Planifica y presupuesta un proyecto en Platform

El ciclo que conecta Platform#

Todos los sistemas de visión en producción siguen el mismo ciclo, y la parte costosa es la flecha entre dos cajas, no la caja en sí:

El valor de Platform reside en que cada etapa registra lo que necesita la siguiente. Usa esta tabla como guía; la última columna indica la lección que explica la etapa:

Dos herramientas cubren todo el ciclo. Agents crea flujos de trabajo visuales, como recopilar detecciones inciertas en un conjunto de datos de revisión, y Ask AI puede entrenar, comparar, anotar, exportar e implementar desde una conversación mediante los mismos comandos ul cloud que puedes ejecutar tú mismo.

Decide qué aspectos sigues gestionando tú#

La plataforma tiene unos pocos límites bien definidos. Asigna un responsable con nombre a cada uno en tu plan:

• Extraer fotogramas de sistemas propietarios (archivos DICOM, cámaras OEM, historiadores de planta): tu código los carga en un bucket o los sube.
• Avisos. La plataforma muestra las métricas de los puntos de conexión y publica eventos de tareas en Slack, pero no avisa cuando se superan los umbrales de latencia o errores. Crearás esa comprobación en la lección 8.
• Precisión a lo largo del tiempo. El conjunto de validación etiquetado y su historial son tuyos (lección 8).
• Lógica de la aplicación. El recuento, el seguimiento y las reglas de zona residen en tu servicio; Ultralytics Solutions y el curso Ultralytics YOLO in Production los explican.
• Enrutamiento del tráfico. Los puntos de conexión tienen URL generadas y no admiten dominios personalizados, así que necesitarás tu propia pasarela para canarios, enrutamiento multirregional y nombres de host personalizados.

La plataforma no es un framework independiente. Un modelo de Platform se descarga como un best.pt normal que YOLO("best.pt") carga, valida y exporta; y un model.train(..., project="username/my-project") local se transmite a Platform con una clave de API configurada. Pasar de uno a otro no implica convertir nada.

Ejemplo práctico: calcula el presupuesto del proyecto antes de empezar#

Tres cosas consumen créditos: el entrenamiento en la nube (tarifa de la GPU × tiempo de uso), la anotación por lotes y el difuminado de caras de todo el conjunto de datos (1,00 $ por cada 1.000 imágenes), y los puntos de conexión de tamaño personalizado (se facturan por hora de disponibilidad). Todo lo demás de este curso es gratis. Esta calculadora utiliza las tarifas reales de Platform para un pequeño proyecto de detección:

# Monthly Platform budget for a small detection project (rates from the billing and deployment docs)
TRAIN_RUNS = 8  # experiments per month
COST_PER_RUN = 0.23  # dialog estimate: ~1,000 images, YOLO26n, 100 epochs, RTX PRO 6000 ($2.09/h)
BATCH_ANNOTATION_IMAGES = 3_000  # $1.00 per 1,000 images
HOURS_PER_MONTH = 730

# Custom endpoint sizes keep one warm instance; us-central1 rates are $0.000024/vCPU-s and $0.0000025/GiB-s
warm_endpoint_hourly = (2 * 0.000024 + 4 * 0.0000025) * 3600  # 2 vCPU, 4 GiB

lines = {
    "cloud training": TRAIN_RUNS * COST_PER_RUN,
    "batch annotation": BATCH_ANNOTATION_IMAGES / 1000 * 1.00,
    "default endpoint (1 vCPU, 2 GiB, scales to zero)": 0.0,
    "warm endpoint (2 vCPU, 4 GiB, always on)": warm_endpoint_hourly * HOURS_PER_MONTH,
}
for item, usd in lines.items():
    print(f"{item:<50} ${usd:>7.2f}")
print(f"{'total with a warm endpoint':<50} ${sum(lines.values()):>7.2f}")

cloud training                                     $   1.84
batch annotation                                   $   3.00
default endpoint (1 vCPU, 2 GiB, scales to zero)   $   0.00
warm endpoint (2 vCPU, 4 GiB, always on)           $ 152.42
total with a warm endpoint                         $ 157.26

Cómo interpretarlo:

• COST_PER_RUN procede de la estimación del cuadro de diálogo de entrenamiento, que tiene en cuenta el tamaño del conjunto de datos, el modelo, las épocas, el tamaño de imagen y la GPU. Sustitúyelo por la estimación de tu propio conjunto de datos (lección 5); 5.000 imágenes × YOLO26s × 100 épocas en una H100 SXM cuestan unos 1,56 $.
• La partida del punto de conexión es la más cara. Entrenar y etiquetar un proyecto pequeño cuesta unos pocos dólares; mantener una instancia activa 730 horas al mes cuesta unos 150 $ en Iowa (las tarifas varían según la región y el cuadro de diálogo de implementación muestra el precio exacto por hora).
• Regla para decidir: empieza siempre con el tamaño gratuito predeterminado para cada punto de conexión. Pásate a un tamaño personalizado solo cuando los usuarios no puedan tolerar un arranque en frío de hasta un minuto y el tráfico sea lo bastante constante como para justificar el coste por tiempo de actividad.

Planes#

Regla para decidir: sigue con Free mientras aprendes; pásate a Pro cuando necesites almacenamiento en la nube conectado, un equipo, más de tres puntos de conexión o más de tres entrenamientos simultáneos. El crédito mensual de 30 $ de Pro cubre las partidas de entrenamiento y etiquetado del presupuesto anterior. En la documentación de facturación se indican todas las tarifas.

Errores habituales#