Link to this sectionModèles#

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

Link to this sectionTélécharger le modèle#

Télécharge les poids de modèles existants sur la plateforme :

1. Accède à ton projet
2. Fais glisser et dépose tes fichiers .pt sur la page du projet ou dans la barre latérale des modèles
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, pose, OBB, classify)
• 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)

Link to this sectionEntraîner 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 Entraînement Cloud pour des instructions détaillées.

Link to this sectionCycle 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[19+ Formats]:::out
    F --> H[Endpoint]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

Link to this sectionOnglets de la page Modèle#

Chaque page de modèle dispose des onglets suivants :

Link to this sectionOnglet 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

Link to this sectionOnglet Entraîner#

L'onglet Entraîner possède trois sous-onglets :

Link to this sectionSous-onglet Graphiques#

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

Link to this sectionSous-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

Link to this sectionSous-onglet Système#

Métriques GPU et système pendant l'entraînement :

Link to this sectionOnglet 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, pose, OBB, classify)

Link to this sectionOnglet Exporter#

Exporte ton modèle vers plus de 19 formats de déploiement. Consulte Exporter le modèle ci-dessous et le guide principal sur le mode Exportation pour tous les détails.

Link to this sectionOnglet Déployer#

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

Link to this sectionGraphiques de validation#

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

Link to this sectionMatrice de confusion#

Carte thermique interactive montrant la précision de prédiction par classe :

Link to this sectionCourbes PR/F1#

Courbes de performance à différents seuils de confiance :

Link to this sectionExporter 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 plus de 19 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 Export
6. Télécharge une fois terminé

Link to this sectionFormats pris en charge#

La plateforme prend en charge l'exportation vers 19+ 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 et DeepX.

Link to this sectionGuide de sélection du format#

Link to this sectionCibles NVIDIA Jetson TensorRT#

La plateforme Ultralytics propose les sélections de cibles Jetson suivantes pour les exportations TensorRT .engine. En 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.

Link to this sectionPrise en charge des puces RKNN#

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

Link to this sectionCycle de vie d'un travail d'exportation#

Les travaux d'exportation passent par les états suivants :

Link to this sectionActions d'exportation groupées#

• Exporter tout : Clique sur Export All pour lancer des travaux d'exportation pour tous les formats basés sur CPU avec les paramètres par défaut.
• Supprimer toutes les exportations : Clique sur Delete All pour supprimer toutes les exportations pour ce modèle.

Link to this sectionRestrictions de format#

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

Link to this sectionCloner un modèle#

Cloner un modèle vers un autre projet :

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

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

Link to this sectionTélécharger un modèle#

Télécharger les poids de ton modèle :

1. Accède à l'onglet Overview du modèle
2. Clique sur le bouton Download
3. Le fichier .pt original se télécharge automatiquement

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

Link to this sectionLiaison 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

Lorsque tu entraînes avec des jeux de données Platform en utilisant le format d'URI ul:// URI format, 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

Link to this sectionParamètres de visibilité#

Contrôle qui peut voir ton modèle :

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

Link to this sectionSupprimer un modèle#

Supprime un modèle dont tu n'as plus besoin :

1. Ouvre le menu d'actions du modèle
2. Clique sur Supprimer
3. Confirme la suppression

Link to this sectionVoir aussi#

• Inférence : teste des modèles dans le navigateur avec l'onglet Prédiction
• Endpoints : déploie des 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 pour plus de 19 formats d'exportation

Link to this sectionFAQ#

Link to this sectionQuelles 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 (la plus récente, 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 6 types de tâches : détection, segmentation, sémantique, pose, OBB et classification. YOLO11 et YOLOv8 prennent en charge le même ensemble sauf la segmentation sémantique, tandis que YOLOv5 prend en charge la détection, la segmentation et la classification.

Link to this sectionPuis-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 fichier .pt original se télécharge automatiquement
3. Les formats exportés peuvent être téléchargés depuis l'onglet Exportation

Link to this sectionComment 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

Link to this sectionQuelle est la taille maximale d'un modèle ?#

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

Link to this sectionPuis-je effectuer un réglage fin sur des modèles pré-entraînés ?#

Oui ! Tu peux utiliser l'un des modèles officiels YOLO26 comme base, ou en sélectionner un parmi tes propres modèles terminés dans le sélecteur de modèle de la boîte de dialogue d'entraînement. La Platform prend en charge le réglage fin à partir de n'importe quel point de contrôle importé.