose, OBB)

Aba Export#

Exporta o teu modelo para 20 formatos de implantação. Vê Exportar modelo abaixo e o Guia do modo Export principal para todos os detalhes.

Aba Deploy#

Cria e gerencia endpoints de inferência dedicados. Vê Implantações para detalhes.

Gráficos de Validação#

Após a conclusão do treino, a vista Validation dentro da subaba Charts mostra uma análise detalhada da época final.

Matriz de Confusão#

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

Curvas PR/F1#

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

Diagnósticos por Imagem#

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

• Imagens com pior e melhor desempenho, ordenadas por F1 por imagem e desenhadas com as suas caixas de verdade fundamental (ground-truth)
• Explorador de características, correlacionando o F1 com a largura, altura, contagem de pixéis, proporção (aspect ratio) e contagem de instâncias da imagem, com a relação mais forte selecionada por predefinição
• Classes associadas a falhas, ordenando quais as classes que aparecem mais frequentemente nas imagens mais fracas

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. 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. Clica em Start Export
6. Faça o download quando concluído

Conecta Alertas do Slack para receber uma mensagem quando uma exportação estiver pronta ou falhar.

Formatos Suportados#

A plataforma suporta exportação para 20 formatos de implantação: 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 Formato#

Destinos TensorRT para NVIDIA Jetson#

O Ultralytics Platform oferece as seguintes seleções de destino Jetson para exportações TensorRT .engine. A partir de julho de 2026, as exportações Jetson TensorRT são criadas com 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.

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.

Suporte a Chips RKNN#

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

Ciclo de Vida do Job de Exportação#

Os jobs de exportação progridem através dos seguintes status:

Ações de Exportação em Massa#

• Export All: Clica 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 listados para ti.
• Excluir todas as exportações: Clica 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. Clica em Clone Model
3. Seleciona o projeto de destino ou escolhe New Project para criar um diretamente
4. Opcionalmente, atribui um nome diferente ao clone
5. Clica em Clone Model

O modelo e os seus pesos são copiados para o projeto de destino. Clone Model aparece em modelos concluídos com pesos que ainda não tens.

Descarregar Modelo#

Faça o download dos pesos do seu modelo:

1. Navegue até a aba Overview do modelo
2. Clique no botão Download
3. O ponto de verificação .pt primário do modelo baixa automaticamente

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

Vinculação 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 plataforma usando o ul:// formato URI, o vínculo é automático.

# 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 Informação para rever duas secções:

• Metadados da Ultralytics: Detalhes da plataforma somente leitura, como o ID do modelo, projeto, dataset de origem, tarefa, status e carimbos de data/hora
• Metadados personalizados: Teu próprio objeto JSON para contexto de avaliação, rastreamento de lançamentos, governança ou outros dados específicos do modelo

Os metadados personalizados são separados das informações do modelo de propriedade do treinamento, detalhes do ambiente e argumentos de treinamento. Os visualizadores do workspace podem inspecioná-los, enquanto os membros com acesso de edição podem substituir o objeto. O objeto de metadados serializado é limitado a 500.000 caracteres e cada chave de nível superior é limitada a 128 caracteres. Salva um objeto vazio ({}) para limpar os metadados personalizados.

Configurações de visibilidade#

Controla quem pode ver o seu modelo:

A visibilidade é definida ao nível do projeto, pelo que controla todos os modelos no projeto. Para alterá-la, clica no selo de visibilidade (private ou public) junto ao nome do projeto no trilho de navegação (breadcrumb) no topo da página. A alteração para privado entra em vigor imediatamente. A alteração para público mostra um diálogo de confirmação antes de ser aplicada.

Excluir Modelo#

Remove um modelo de que já não precisas:

1. Abre o menu More actions no cabeçalho do modelo e seleciona Delete Model
2. Confirme a exclusão

Veja também#

• Inferência: Testa modelos no navegador com a aba Predict
• Endpoints: Implanta modelos em produção com endpoints dedicados
• Cloud Training: Configura e executa trabalhos de treinamento em GPUs em nuvem
• Formatos de exportação: Guia completo para todos os 20 formatos de exportação

FAQ#