Modèles#

Ultralytics Platform fournit des outils complets de gestion des modèles pour entraîner, analyser et déployer des modèles YOLO. Importe des modèles préentraînés ou entraîne-en de nouveaux directement sur la plateforme.

Importer un modèle#

Importe les poids d’un modèle existant sur la plateforme :

1. Accède à ton projet
2. Fais glisser-déposer 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 automatiquement extraites du fichier

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

Formats de modèle pris en charge :

Après l’importation, 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 et paramètres d’entrée
• Résultats et métriques d’entraînement (si 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 New Model
3. Sélectionne le modèle de base et le jeu de données
4. Configure les paramètres d’entraînement
5. Choisis un entraînement dans le cloud ou en local
6. Lance l’entraînement

Consulte Entraînement dans le cloud pour des instructions détaillées.

Cycle de vie du modèle#

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 tâche, la version ultralytics du point de contrôle et un sélecteur de licence. Les actions disponibles sont Clone Model (pour les modèles terminés avec des poids que tu ne possèdes pas déjà), Download, Star, Share (modèles publics) et un menu More actions proposant Information, Refresh et Delete Model.

Juste en dessous, une carte par métrique de tâche affiche sa valeur finale au-dessus d’une courbe de son évolution pendant l’entraînement — clique sur une carte pour accéder aux graphiques — ainsi qu’une carte menant au jeu de données utilisé pour entraîner le modèle.

Onglet Vue d’ensemble#

La carte Run Information indique comment l’exécution s’est déroulée : 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 ces informations ont été communiquées par l’exécution, ainsi qu’une commande yolo train reproductible que tu peux copier.

Pendant une exécution, la carte affiche la progression en direct — compteur d’époques, barre de progression, temps écoulé, temps estimé restant et coût accumulé — ainsi qu’un bouton Cancel. En cas d’échec, une bannière d’erreur la remplace et affiche l’erreur enregistrée, ainsi que les actions View full console logs et Retry Training.

En dessous, Training Configuration répertorie tous les hyperparamètres utilisés et Performance Metrics répertorie les résultats finaux de l’évaluation. Les deux tableaux sont consultables par recherche et proposent un menu Export data (Copier JSON, Télécharger CSV, Télécharger JSON).

Onglet Entraînement#

L’onglet Entraînement comporte trois sous-onglets :

Sous-onglet Graphiques#

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

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

Sous-onglet Console#

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

• Diffusion des journaux en temps réel pendant l’entraînement, avec conservation des 2000 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 Système#

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

Les graphiques du GPU, du réseau et du disque ne s’affichent que si l’exécution a rapporté ces compteurs.

Onglet Predict#

Exécute l’inférence de manière interactive, directement dans le navigateur :

• Importe une image, utilise des images d’exemple ou la webcam
• Les résultats s’affichent avec des boîtes englobantes, 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 Export#

Exporte ton modèle vers 22 formats de déploiement. Consulte Exporter un modèle ci-dessous et le guide principal du mode Export pour tous les détails.

Onglet Deploy#

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

Graphiques de validation#

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

Matrice de confusion#

Carte thermique interactive présentant la précision des prédictions par classe :

Courbes PR/F1#

Lorsque l’exécution d’entraînement les fournit, la vue Validation affiche également des courbes de performance pour 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 de jeu de données enregistrée bénéficient également d’une analyse de validation par image, qui met en évidence les données à l’origine d’un score décevant :

• Images aux performances les plus faibles et les plus élevées, classées selon le score F1 par image et affichées avec leurs boîtes de vérité terrain
• Explorateur de caractéristiques, qui met en corrélation le score F1 avec la largeur, la hauteur, le nombre de pixels, le rapport hauteur/largeur et le nombre d’instances de l’image, en sélectionnant par défaut la relation la plus forte
• Classes associées aux échecs, classées selon leur fréquence d’apparition dans les images les moins performantes
• Trouver des images similaires, depuis la galerie des images les moins performantes, une image unique en plein écran et une ligne de classe. Cette fonction recherche dans les jeux de données publics, ainsi que dans tes propres jeux de données et ceux de ton équipe, des images similaires aux échecs observés et ajoute celles que tu sélectionnes au jeu de données d’entraînement comme images train non annotées (voir Trouver des images similaires) ; cette fonction s’affiche 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#

Exporte ton modèle vers 22 formats de déploiement :

1. Va dans l’onglet Export
2. Sélectionne le format cible
3. Configure les paramètres d’exportation (taille d’image, précision, mode dynamique, etc.)
4. Pour les formats nécessitant un GPU (TensorRT), sélectionne un type de GPU
5. Clique sur Démarrer l’exportation
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’export vers 22 formats de déploiement : 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 et AMD Xilinx.

Guide de sélection du format#

Cibles TensorRT NVIDIA Jetson#

Ultralytics Platform propose les sélections de cibles Jetson suivantes pour les exportations TensorRT .engine. Les mesures de validation de juillet 2026 ci-dessous ont été obtenues avec 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. 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 durées correspondent à des tests de routage en production de bout en bout, observés une seule fois en juillet 2026 et arrondis à la seconde la plus proche ; ce sont des mesures de référence, pas un SLA ni un benchmark de performances par SKU. Les deux configurations Thor sont compilées sur un kit de développement T5000, avec le profil de compatibilité T4000 de NVIDIA. Les six routes Orin sont compilées sur un AGX Orin 64GB, où chaque moteur obtenu a été chargé et exécuté.

Prise en charge des puces RKNN#

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

Cycle de vie des tâches d'export#

Les tâches d'export passent par les statuts suivants :

Actions d'export en masse#

• Tout exporter : clique sur Export All pour lancer les tâches d'export de tous les formats basés sur le CPU avec les paramètres par défaut. Les formats qui nécessitent de sélectionner un GPU, qui ne sont pas disponibles pour ce modèle ou pour lesquels un export existe déjà sont ignorés et répertoriés.
• Supprimer tous les exports : clique sur Delete All pour supprimer tous les exports du modèle.

Restrictions de format#

Certains formats d'export présentent des restrictions liées à l'architecture ou à la tâche :

Déplacer des modèles entre 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 vers le projet de destination dans la barre latérale

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

Cloner le 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. L'option Cloner le modèle apparaît pour les modèles terminés avec des poids dont tu n'es pas déjà propriétaire.

Télécharger le modèle#

Télécharge les poids de ton modèle :

1. Ouvre la page du modèle
2. Clique sur l’icône de téléchargement dans l’en-tête du modèle (disponible depuis n’importe quel onglet)
3. Le checkpoint principal .pt du modèle est téléchargé automatiquement

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

Association de jeux de données#

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

• Consulte le jeu de données utilisé pour l’entraînement
• Clique sur la carte du jeu de données dans l’onglet Overview pour y accéder
• Suivre la lignée des données

Lorsque tu entraînes un modèle avec les jeux de données de la plateforme au format URI ul:// URI format, l’association 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 en lecture seule de la plateforme, tels que l’identifiant du modèle, le projet, le jeu de données source, la tâche, l’état et les horodatages
• Métadonnées personnalisées : ton propre objet JSON pour le contexte d’évaluation, le suivi des versions, la gouvernance ou d’autres données propres au modèle

Les métadonnées personnalisées sont distinctes des informations du modèle liées à l’entraînement, des détails de l’environnement et des arguments d’entraînement. Les personnes qui consultent l’espace de travail peuvent les examiner, 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 et 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 l’application.

Supprimer le modèle#

Supprime un modèle dont tu n’as plus besoin :

1. Ouvre le menu More actions dans l’en-tête du modèle et sélectionne Delete Model
2. Confirme la suppression

Voir aussi#

• Inférence : teste les modèles dans le navigateur avec l’onglet Predict
• Points de terminaison : déploie des modèles en production à l’aide de points de terminaison dédiés
• Entraînement dans le cloud : configure et exécute des tâches d’entraînement sur des GPU cloud
• Formats d’export : guide complet des 22 formats d’export

FAQ#