Modèles
Ultralytics offre une gestion complète des modèles pour la formation, l'analyse et le déploiement YOLO . Téléchargez des modèles préformés ou formez-en de nouveaux directement sur la plateforme.
Télécharger le modèle
Télécharger les poids des modèles existants sur la plateforme :
- Accédez à votre projet
- Cliquez sur « Télécharger le modèle ».
- Sélectionnez votre
.ptfichier - Ajouter le nom et la description
- Cliquez sur Télécharger
Formats de modèles pris en charge :
| Format | Extension | Description |
|---|---|---|
| PyTorch | .pt | Ultralytics natif Ultralytics |
Après le téléchargement, la plateforme analyse les métadonnées du modèle :
- Type de tâche (detect, segment, pose, OBB, classify)
- Architecture (YOLO11n, YOLO11s, etc.)
- Noms et nombre de classes
- Taille et paramètres d'entrée
Entraîner le modèle
Entraînez un nouveau modèle directement sur la plateforme :
- Accédez à votre projet
- Cliquez sur Modèle de train
- Sélectionner l'ensemble de données
- Choisissez le modèle de base
- Configurer les paramètres d'entraînement
- Commencer l'entraînement
Consultez la formation sur le cloud pour obtenir des instructions détaillées.
Aperçu du modèle
Chaque page de modèle affiche :
| Section | Contenu |
|---|---|
| Aperçu | Métadonnées du modèle, type de tâche, architecture |
| Métriques | Graphiques des pertes d'entraînement et des performances |
| Parcelles | Matrice de confusion, courbes PR, courbes F1 |
| Test | Test d'inférence interactif |
| Déployer | Création et gestion des terminaux |
| Exporter | Conversion de format et téléchargement |
Indicateurs de formation
Consultez les indicateurs de formation en temps réel et historiques :
Courbes de perte
| Perte | Description |
|---|---|
| Boîte | Perte de régression de la boîte englobante |
| Classe | Perte de classification |
| DFL | Perte focale de distribution |
Mesures de performance
| Métrique | Description |
|---|---|
| mAP50 | Précision moyenne à IoU ,50 |
| mAP50 | Précision moyenne à IoU ,50-0,95 |
| Précision | Ratio de prédictions positives correctes |
| Rappel | Ratio des positifs réels identifiés |
Graphiques de validation
Une fois la formation terminée, consultez l'analyse de validation détaillée :
Matrice de confusion
Carte thermique interactive indiquant la précision des prédictions par classe :
Courbes PR/F1
Courbes de performance à différents seuils de confiance :
| Courbe | Description |
|---|---|
| Précision-Rappel | Compromis entre précision et rappel |
| F1-Confiance | Score F1 à différents niveaux de confiance |
| Précision-Confiance | Précision à différents niveaux de confiance |
| Confiance en matière de rappel | Rappel à différents niveaux de confiance |
Modèle d'exportation
Exportez votre modèle vers 17 formats de déploiement :
- Accédez à l'onglet Exporter.
- Sélectionnez le format cible
- Cliquez sur Exporter
- Télécharger une fois terminé
Formats pris en charge
| Format | Description | Cas d'utilisation |
|---|---|---|
| ONNX | Échange ouvert de réseaux neuronaux | Déploiement multiplateforme |
| TorchScript | PyTorch sérialisé | PyTorch |
| OpenVINO | Intel | Intel |
| TensorRT | NVIDIA | NVIDIA |
| CoreML | Optimisation Apple | iOS |
| TFLite | TensorFlow Lite | Mobile/intégré |
| TF SavedModel | TensorFlow | TensorFlow |
| TF GraphDef | TensorFlow | Ancien TensorFlow |
| PaddlePaddle | Cadre Baidu | PaddlePaddle |
| NCNN | Inférence mobile | Android |
| TPU périphérique | Google TPU | Dispositifs Coral |
| TF.js | TensorFlow.js | Déploiement du navigateur |
| MNN | Cadre Alibaba | Optimisation mobile |
| RKNN | NPU Rockchip | Appareils Rockchip |
| IMX | NXP i.MX | Plateformes NXP |
| Axelera | Metis IA | Accélérateurs Edge AI |
| ExecuTorch | Cadre méta | Plateformes méta |
Heure d'exportation
Le temps d'exportation varie selon le format. TensorRT peuvent prendre plusieurs minutes en raison de l'optimisation du moteur.
Liaison des ensembles de données
Les modèles peuvent être liés à leur ensemble de données source :
- Voir quel ensemble de données a été utilisé pour l'entraînement
- Accéder à l'ensemble de données depuis la page du modèle
- Suivre la traçabilité des données
Lorsque vous vous entraînez avec des ensembles de données Platform à l'aide du ul:// Format URI, la liaison est automatique.
Paramètres de visibilité
Contrôlez qui peut voir votre modèle :
| Paramètre | Description |
|---|---|
| Privé | Vous seul pouvez accéder à |
| Public | Tout le monde peut consulter la page Explorer. |
Pour modifier la visibilité :
- Ouvrir le menu Actions du modèle
- Cliquez sur Modifier
- Activer/désactiver l'affichage
- Cliquez sur Enregistrer
Supprimer le modèle
Supprimez un modèle dont vous n'avez plus besoin :
- Ouvrir le menu Actions du modèle
- Cliquez sur Supprimer
- Confirmer la suppression
Supprimer et restaurer
Les modèles supprimés sont placés dans la corbeille pendant 30 jours. Restaurez-les à partir de Paramètres > Corbeille.
FAQ
Quelles architectures de modèles sont prises en charge ?
Ultralytics prend en charge toutes YOLO :
- YOLO11: variantes n, s, m, l, x
- YOLO26: dernière génération (lorsqu'elle est disponible)
- YOLOv10: Prise en charge héritée
- YOLOv8: Prise en charge héritée
- YOLOv5: Prise en charge héritée
Puis-je télécharger mon modèle entraîné ?
Oui, téléchargez les poids de votre modèle depuis la page du modèle :
- Cliquez sur l'icône de téléchargement.
- Sélectionner le format (original)
.ptou exporté) - Le téléchargement démarre automatiquement.
Comment comparer les modèles entre différents projets ?
Actuellement, la comparaison des modèles se fait au sein des projets. Pour comparer entre les projets :
- Transférer les modèles vers un seul projet, ou
- Exporter les mesures et les comparer en externe
Quelle est la taille maximale du modèle ?
Il n'y a pas de limite stricte, mais les modèles très volumineux (> 2 Go) peuvent nécessiter des temps de téléchargement et de traitement plus longs.
Puis-je affiner les modèles pré-entraînés ?
Oui ! Téléchargez un modèle pré-entraîné, puis commencez l'entraînement à partir de ce point de contrôle avec votre ensemble de données. La plateforme utilise automatiquement le modèle téléchargé comme point de départ.