Modèles#

Ultralytics Platform fournit une gestion complète des modèles pour l'entraînement, l'analyse et le déploiement de modèles YOLO. Télécharge des modèles pré-entraînés ou entraîne de nouveaux modèles directement sur la plateforme.

Télécharger le modèle#

Télécharge les poids de modèles existants sur la plateforme :

1. Accède à ton projet
2. Glisse et dépose les fichiers .pt sur la page du projet ou dans la barre latérale des modèles, ou clique sur l'icône Upload models
3. Les métadonnées du modèle sont analysées automatiquement à partir du fichier

Plusieurs fichiers peuvent être téléchargés simultanément (jusqu'à 3 en parallèle).

Formats de modèle pris en charge :

Après le téléchargement, la plateforme analyse les métadonnées du modèle :

• Type de tâche (detect, segment, semantic, depth, classify, pose, OBB)
• Architecture (YOLO26n, YOLO26s, etc.)
• Noms et nombre de classes
• Taille d'entrée et paramètres
• Résultats d'entraînement et métriques (s'ils sont présents dans le point de contrôle)

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 sur le cloud ou en local
6. Lance l'entraînement

Consulte Cloud Training pour 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 Modèle#

Chaque page de modèle dispose des onglets suivants :

Onglet Présentation#

Affiche les métadonnées et les métriques clés du modèle :

• Nom du modèle (modifiable), badge d'état, type de tâche
• Métriques finales (mAP50, mAP50-95, précision, rappel)
• Graphiques sparkline des métriques montrant la progression de l'entraînement
• Arguments d'entraînement (époques, taille de lot, taille d'image, etc.)
• Lien vers le jeu de données (lorsqu'il est entraîné avec un jeu de données de la plateforme)
• Bouton de téléchargement des poids du modèle

Onglet Entraîner#

L'onglet Entraîner possède trois sous-onglets :

Sous-onglet Graphiques#

Graphiques interactifs des métriques d'entraînement montrant les courbes de perte et les performances au fil des époques :

Sous-onglet Console#

Sortie en direct de la console issue du processus d'entraînement :

• Flux de logs en temps réel pendant l'entraînement
• Barres de progression des époques et résultats de validation
• Détection d'erreurs avec des bannières d'erreur mises en évidence
• Prise en charge des couleurs ANSI pour une sortie formatée

Sous-onglet Système#

Métriques GPU et système pendant l'entraînement :

Onglet Prédire#

Exécute une inférence interactive directement dans ton navigateur :

• Télécharge une image, utilise des images d'exemple ou utilise la webcam
• Affichage des résultats avec des boîtes englobantes, des masques, des cartes de classes sémantiques ou des points clés
• Auto-inférence lorsqu'une image est fournie
• Prend en charge tous les types de tâches (detect, segment, semantic, depth, classify, pose, OBB)

Onglet Exporter#

Exporte ton modèle vers 20 formats de déploiement. Consulte Export Model ci-dessous et le guide principal Export mode guide pour tous les détails.

Onglet Déployer#

Crée et gère des points de terminaison d'inférence dédiés. Consulte Deployments pour plus de détails.

Graphiques de validation#

Une fois l'entraînement terminé, affiche une analyse de validation détaillée :

Matrice de confusion#

Carte thermique interactive montrant la précision de prédiction par classe :

Courbes PR/F1#

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

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 d'image, demi-précision, dynamique, etc.)
4. Pour les formats nécessitant un GPU (TensorRT), sélectionne un type de GPU
5. Clique sur Start Export
6. Télécharge une fois terminé

Connecte Slack alerts pour recevoir un message lorsqu'un export est prêt ou échoue.

Formats pris en charge#

La plateforme 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 NVIDIA Jetson TensorRT#

Ultralytics Platform propose les sélections de cibles Jetson suivantes pour les exportations TensorRT .engine. À compter de juillet 2026, les workers d'exportation Jetson utilisent JetPack 7.2 / L4T r39.2, Python 3.12.3, NVIDIA PyTorch 2.12.0a0 (build 26.04), CUDA 13.2 et TensorRT 10.16.1.11 dans le conteneur d'exportation.

Les temps correspondent à des tests de routage de production de bout en bout observés en juillet 2026, arrondis à la seconde près ; ce sont des mesures de référence, pas un SLA ou un benchmark de performance par SKU. Les deux sélections Thor sont construites sur un T5000 Developer Kit dans le profil de compatibilité T4000 de NVIDIA. Les six routes Orin sont construites sur un AGX Orin 64GB, où chaque moteur résultant 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 d'un travail d'exportation#

Les travaux d'exportation passent par les états suivants :

Actions d'exportation groupées#

• Export All : Clique sur Export All pour lancer les tâches d'exportation pour tous les formats basés sur le CPU avec les paramètres par défaut.
• Delete All Exports : Clique sur Delete All pour supprimer toutes les exportations du modèle.

Restrictions de format#

Certains formats d'exportation ont des restrictions d'architecture ou de tâche :

Cloner un modèle#

Cloner un modèle vers un autre projet :

1. Ouvre la page du modèle
2. Clique sur Clone Model
3. Sélectionne le projet de destination
4. Clique sur Clone Model

Le modèle et ses poids sont copiés vers le projet cible.

Télécharger un modèle#

Télécharger les poids de ton modèle :

1. Accède à l'onglet Overview du modèle
2. Clique sur le bouton Download
3. Le point de contrôle principal .pt du modèle se télécharge automatiquement

Les formats exportés peuvent être téléchargés depuis l'onglet Export une fois l'exportation terminée.

Liaison de dataset#

Les modèles peuvent être liés à leur dataset source :

• Voir quel dataset a été utilisé pour l'entraînement
• Clique sur la carte du dataset dans l'onglet Overview pour y accéder
• Suis la lignée des données

Lors de l'entraînement avec des datasets de la plateforme 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 examiner deux sections :

• Ultralytics Metadata : Détails de la plateforme en lecture seule tels que l'ID du modèle, le projet, le dataset source, la tâche, le statut et les horodatages
• Custom Metadata : Ton propre objet JSON pour le contexte d'évaluation, le suivi des versions, la gouvernance ou d'autres données spécifiques 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 spectateurs de l'espace de travail peuvent les consulter, tandis que les membres disposant d'un accès en édition 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 :

Pour modifier la visibilité, clique sur le badge de visibilité (par exemple, private ou public) dans l'en-tête de la page. La visibilité est définie au niveau du projet, ce qui contrôle donc tous les modèles du projet. Le passage en mode privé prend effet immédiatement. Le passage en mode public affiche une boîte de dialogue de confirmation avant d'être appliqué.

Supprimer un modèle#

Supprime un modèle dont tu n'as plus besoin :

1. Clique sur l'icône de corbeille Delete model dans l'en-tête du modèle
2. Confirme la suppression

Voir aussi#

• Inference : Teste les modèles dans le navigateur avec l'onglet Prédiction (Predict)
• Endpoints : Déploie des modèles en production avec des points de terminaison dédiés
• Cloud Training : Configure et exécute des tâches d'entraînement sur des GPU cloud
• Export Formats : Guide complet des 20 formats d'exportation

FAQ#

Quelles architectures de modèles sont prises en charge ?#

Ultralytics Platform prend entièrement en charge toutes les architectures YOLO avec des projets dédiés :

• YOLO26 : variantes n, s, m, l, x (dernière version, recommandée) — 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

YOLO26 prend en charge 7 types de tâches : detect, segment, semantic, depth, classify, pose et OBB. YOLO11 et YOLOv8 prennent en charge le même ensemble à l'exception de la segmentation sémantique et de la profondeur, tandis que YOLOv5 prend en charge detect, segment et classify.

Puis-je télécharger mon modèle entraîné ?#

Oui, télécharge les poids de ton modèle depuis la page du modèle :

1. Clique sur l'icône de téléchargement dans l'onglet Aperçu
2. Le point de contrôle principal .pt du modèle se télécharge automatiquement
3. Les formats exportés peuvent être téléchargés depuis l'onglet Exportation

Comment comparer des modèles entre différents projets ?#

Actuellement, la comparaison des modèles se fait au sein des projets. Pour comparer entre les projets :

1. Clone les modèles dans un seul projet, ou
2. Exporte les métriques et compare-les en externe

Quelle est la taille maximale d'un modèle ?#

Les fichiers de modèles .pt téléchargés sont limités à 1 Go, et les modèles proches de cette limite peuvent prendre plus de temps à être téléchargés et traités.

Puis-je effectuer un réglage fin sur des modèles pré-entraînés ?#

Oui. Choisis un modèle compatible parmi les projets officiels YOLO26, YOLO11, YOLOv8 ou YOLOv5, ou sélectionne l'un de tes propres points de contrôle terminés ou importés depuis My Models dans la boîte de dialogue d'entraînement.