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:

Aba 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

Aba Train#

A aba Train tem três sub-abas:

Sub-aba Charts#

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

Sub-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

Sub-aba System#

Métricas de GPU e sistema durante o treino:

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, visualiza uma análise de validação detalhada:

Matriz de Confusão#

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

Curvas PR/F1#

Quando a execução de treino os fornece, o subseparador Validation também apresenta curvas de desempenho em diferentes limiares de confiança. Os gráficos de validação disponíveis dependem dos artefatos produzidos pela execução.

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#

A Ultralytics Platform oferece as seguintes seleções de destino Jetson para exportações do TensorRT .engine. A partir de julho de 2026, os workers de exportação do Jetson usam 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 dentro do contêiner 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.

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#

• Exportar tudo: Clica em Export All para iniciar trabalhos de exportação para todos os formatos baseados em CPU com as configurações padrão.
• 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. Selecione o projeto de destino
4. Clica em Clone Model

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

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:

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. Mudar para privado entra em vigor imediatamente. Mudar para público exibe uma caixa de diálogo de confirmação antes de aplicar.

Excluir Modelo#

Remove um modelo de que já não precisas:

1. Clica no ícone do caixote do lixo Delete model no cabeçalho do modelo
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#

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, 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 7 tipos de tarefas: detect, segment, semantic, depth, classify, pose e OBB. YOLO11 e YOLOv8 suportam o mesmo conjunto, exceto segmentação semântica e profundidade, enquanto o YOLOv5 suporta detect, segment e classify.

Posso 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 ponto de verificação .pt primário do modelo baixa automaticamente
3. Formatos exportados podem ser baixados a partir da guia Exportação

Como 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

Qual é o tamanho máximo do modelo?#

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

Posso fazer o ajuste fino (fine-tuning) de modelos pré-treinados?#

Sim. Escolhe um modelo compatível dos projetos oficiais YOLO26, YOLO11, YOLOv8 ou YOLOv5, ou seleciona um dos teus próprios pontos de controlo concluídos ou enviados a partir de My Models no diálogo de treino.