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 :

En-tête du modèle#

Au-dessus des onglets, l'en-tête affiche la couleur du modèle (modifiable), le nom (clique sur le nom pour le modifier), le badge de tâche, la version du point de contrôle ultralytics, ainsi qu'un sélecteur de licence. Ses actions sont Cloner le modèle (sur les modèles terminés dotés de poids que tu ne possèdes pas encore), Télécharger, Mettre en favori, Partager (modèles publics), ainsi qu'un menu Plus d'actions contenant Informations, Actualiser et Supprimer le modèle.

Juste en dessous, une carte par métrique de tâche présente la valeur finale sur un graphique lointain de sa progression d'entraînement — clique sur n'importe quelle carte pour accéder aux graphiques —, aux côtés d'une carte renvoyant vers le jeu de données sur lequel le modèle a été entraîné.

Onglet Présentation#

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

Pendant qu'une exécution est active, la carte affiche la progression en temps réel — compteur d'époques, barre de progression, temps écoulé, temps restant estimé (ETA), coût accumulé — ainsi qu'un bouton Annuler. Si une exécution échoue, une bannière d'erreur la remplace avec l'erreur capturée et les actions Afficher l'intégralité des journaux de la console et Réessayer l'entraînement.

En dessous, Training Configuration répertorie tous les hyperparamètres utilisés et Performance Metrics énumère les résultats finaux de l'évaluation. Les deux tableaux peuvent faire l'objet de recherches et disposent d'un menu Export data (Copier le JSON, Télécharger le CSV, Télécharger le JSON).

Onglet Entraîner#

L'onglet Entraîner possède trois sous-onglets :

Sous-onglet Graphiques#

Graphiques de métriques interactifs au fil des époques, répartis en vues Training et Validation lorsque l'exécution a produit des artefacts de validation. Les groupes de graphiques suivent les métriques signalées par l'exécution :

Chaque groupe se réduit, son menu masque ou affiche des graphiques individuels (et, pour les pertes, la série d'entraînement ou de validation), et les graphiques peuvent être glissés et redimensionnés dans une disposition qui persiste d'une session à l'autre.

Sous-onglet Console#

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

• Diffusion en continu des journaux en temps réel pendant l'entraînement, conservant les 2 000 dernières lignes
• Barres de progression des époques et résultats de validation
• Détection d'erreur fatale 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 un clic en tant que texte brut

Sous-onglet Système#

Une carte d'hôte résumant l'instance d'entraînement (nom d'hôte, CPU, GPU, totaux de RAM et de disque, et date de sa dernière observation), suivie de graphiques par époque :

Les graphiques du GPU, du réseau et du disque n'apparaissent que lorsque l'exécution a signalé ces compteurs.

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, la vue Validation à l'intérieur du sous-onglet Charts présente une analyse détaillée de la dernière époque.

Matrice de confusion#

Carte thermique interactive montrant la précision de prédiction par classe :

Courbes PR/F1#

Lorsque l'exécution de l'entraînement les fournit, la vue Validation affiche également des 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 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 moins bonnes et les meilleures, classées par score F1 par image et tracées avec leurs boîtes de vérité terrain
• Explorateur de caractéristiques, corrélant le score F1 avec la largeur, la hauteur, le nombre de pixels, le rapport hauteur/largeur et le nombre d'instances de l'image, la relation la plus forte étant sélectionnée par défaut
• Classes associées aux échecs, classant les classes qui apparaissent le plus souvent dans les images les plus faibles

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. Depuis juillet 2026, les exportations TensorRT pour Jetson sont construites avec 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.

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. Les formats qui nécessitent une sélection de GPU, ne sont pas disponibles pour ce modèle ou disposent déjà d'une exportation sont ignorés et répertoriés pour toi.
• 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, ou choisis New Project pour en créer un directement
4. Attribue éventuellement un nom différent au clone
5. Clique sur Clone Model

Le modèle et ses poids sont copiés dans le projet cible. Clone Model apparaît sur les modèles terminés dotés de poids que tu ne possèdes pas encore.

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 :

La visibilité est définie au niveau du projet et contrôle donc chaque modèle du projet. Pour la modifier, clique sur le badge de visibilité (private ou public) situé à côté du nom du projet dans le fil d'Ariane en haut de la page. 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. Ouvre le menu More actions dans l'en-tête du modèle et sélectionne Delete Model
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#