Modelos#

A Ultralytics Platform oferece gerenciamento abrangente de modelos para treinar, analisar e implantar modelos YOLO. Envie modelos pré-treinados ou treine novos diretamente na plataforma.

Enviar modelo#

Envie pesos de modelos existentes para a plataforma:

1. Acesse seu projeto
2. Arraste e solte arquivos .pt na página do projeto ou na barra lateral de modelos, ou clique no ícone Upload models
3. Os metadados do modelo são analisados automaticamente a partir do arquivo

É possível enviar vários arquivos simultaneamente (até 3 envios ao mesmo tempo).

Formatos de modelo compatíveis:

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

• Tipo de tarefa (detecção, segmentação, semântica, profundidade, classificação, pose, OBB)
• Arquitetura (YOLO26n, YOLO26s etc.)
• Nomes e quantidade de classes
• Tamanho de entrada e parâmetros
• Resultados e métricas do treinamento (se estiverem presentes no checkpoint)

Treinar modelo#

Treine um novo modelo diretamente na plataforma:

1. Acesse seu projeto
2. Clique em New Model
3. Selecione o modelo base e o conjunto de dados
4. Configura os parâmetros de treino
5. Escolha o treinamento na nuvem ou local
6. Inicia o treino

Consulte Treinamento na nuvem para ver instruções detalhadas.

Ciclo de vida do modelo#

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 (clique para renomear), o selo da tarefa, a versão ultralytics do checkpoint e um seletor de licença. As ações disponíveis são Clone Model (em modelos concluídos com pesos que você ainda não possui), Download, Star, Share (modelos públicos) e um menu More actions com as opções Information, Refresh e Delete Model.

Logo abaixo, há um cartão para cada métrica da tarefa, com o valor final sobre um minigráfico da evolução durante o treinamento — clique em qualquer cartão para acessar os gráficos — e um cartão com link para o conjunto de dados usado no treinamento do modelo.

Aba Visão geral#

O cartão Run Information registra como a execução ocorreu: status, horário de início, tempo de execução, custo computacional com a GPU e a tarifa por hora, a versão ultralytics, detalhes do host (nome do host, ambiente, sistema operacional, Python, CPU, GPU), o modelo pai, a versão fixada do conjunto de dados, o repositório Git, o branch e o commit, quando informados pela execução, e um comando reproduzível yolo train que você pode copiar.

Enquanto uma execução está ativa, o cartão mostra o progresso em tempo real — contador de épocas, barra de progresso, tempo decorrido, tempo estimado até a conclusão e custo acumulado — e um botão Cancel. Se uma execução falhar, um banner de erro substitui o cartão e mostra o erro registrado, além das ações View full console logs e Retry Training.

Abaixo, Training Configuration lista todos os hiperparâmetros usados e Performance Metrics lista os resultados finais da avaliação. Ambas as tabelas permitem pesquisa e têm um menu Export data (Copy JSON, Download CSV, Download JSON).

Aba Treinar#

A aba Train tem três subabas:

Subaba Gráficos#

Gráficos interativos de métricas ao longo das épocas, divididos nas visualizações Treinamento e Validação quando a execução gerou artefatos de validação. Os grupos de gráficos seguem as métricas informadas pela execução:

Cada grupo pode ser recolhido; o menu mostra ou oculta gráficos individuais (e, para perdas, as séries de treinamento ou validação), e os gráficos podem ser arrastados e redimensionados para criar um layout que persiste entre sessões.

Subaba Console#

Saída ao vivo do console do processo de treinamento:

• Transmissão de logs em tempo real durante o treinamento, mantendo as últimas 2000 linhas
• Barras de progresso das épocas e resultados da validação
• Detecção de erros fatais que encerra a execução e exibe a mensagem em um banner
• Suporte a cores ANSI, coluna opcional de data e hora e cópia com um clique como texto simples

Subaba Sistema#

Um cartão do host que resume a instância de treinamento (nome do host, CPU, GPU, totais de RAM e disco e quando foi vista pela última vez), seguido por gráficos por época:

Os gráficos de GPU, rede e disco são exibidos somente quando a execução informou esses contadores.

Aba Previsão#

Execute inferências interativas diretamente no navegador:

• Carregue uma imagem, use imagens de exemplo ou use a webcam
• Os resultados são exibidos com caixas delimitadoras, máscaras, mapas de classes semânticas ou pontos-chave
• Inferência automática quando uma imagem é fornecida
• Compatível com todos os tipos de tarefa (detecção, segmentação, semântica, profundidade, classificação, pose, OBB)

Aba Exportar#

Exporte seu modelo para 22 formatos de implantação. Consulte Exportar modelo abaixo e o guia do modo Export principal para ver todos os detalhes.

Aba Implantar#

Crie e gerencie endpoints de inferência dedicados. Consulte Implantações para saber mais.

Gráficos de validação#

Após a conclusão do treinamento, a visualização Validação na subaba Gráficos mostra 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 treinamento as fornece, a visualização Validação também exibe curvas de desempenho em diferentes limiares de confiança. Os gráficos de validação disponíveis dependem dos artefatos produzidos pela execução.

Diagnósticos por imagem#

Os modelos de detecção treinados com uma versão salva do conjunto de dados também recebem uma análise de validação por imagem, que aponta os dados por trás de uma pontuação decepcionante:

• Imagens com pior e melhor desempenho, classificadas pela pontuação F1 por imagem e exibidas com suas caixas de referência
• Explorador de características, que correlaciona F1 com a largura, a altura, a contagem de pixels, a proporção e a quantidade de instâncias da imagem; a relação mais forte é selecionada por padrão
• Classes associadas a falhas, que classifica as classes que aparecem com mais frequência nas imagens com pior desempenho
• Encontrar similares, disponível na galeria das imagens com pior desempenho, em uma imagem individual na visualização em tela cheia e em uma linha de classe; pesquisa conjuntos de dados públicos e seus conjuntos de dados e os da equipe em busca de imagens semelhantes às falhas capturadas e adiciona as imagens selecionadas ao conjunto de dados de treinamento como imagens train sem rótulo (consulte Encontrar imagens semelhantes); 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#

Exporte seu modelo para 22 formatos de implantação:

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

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

Formatos compatíveis#

A Platform oferece suporte à exportação para 22 formatos de implantação: TorchScript, ONNX, OpenVINO, TensorRT, CoreML, Apple Core AI, TF SavedModel, TF GraphDef, TF Edge TPU, LiteRT, PaddlePaddle, MNN, NCNN, IMX500, RKNN, ExecuTorch, Axelera, DeepX, Qualcomm (QNN), Hailo, Huawei Ascend e AMD Xilinx.

Guia de seleção de formato#

Destinos TensorRT para NVIDIA Jetson#

A Ultralytics Platform oferece as seguintes seleções de destino Jetson para exportações TensorRT .engine. As medições de validação de julho de 2026 abaixo foram feitas 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. Elas descrevem esse ambiente de teste; verifique os runtimes atuais do worker e do dispositivo de implantação antes de reutilizar um mecanismo exportado.

Os tempos são resultados observados em testes de roteamento de produção de ponta a ponta, realizados em julho de 2026 e arredondados para o segundo mais próximo; são medições de referência, não um SLA nem um benchmark de desempenho por SKU. As duas opções Thor são compiladas em um Developer Kit T5000 no perfil de compatibilidade T4000 da NVIDIA. As seis rotas Orin são compiladas em um AGX Orin 64GB, onde cada engine resultante foi carregada e executada.

Compatibilidade com chips RKNN#

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

Ciclo de vida dos trabalhos de exportação#

Os trabalhos de exportação avançam pelos 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. Os formatos que exigem a seleção de uma GPU, não estão disponíveis para este modelo ou já têm uma exportação serão ignorados e listados para você.
• Excluir 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 tarefa:

Mover modelos entre projetos#

Mova modelos que você pode editar para outro projeto do mesmo workspace 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 Recortar (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 até o projeto de destino na barra lateral

Os modelos movidos mantêm seus pesos, métricas, exportações e implantações e passam a usar o URL do projeto de destino. Se o nome do URL de um modelo já estiver em uso no destino, o modelo será renomeado ao chegar; modelos que ainda estão em treinamento não podem ser movidos, e Esc cancela um recorte pendente. Para copiar para um dos seus projetos um modelo que não pertence a você, use Clonar modelo.

Clonar modelo#

Clone um modelo para outro projeto:

1. Abra a página do modelo
2. Clique em Clonar modelo
3. Selecione o projeto de destino ou escolha Novo projeto para criar um diretamente
4. Se quiser, dê outro nome ao clone
5. Clique em Clonar modelo

O modelo e seus pesos são copiados para o projeto de destino. Clonar modelo aparece nos modelos concluídos com pesos que ainda não pertencem a você.

Baixar modelo#

Baixa os pesos do teu modelo:

1. Abra a página do modelo
2. Clica no ícone de download no cabeçalho do modelo (disponível em qualquer separador)
3. O checkpoint principal .pt do modelo é transferido automaticamente

Os formatos exportados podem ser transferidos no separador Exportar depois de a exportação estar concluída.

Associar conjunto de dados#

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

• Vê qual foi o conjunto de dados usado no treino
• Clica no cartão do conjunto de dados no separador Visão geral para aceder a esse conjunto
• Acompanha a linhagem dos dados

Ao treinar com conjuntos de dados da Platform usando o formato 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

Metadados personalizados#

Abre Mais ações e seleciona Informações para consultar duas secções:

• Metadados da Ultralytics: detalhes da Platform 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/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 utilizadores 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, por isso controla todos os modelos do projeto. Para a alterar, clica no emblema de visibilidade (private ou public) junto ao nome do projeto, no caminho de navegação no topo 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

Veja também#

• Inferência: testa modelos no navegador através do separador Prever
• Endpoints: implementa modelos em produção com endpoints dedicados
• Treino na nuvem: configura e executa tarefas de treino em GPU na nuvem
• Formatos de exportação: guia completo dos 22 formatos de exportação

Perguntas frequentes#