Ultralytics Platform クイックスタート

Ultralytics Platformは、ユーザーフレンドリーで直感的に操作できるように設計されており、ユーザーはデータセットを迅速にアップロードし、新しいYOLOモデルをトレーニングできます。さまざまな事前学習済みモデルが用意されており、ユーザーは簡単に利用を開始できます。モデルがトレーニングされると、ブラウザで直接テストし、ワンクリックで本番環境にデプロイできます。

journey
    title Your First Model in 5 Minutes
    section Sign Up
      Create account: 5: User
      Select region: 5: User
    section Prepare Data
      Upload dataset: 5: User
      Review images: 4: User
    section Train
      Configure training: 5: User
      Monitor progress: 3: Platform
    section Deploy
      Test model: 5: User
      Deploy endpoint: 5: User

はじめに

Ultralytics 、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 GitHubアカウント、またはメールアドレスを使用して登録およびログインできます。

領域選択

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ーを自動的に測定し、最も近いリージョンを推奨します。これはデータ、モデル、デプロイメントの保存場所を決定するため、重要な選択となります。

無料クレジット

新規アカウントにはクラウドGPU 用の無料クレジットが付与されます：

プロフィールを完了する

地域を選択する前に、表示名、ユーザー名、任意の会社名、主な利用目的でプロフィールを完成させてください。オンボーディングフローは3つのステップで構成されています：プロフィール、データ地域、完了。

ホームダッシュボード

サインイン後、Ultralytics に移動します。ここでは、ワークスペースの統計情報を表示するウェルカムカード、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、最近のアクティビティフィードが提供されます。

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全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、ダッシュボードには3枚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ZIP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を表示します。
• プロジェクト新規プロジェクトを作成するか、ドロップしてください .pt アップロードするモデルファイル。最近のプロジェクトを表示します。
• ストレージ: プランの制限付きでの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。

下部の「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、およびトレーニング実行が表示されます。

最初のデータセットをアップロードする

移動先 Annotate サイドバーでクリック New Dataset トレーニングデータを追加します。また、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できます。

Ultralytics 複数のアップロード形式をサポートしています（詳細はデータセットを参照）：

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

アップロード後、プラットフォームはデータを自動的に処理します：

1. 4096pxを超える画像は（アスペクト比を維持して）リサイズされます
2. 256pxのサムネイル画像が生成され、高速な閲覧を実現します
3. ラベルは解析され、検証される（YOLO .txt フォーマット)
4. 統計が計算される（クラス分布、ヒートマップ、次元）

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

データセットとサポートされている形式について詳しく読む detect、 segment、ポーズ、OBB、および classify.

最初のプロジェクトを作成する

プロジェクトは、関連するモデルや実験を整理するのに役立ちます。「プロジェクト」に移動し、「プロジェクトの作成」をクリックしてください。

プロジェクトの名前と、オプションで説明を入力してください。プロジェクトには以下が含まれます。

• モデル: トレーニング済みチェックポイント
• アクティビティログ: 変更履歴

プロジェクトの詳細はこちらをご覧ください。

最初のモデルをトレーニングする

プロジェクトからクリック Train Model クラウドトレーニングを開始する。

トレーニング設定

1. データセットを選択アップロード済みデータセットから選択してください（ train 分割 （図示されている）
2. モデルを選択: ベースモデルを選択してください — 公式Ultralytics またはご自身がトレーニングしたUltralytics
3. Set Epochs: 学習反復回数 (デフォルト: 100)
4. GPU選択: 予算とモデルサイズに基づいて計算リソースを選択してください

トレーニングを監視する

トレーニングが開始されると、3つのサブタブを通じて進捗をリアルタイムで確認できます：

メトリクスはSSE（サーバー送信イベント）を介してリアルタイムでストリーミングされます。トレーニング完了後、混同行列、PR曲線、F1曲線を含む検証プロットが生成されます。

クラウドトレーニングの詳細はこちらをご覧ください。

モデルをテストする

トレーニング完了後、ブラウザで直接モデルをテストできます。

1. モデルの Predict タブ
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（ドロップ時に自動推測）
3. バウンディングボックスをキャンバス上に描画した推論結果を表示する

推論パラメータを調整します。

The Predict タブには、実際のAPIキーが事前に入力された、すぐに使えるコード例が用意されています：

import requests

url = "https://platform.ultralytics.com/api/models/{model_id}/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())

curl -X POST "https://platform.ultralytics.com/api/models/{model_id}/predict" \
  -H "Authorization: Bearer your_api_key" \
  -F "file=@image.jpg"

推論について詳しくはこちらをご覧ください。

本番環境にデプロイする

本番環境での使用のために、モデルを専用のエンドポイントにデプロイします。

1. モデルの Deploy タブ
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（43の地域が利用可能です）
3. The map shows real-time latency measurements with traffic light colors (green < 100ms, yellow < 200ms, red > 200ms)
4. クリック Deploy エンドポイントを作成する

graph LR
    A[Select Region] --> B[Deploy]
    B --> C[Provisioning ~1 min]
    C --> D[Running]
    D --> E{Lifecycle}
    E --> F[Stop]
    E --> G[Delete]
    F --> H[Resume]
    H --> D

エンドポイントは約1分で準備が完了し、以下の機能が利用可能になります。

• ユニークURL: API呼び出し用のHTTPSエンドポイント
• オートスケーリング: トラフィックに応じて自動的にスケールします。
• モニタリング: リクエストメトリクスとログ

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

エンドポイントについて詳しくはこちらをご覧ください。

リモートトレーニング（任意）

ご自身のハードウェアでトレーニングを行うことをお望みなら、APIキーを使用してメトリクスをプラットフォームにストリーミングできます。これはWeights & Biases と同様の仕組みですWeights & Biases どこでもトレーニングを行い、プラットフォーム上で監視できます。

1. APIキーを生成する Settings > Profile (APIキーセクション)
2. 環境変数を設定し、 project/name フォーマット:

export ULTRALYTICS_API_KEY="ul_your_api_key_here"

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について詳しくはこちらをご覧ください。

フィードバック

皆様からのフィードバックを重視しています！フィードバックボタンを使用して、プラットフォームの改善にご協力ください。

ヘルプが必要ですか？

問題が発生した場合やご質問がある場合は、以下をご参照ください。

• ドキュメント: 詳細なガイドについては、これらのドキュメントをご覧ください。
• Discord: 議論のためにDiscordコミュニティにご参加ください。
• GitHub: GitHubで問題を報告してください。

📅 1ヶ月前に作成 ✏️ 6日前に更新

コメント