Ultralytics Platform クイックスタート#

Ultralytics Platform は、データセットのアップロード、事前学習済み重みからの新しい YOLO モデルのトレーニング、ブラウザでの完成したモデルのテスト、および専用の推論エンドポイントの設定を行うためのガイド付きワークフローを提供します。

以下のインタラクティブな図は、Ultralytics Platform ワークフローの4つの主要ステージを示しています。各ステージやサブステップをクリックすると、そのセクションの詳細な手順にアクセスできます。

graph LR
    A(Sign Up):::start --> B(Prepare Data):::proc --> C(Train):::proc --> D(Deploy):::out
    A -.- A1["<a href='#get-started'>Create account</a><br/><a href='#region-selection'>Select region</a>"]:::proc
    B -.- B1["<a href='#upload-your-first-dataset'>Upload dataset</a><br/><a href='#create-your-first-project'>Create Project</a>"]:::proc
    C -.- C1["<a href='#training-configuration'>Configure training</a><br/><a href='#monitor-training'>Monitor progress</a>"]:::proc
    D -.- D1["<a href='#test-your-model'>Test model</a><br/><a href='#deploy-to-production'>Deploy endpoint</a>"]:::proc

    click A "#get-started"
    click B "#upload-your-first-dataset"
    click C "#train-your-first-model"
    click D "#deploy-to-production"

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

開始する#

Ultralytics Platform では、さまざまな簡単なサインアップ方法を提供しています。Google または GitHub アカウントを使用して登録・ログインするか、メールアドレスで登録できます。

リージョン選択#

オンボーディング中に、データリージョンの選択を求められます。プラットフォームは各リージョンへのレイテンシを自動的に測定し、最も近いものを推奨します。この選択によって、データセット、モデル、および管理されたトレーニングデータが保存される場所が決まります。専用のエンドポイントリージョンは、モデルをデプロイする際に別途選択されます。

無料クレジット#

すべてのアカウントは、クラウド GPU 学習用の無料クレジットを受け取ります：

プロフィールの入力#

オンボーディングフローは、以下の3つのステップで進みます：

1. プロフィール - 表示名、一意のユーザー名（永久的で後から変更不可）、組織名（任意）、および主なユースケースを入力します
2. データリージョン - レイテンシを表示する世界地図を見ながら、US、EU、または AP を選択します
3. 完了 - 選択内容を確認し、オプションでプロモーションコードを適用し、サインアップを完了してウェルカムクレジットを受け取ります

ホームダッシュボード#

ログイン後、Ultralytics Platform のホームページへ移動します。ここにはワークスペースの統計情報が載ったウェルカムカード、データセット・プロジェクト・ストレージへのクイックアクセス、および最近のアクティビティフィードが表示されます。

サイドバーナビゲーション#

サイドバーからプラットフォームのすべてのセクションにアクセスできます：

ウェルカムカード#

ウェルカムカードでは、プロフィール、プランバッジ、ワークスペースの統計情報を一目で確認できます：

クイックアクション#

ウェルカムカードの下には、3つのカードが表示されます：

• データセット: 新しいデータセットを作成するか、画像、動画、またはデータセットファイルをドロップしてアップロードします。最近のデータセットが表示されます。
• プロジェクト: 新しいプロジェクトを作成するか、.pt モデルファイルをドロップしてアップロードします。最近のプロジェクトが表示されます。
• ストレージ: プランの上限を含む、ストレージ使用状況（データセット、モデル、エクスポート）の概要。

下部にある 最近のアクティビティ テーブルには、最新のデータセット、モデル、および学習実行が表示されます。

グローバル検索#

Cmd+K (Mac) または Ctrl+K (Windows/Linux) を押して検索バーを開きます。ページ、プロジェクト、データセット、デプロイメント全体を即座に検索できます。

AI チャットアシスタント#

すべてのページでフローティングチャットウィジェットが利用可能です。クリックすると、YOLO の学習、アノテーション、デプロイメント、またはプラットフォームの機能に関する質問ができます。アシスタントは現在のページに基づいたコンテキストに応じたヘルプを提供します。

オンボーディングツアー#

プラットフォームには、各セクションを操作する際に主要な機能を紹介するガイド付きツアーが含まれています：

ツアーの再開#

ツアーをやり直すには：

• ツアーをやり直すボタン — サイドバー左下のプロフィールアバターをクリックしてユーザーメニューを開き、ツアーをやり直すを選択します。これによりすべてのツアーがリセットされ、各セクションを次に訪れた際に再表示されます。
• URLパラメータ — platform.ultralytics.com/home?tour=nav にアクセスすると、ナビゲーションツアーを直接再開できます。

最初のデータセットをアップロードする#

サイドバーの Annotate に移動し、New Dataset をクリックして学習データを追加します。ホームダッシュボードのデータセットカードにファイルを直接ドラッグ＆ドロップすることも可能です。

Ultralytics Platform は複数のアップロード形式をサポートしています（詳細については Datasets を参照してください）：

graph LR
    A[Drop Files]:::start --> B[Auto-Package ZIP]:::proc
    B --> C[Upload to Storage]:::proc
    C --> D[Backend Worker]:::proc
    D --> E[Resize & Thumbnail]:::proc
    E --> F[Parse Labels]:::proc
    F --> G[Compute Statistics]:::proc
    G --> H[Dataset Ready]:::out

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

アップロード後、プラットフォームは自動的にデータを処理します：

1. 4096pxを超える画像はサイズ変更されます（アスペクト比を維持）
2. 高速ブラウジング用に256pxのサムネイルが生成されます
3. YOLO、COCO、および Ultralytics NDJSON ラベルがパースおよび検証されます
4. 統計が計算されます（クラス分布、ヒートマップ、寸法）

my-dataset.zip
├── data.yaml          # Class names and splits
├── train/
│   ├── images/
│   │   ├── img001.jpg
│   │   └── img002.jpg
│   └── labels/
│       ├── img001.txt
│       └── img002.txt
└── val/
    ├── images/
    └── labels/

datasets およびサポートされている形式（detect、segment、pose、OBB、classify）の詳細をお読みください。

最初のプロジェクトを作成する#

プロジェクトを使用すると、関連するモデルや実験を整理できます。「Projects」に移動し、New Project をクリックします。

名前とオプションの説明を入力します。プロジェクトは、完了したトレーニング結果を比較するためのチャートとともに、モデルの実行や、インポートまたはクローンされたモデルの重みを整理します。

projects の詳細をお読みください。

最初のモデルを学習する#

プロジェクトから New Model をクリックして、クラウド学習を開始します。

学習設定#

1. Select Dataset: 少なくとも 1 つのトレーニング画像、少なくとも 1 つの検証またはテスト画像、および少なくとも 1 つのラベル付き画像を含む準備済みのデータセットを選択します
2. Choose Model: ベースモデルを選択します。公式のUltralyticsモデル、または学習済みの独自のモデルを選択可能です
3. Set Epochs: 学習反復回数（デフォルト：100）
4. GPUを選択: 予算とモデルのサイズに基づいてコンピューティングリソースを選択してください。デフォルトは RTX PRO 6000 (96 GB Blackwell, 2.09ドル/時間) であり、すべてのYOLO26バリアントに対応しています。全リストおよびティア制限については、GPU料金表またはクラウド学習のGPU手順を参照してください。

学習を監視する#

学習が開始されると、3つのサブタブを通じて進行状況をリアルタイムで監視できます：

メトリクスは SSE（Server-Sent Events）を介してリアルタイムでストリーミングされます。トレーニングの完了後、混同行列、PR 曲線、F1 曲線などの検証プロットが生成されます。

cloud training の詳細をお読みください。

モデルをテストする#

学習完了後、ブラウザで直接モデルをテストします：

1. モデルの Predict タブに移動します
2. 画像をアップロード、ドラッグ＆ドロップ、またはサンプル画像を使用します（ドロップ時に自動推論）
3. タスクに適した予測オーバーレイと生の JSON レスポンスを表示します

推論パラメータを調整します：

Predict タブには、デプロイコードの例も表示されます。まずモデルをデプロイし、次にプレースホルダーの URL とキーをエンドポイントの値に置き換えます：

import requests

url = "https://your-deployment-url.run.app/predict"
headers = {"Authorization": "Bearer YOUR_API_KEY"}

with open("image.jpg", "rb") as f:
    response = requests.post(url, headers=headers, files={"file": f})

print(response.json())

inference の詳細をお読みください。

本番環境へのデプロイ#

本番運用向けに専用エンドポイントへモデルをデプロイします：

1. モデルの Deploy タブに移動します
2. インタラクティブな世界地図から地域を選択してください（42の利用可能な地域）
3. 地図には、緑から赤へのグラデーションでリアルタイムのレイテンシ測定値が表示されます（レイテンシが低いほど緑、高いほど赤）
4. Deploy をクリックしてエンドポイントを作成します

graph LR
    A[Select Region]:::start --> B[Deploy]:::proc
    B --> C[Provisioning]:::proc
    C --> D[Running]:::out
    D --> E{Lifecycle}:::decide
    E --> F[Stop]:::error
    E --> G[Delete]:::error
    F --> H[Resume]:::proc
    H --> D

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,color:#fff
    classDef error fill:#F44336,color:#fff

プロビジョニングが完了すると、エンドポイントで以下が提供されます：

• Unique URL: API呼び出し用のHTTPSエンドポイント
• Scale-to-zero behavior: アイドル状態のエンドポイントはゼロにスケールダウンします（デプロイメントは現在、単一のアクティブなインスタンスを実行します）
• Monitoring: リクエストメトリクスとログ

デプロイ後、サイドバーの Deploy セクションからすべてのエンドポイントを管理できます。ここには、アクティブなデプロイメントを示すグローバルマップ、概要メトリクス、すべてのエンドポイントのリストが表示されます。

endpoints の詳細をお読みください。

リモート学習（オプション）#

ご自身のハードウェアでトレーニングを行う場合は、API キーを使用してどこでもトレーニングを行い、メトリクスを Ultralytics Platform にストリーミングできます。

1. Settings > API Keys でAPIキーを生成してください。
2. 環境変数を設定し、project/name形式でトレーニングを実行します。

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

yolo train model=yolo26n.pt data=coco.yaml epochs=100 project=username/my-project name=exp1

APIキー、データセットURI、およびリモートトレーニングの詳細をご覧ください。

フィードバックとヘルプ#

サイドバーのフッターにあるヘルプページには、アプリ内フィードバックフォームが含まれています。体験の評価、フィードバックの種類（バグ、機能リクエスト、または全般）の選択、およびスクリーンショットの添付が可能です。

さらにサポートが必要な場合：

• AI Chat: どのページでもフローティングチャットウィジェットをクリックすると、すぐにヘルプが得られます
• Documentation: データセット、アノテーション、トレーニング、デプロイ、請求に関する詳細ガイドについては、このドキュメントを参照してください
• Discord: Discordコミュニティに参加して議論しましょう
• GitHub: GitHubで問題を報告してください
• REST API: すべてのPlatform機能へのプログラムによるアクセスについては、APIリファレンスを確認するか、インタラクティブAPIドキュメントをお試しください