Modèles#

Ultralytics Platform offre une gestion complète des modèles pour entraîner, analyser et déployer des modèles YOLO. Téléverse des modèles préentraînés ou entraîne-en de nouveaux directement sur la plateforme.

Téléverser un modèle#

Téléverse des poids de modèle existants sur la plateforme :

1. Accède à ton projet
2. Glisse-dépose les fichiers .pt sur la page du projet ou dans la barre latérale des modèles, ou clique sur l’icône Téléverser des modèles
3. Les métadonnées du modèle sont automatiquement extraites du fichier

Plusieurs fichiers peuvent être téléversés simultanément (jusqu’à 3 en parallèle).

Formats de modèle pris en charge :

Après le téléversement, la plateforme extrait les métadonnées du modèle :

• Type de tâche (détection, segmentation, sémantique, profondeur, classification, pose, OBB)
• Architecture (YOLO26n, YOLO26s, etc.)
• Noms et nombre de classes
• Taille d’entrée et paramètres
• Résultats et métriques d’entraînement (si présents dans le checkpoint)

Entraîner un modèle#

Entraîne un nouveau modèle directement sur la plateforme :

1. Accède à ton projet
2. Clique sur Nouveau modèle
3. Sélectionne le modèle de base et le jeu de données
4. Configure les paramètres d'entraînement
5. Choisis un entraînement cloud ou local
6. Lance l'entraînement

Consulte Entraînement cloud pour obtenir des instructions détaillées.

Cycle de vie du modèle#

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

Onglets de la page du modèle#

Chaque page de modèle comporte les onglets suivants :

En-tête du modèle#

Au-dessus des onglets, l’en-tête affiche la couleur du modèle (modifiable), son nom (clique dessus pour le renommer), le badge de la tâche, la version ultralytics du checkpoint et un sélecteur de licence. Ses actions sont Cloner le modèle (pour les modèles terminés dont tu ne possèdes pas déjà les poids), Télécharger, Ajouter aux favoris, Partager (pour les modèles publics) et un menu Plus d’actions contenant Informations, Actualiser et Supprimer le modèle.

Juste en dessous, une carte par métrique de tâche affiche la valeur finale au-dessus d’une sparkline représentant sa progression pendant l’entraînement — clique sur une carte pour accéder directement aux graphiques — ainsi qu’une carte contenant un lien vers le jeu de données utilisé pour entraîner le modèle.

Onglet Vue d’ensemble#

La carte Informations d’exécution consigne le déroulement de l’exécution : état, heure de début, durée, coût de calcul avec le GPU et le tarif horaire, version ultralytics, détails de l’hôte (nom d’hôte, environnement, système d’exploitation, Python, CPU, GPU), modèle parent, version épinglée du jeu de données, dépôt Git, branche et commit lorsque l’exécution les a indiqués, ainsi qu’une commande yolo train reproductible que tu peux copier.

Lorsqu’une exécution est active, la carte affiche la progression en direct — compteur d’époques, barre de progression, temps écoulé, ETA, coût cumulé — ainsi qu’un bouton Annuler. En cas d’échec, une bannière d’erreur la remplace et affiche l’erreur capturée, avec les actions Afficher les journaux complets de la console et Réessayer l’entraînement.

En dessous, Configuration de l’entraînement répertorie chaque hyperparamètre utilisé et Métriques de performance répertorie les résultats finaux de l’évaluation. Les deux tableaux sont consultables et disposent d’un menu Exporter les données (Copier le JSON, Télécharger le CSV, Télécharger le JSON).

Onglet Entraînement#

L’onglet Entraînement comporte trois sous-onglets :

Sous-onglet Charts#

Graphiques interactifs des métriques au fil des époques, répartis entre les vues Entraînement et Validation lorsque l’exécution a produit des artefacts de validation. Les groupes de graphiques suivent les métriques indiquées par l’exécution :

Chaque groupe peut être réduit, son menu permet d’afficher ou de masquer les graphiques individuels (et, pour les pertes, les séries d’entraînement ou de validation), et les graphiques peuvent être déplacés et redimensionnés dans une disposition conservée d’une session à l’autre.

Sous-onglet Console#

Sortie de la console en direct du processus d’entraînement :

• Diffusion des journaux en temps réel pendant l’entraînement, avec conservation des 2 000 dernières lignes
• Barres de progression des époques et résultats de validation
• Détection des erreurs fatales qui met fin à l’exécution et affiche le message dans une bannière
• Prise en charge des couleurs ANSI, colonne d’horodatage facultative et copie en texte brut en un clic

Sous-onglet System#

Une carte d’hôte récapitulant l’instance d’entraînement (nom d’hôte, CPU, GPU, totaux de RAM et de stockage, ainsi que la dernière date de détection), suivie de graphiques par époque :

Les graphiques du GPU, du réseau et du disque apparaissent uniquement lorsque l’exécution a fourni ces compteurs.

Onglet Prédiction#

Exécute une inférence interactive directement dans le navigateur :

• Téléverse une image, utilise des images d’exemple ou ta webcam
• Les résultats s’affichent avec des BBox, des masques, des cartes de classes sémantiques ou des points clés
• Inférence automatique lorsqu’une image est fournie
• Prend en charge tous les types de tâches (détection, segmentation, sémantique, profondeur, classification, pose, OBB)

Onglet Exportation#

Exporte ton modèle vers 20 formats de déploiement. Consulte Exporter un modèle ci-dessous et le guide du mode Exportation principal pour tous les détails.

Onglet Déploiement#

Crée et gère des endpoints d’inférence dédiés. Consulte Déploiements pour plus de détails.

Graphiques de validation#

Une fois l’entraînement terminé, la vue Validation du sous-onglet Graphiques affiche une analyse détaillée de la dernière époque.

Matrice de confusion#

Carte thermique interactive montrant la précision des prédictions pour chaque classe :

Courbes PR/F1#

Lorsque l'exécution d'entraînement les fournit, la vue Validation affiche également les courbes de performance à différents seuils de confiance. Les graphiques de validation disponibles dépendent des artefacts produits par l'exécution.

Diagnostics par image#

Les modèles de détection entraînés avec une version enregistrée du jeu de données bénéficient également d'une analyse de validation par image, qui permet d'identifier les données à l'origine d'un score décevant :

• Images aux performances les plus faibles et les plus élevées, classées selon leur F1 par image et affichées avec leurs boîtes de vérité terrain
• Explorateur de caractéristiques, mettant en corrélation le F1 avec la largeur, la hauteur, le nombre de pixels, le ratio d'aspect et le nombre d'instances de l'image, avec la relation la plus forte sélectionnée par défaut
• Classes associées aux échecs, classant les classes qui apparaissent le plus souvent dans les images les moins performantes
• Trouver des images similaires, sur la galerie aux pires performances, sur une seule image dans sa vue en plein écran et sur une ligne de classe, qui recherche des images similaires aux échecs capturés dans des jeux de données publics et ajoute les images similaires que tu sélectionnes au jeu de données d'entraînement en tant qu'images non étiquetées train (voir Find Similar Images) ; affiché lorsque tu peux modifier le projet et que le jeu de données d'entraînement est un jeu de données non connecté du même espace de travail

Exporter le modèle#

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 ton modèle vers 20 formats de déploiement :

1. Accède à l'onglet Export
2. Sélectionne le format cible
3. Configure les arguments d'exportation (taille de l'image, précision mixte, dynamique, etc.)
4. Pour les formats nécessitant un GPU (TensorRT), sélectionne un type de GPU
5. Clique sur Start Export
6. Télécharge le modèle une fois l'exportation terminée

Connecte les alertes Slack pour recevoir un message lorsqu'une exportation est prête ou échoue.

Formats pris en charge#

La Platform prend en charge l'exportation vers 20 formats de déploiement : ONNX, TorchScript, OpenVINO, TensorRT, CoreML, TF SavedModel, TF GraphDef, LiteRT, TF Edge TPU, PaddlePaddle, NCNN, MNN, RKNN, Qualcomm (QNN), IMX500, Axelera, ExecuTorch, DeepX, Hailo et Huawei Ascend.

Guide de sélection du format#

Cibles TensorRT pour NVIDIA Jetson#

Ultralytics Platform te propose les sélections de cibles Jetson suivantes pour les exportations TensorRT .engine. Les mesures de validation de juillet 2026 ci-dessous ont utilisé JetPack 7.2 / L4T r39.2, Python 3.12.3, NVIDIA PyTorch 2.12.0a0 (compilation 26.04), CUDA 13.2 et TensorRT 10.16.1.11. Elles décrivent cet environnement testé ; vérifie les environnements d'exécution actuels du worker et de l'appareil de déploiement avant de réutiliser un moteur exporté.

Les temps correspondent à des tests de routage de production observés de bout en bout en juillet 2026, arrondis à la seconde la plus proche ; il s'agit de mesures de référence, et non d'un SLA ou d'une évaluation des performances par SKU. Les deux sélections Thor sont générées sur un Developer Kit T5000 dans le profil de compatibilité NVIDIA T4000. Les six routes Orin sont générées sur un AGX Orin 64GB, où chaque moteur obtenu a été chargé et exécuté.

Prise en charge des puces RKNN#

Lors de l'exportation au format RKNN, sélectionne ton appareil Rockchip cible :

Cycle de vie des tâches d’exportation#

Les tâches d’exportation passent par les statuts suivants :

Actions d’exportation groupées#

• Tout exporter : clique sur Export All pour démarrer les tâches d’exportation de tous les formats basés sur le CPU avec les paramètres par défaut. Les formats qui nécessitent la sélection d’un GPU, qui ne sont pas disponibles pour ce modèle ou qui disposent déjà d’une exportation sont ignorés et répertoriés pour toi.
• Supprimer toutes les exportations : clique sur Delete All pour supprimer toutes les exportations du modèle.

Restrictions de format#

Certains formats d’exportation ont des restrictions liées à l’architecture ou à la tâche :

Déplacer des modèles entre des projets#

Déplace les modèles que tu peux modifier vers un autre projet du même espace de travail sans les copier :

1. Ouvre le projet source et sélectionne un ou plusieurs modèles dans la liste des modèles
2. Fais un clic droit et choisis Couper (Cmd/Ctrl+X)
3. Ouvre le projet de destination, fais un clic droit sur la liste des modèles et choisis Coller (Cmd/Ctrl+V), ou fais glisser les modèles sélectionnés sur le projet de destination dans la barre latérale

Les modèles déplacés conservent leurs poids, leurs métriques, leurs exportations et leurs déploiements, et adoptent l'URL du projet de destination. Un modèle dont le nom d'URL est déjà utilisé dans la destination est renommé à son arrivée, les modèles en cours d'entraînement ne peuvent pas être déplacés, et Esc annule une coupe en attente. Pour copier un modèle que tu ne possèdes pas dans l'un de tes projets, utilise Cloner le modèle.

Cloner un modèle#

Clone un modèle vers un autre projet :

1. Ouvre la page du modèle
2. Clique sur Cloner le modèle
3. Sélectionne le projet de destination, ou choisis Nouveau projet pour en créer un directement
4. Tu peux éventuellement donner un autre nom au clone
5. Clique sur Cloner le modèle

Le modèle et ses poids sont copiés dans le projet cible. Cloner le modèle apparaît sur les modèles terminés dont tu ne possèdes pas déjà les poids.

Télécharger un modèle#

Télécharge les poids de ton modèle :

1. Accède à l’onglet Vue d’ensemble du modèle
2. Clique sur le bouton Télécharger
3. Le checkpoint principal .pt du modèle est téléchargé automatiquement

Les formats exportés peuvent être téléchargés depuis l’onglet Exportation une fois l’exportation terminée.

Liaison avec un jeu de données#

Les modèles peuvent être liés à leur jeu de données source :

• Consulte quel jeu de données a été utilisé pour l’entraînement
• Clique sur la carte du jeu de données dans l’onglet Vue d’ensemble pour y accéder
• Suis la lignée des données

Lorsque tu entraînes un modèle avec des jeux de données Platform utilisant le format d’URI ul://, la liaison est automatique.

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

Métadonnées personnalisées#

Ouvre Plus d’actions et sélectionne Informations pour consulter deux sections :

• Métadonnées Ultralytics : détails Platform en lecture seule, tels que l’ID du modèle, le projet, le jeu de données source, la tâche, le statut et les horodatages
• Métadonnées personnalisées : ton propre objet JSON contenant le contexte de l’évaluation, le suivi des versions, la gouvernance ou d’autres données propres au modèle

Les métadonnées personnalisées sont distinctes des informations du modèle gérées par l’entraînement, des détails de l’environnement et des arguments d’entraînement. Les utilisateurs disposant d’un accès en lecture à l’espace de travail peuvent les consulter, tandis que les membres disposant d’un accès en modification peuvent remplacer l’objet. L’objet de métadonnées sérialisé est limité à 500 000 caractères, et chaque clé de premier niveau est limitée à 128 caractères. Enregistre un objet vide ({}) pour effacer les métadonnées personnalisées.

Paramètres de visibilité#

Contrôle qui peut voir ton modèle :

La visibilité est définie au niveau du projet : elle s’applique donc à tous les modèles du projet. Pour la modifier, clique sur le badge de visibilité (private ou public) à côté du nom du projet dans le fil d’Ariane en haut de la page. Le passage au mode privé prend effet immédiatement. Le passage au mode public affiche une boîte de dialogue de confirmation avant son application.

Supprimer un modèle#

Supprime un modèle dont tu n’as plus besoin :

1. Ouvre le menu Plus d’actions dans l’en-tête du modèle et sélectionne Supprimer le modèle
2. Confirme la suppression

Voir aussi#

• Inférence : teste les modèles dans le navigateur avec l’onglet Predict
• Endpoints : déploie les modèles en production avec des endpoints dédiés
• Entraînement cloud : configure et exécute des tâches d’entraînement sur des GPU cloud
• Formats d’exportation : guide complet des 20 formats d’exportation

FAQ#