Models#

Ultralytics Platformは、YOLOモデルのトレーニング、分析、およびデプロイメントのための包括的なモデル管理機能を提供します。事前学習済みモデルをアップロードするか、プラットフォーム上で直接新しいモデルをトレーニングします。

モデルをアップロード#

既存のモデルウェイトをプラットフォームにアップロードします。

1. プロジェクトに移動します
2. ドラッグ＆ドロップで.ptファイルをプロジェクトページやモデルのサイドバーに配置するか、モデルをアップロードアイコンをクリックします
3. モデルのメタデータはファイルから自動的に解析されます

複数のファイルを同時にアップロードできます（最大3つまで並行処理可能）。

サポートされているモデルフォーマット:

アップロード後、プラットフォームはモデルのメタデータを解析します。

• タスクタイプ (detect、segment、semantic、depth、classify、pose、OBB)
• アーキテクチャ（YOLO26n、YOLO26sなど）
• クラス名とクラス数
• 入力サイズとパラメータ
• トレーニング結果とメトリクス（チェックポイントに含まれている場合）

モデルをトレーニング#

プラットフォーム上で直接新しいモデルをトレーニングします。

1. プロジェクトに移動します
2. 新しいモデルをクリック
3. ベースモデルとデータセットを選択
4. トレーニングパラメータを設定する
5. クラウドトレーニングまたはローカルトレーニングを選択
6. トレーニングを開始する

詳細な手順については、クラウドトレーニングを参照してください。

モデルのライフサイクル#

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

モデルページのタブ#

各モデルページには以下のタブがあります。

モデルヘッダー#

タブの上に、ヘッダーにはモデルの色（編集可能）、名前（クリックして名前を変更）、タスクバッジ、チェックポイントの ultralytics バージョン、および ライセンス セレクターが表示されます。そのアクションには、モデルをクローン（すでに所有していない重みを持つ完了したモデルの場合）、ダウンロード、スター、共有（公開モデル）、および 情報、更新、モデルを削除 を含む その他のアクション メニューがあります。

すぐ下に、トレーニングの進行状況のスパークラインに対する最終値を示すタスクメトリックごとの1つのカード（カードをクリックしてチャートにジャンプ）と、モデルのトレーニングに使用されたデータセットをリンクするカードが並んで表示されます。

概要タブ#

実行情報 カードには、実行がどのように行われたかが記録されます：ステータス、開始時刻、実行時間、GPUと時間当たりレートによる計算コスト、ultralytics バージョン、ホストの詳細（ホスト名、環境、OS、Python、CPU、GPU）、親モデル、ピン留めされたデータセットのバージョン、Gitリポジトリ、実行が報告したときのブランチとコミット、およびコピーできる再現可能な yolo train コマンド。

実行がアクティブな間、カードにはライブの進捗状況（エポックカウンター、プログレスバー、経過時間、ETA、発生したコスト）と キャンセル ボタンが表示されます。実行が失敗した場合、エラーバナーがそれを置き換え、キャプチャされたエラー、完全なコンソールログを表示、および トレーニングを再試行 アクションが表示されます。

その下にある トレーニング構成 には使用されたすべてのハイパーパラメータがリストされ、パフォーマンスメトリック には最終的な評価結果がリストされます。両方のテーブルは検索可能であり、データをエクスポート メニュー（JSONをコピー、CSVをダウンロード、JSONをダウンロード）があります。

トレーニングタブ#

トレーニングタブには3つのサブタブがあります。

チャートサブタブ#

エポックにわたるインタラクティブなメトリックチャート。実行によって検証成果物が生成された場合は、トレーニング と 検証 のビューに分割されます。チャートグループは、実行が報告したメトリックに従います：

各グループは折りたたむことができ、そのメニューで個々のチャート（損失の場合はトレーニングまたは検証のシリーズ）の非表示や表示を切り替えることができ、チャートはドラッグしてセッション間で保持されるレイアウトにサイズ変更できます。

コンソールサブタブ#

トレーニングプロセスからのライブコンソール出力。

• トレーニング中のリアルタイムログストリーミング、最後の2000行を保持
• エポックの進捗バーと検証結果
• 実行を終了し、バナーにメッセージを表示する致命的なエラーの検出
• ANSIカラーのサポート、オプションのタイムスタンプ列、およびプレーンテキストとしてのワンクリックコピー

システムサブタブ#

トレーニングインスタンスを要約するホストカード（ホスト名、CPU、GPU、RAMとディスクの合計、および最後に確認された日時）、その後にエポックごとのチャートが続きます：

GPU、ネットワーク、およびディスクのチャートは、実行がそれらのカウンターを報告した場合にのみ表示されます。

推論タブ#

ブラウザ上で直接インタラクティブな推論を実行します。

• 画像をアップロード、サンプル画像を使用、またはWebカメラを使用
• バウンディングボックス、マスク、セマンティッククラスマップ、またはキーポイントを表示する結果
• 画像が提供された際の自動推論
• すべてのタスクタイプをサポートしています (detect、segment、semantic、depth、classify、pose、OBB)

エクスポートタブ#

モデルを20種類のデプロイメントフォーマットにエクスポートします。詳細については、以下のモデルのエクスポートおよびコアのエクスポートモードガイドを参照してください。

デプロイタブ#

専用の推論エンドポイントを作成および管理します。詳細については、デプロイメントを参照してください。

検証プロット#

トレーニング完了後、Chartsサブタブ内の 検証 ビューには、最終エポックの詳細な分析が表示されます。

混同行列#

クラスごとの予測精度を示すインタラクティブなヒートマップ：

PR/F1曲線#

トレーニング実行によって提供される場合、検証 ビューにはさまざまな信頼度しきい値でのパフォーマンス曲線も表示されます。利用可能な検証プロットは、実行によって生成された成果物によって異なります。

画像ごとの診断#

保存されたデータセットのバージョン でトレーニングされた検出モデルには、画像ごとの検証分析も取得され、期待外れのスコアの背後にあるデータが指摘されます：

• ワーストおよびベストパフォーマンスの画像。画像ごとのF1でランク付けされ、正解（グラウンド・トゥルース）ボックスとともに描画されます。
• 特性エクスプローラー。F1と画像幅、高さ、ピクセル数、アスペクト比、インスタンス数を相関させ、デフォルトで最も強い関係が選択されます。
• 失敗に関連するクラス。最も弱い画像に最も頻繁に出現するクラスをランク付けします。

モデルのエクスポート#

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

モデルを20種類のデプロイフォーマットにエクスポートします：

1. Exportタブに移動します
2. ターゲット形式を選択します
3. エクスポート引数（画像サイズ、半精度、動的など）を設定します
4. GPUが必要な形式（TensorRTなど）の場合は、GPUタイプを選択します
5. Start Export をクリックします
6. 完了後にダウンロードします

Slackアラートを接続して、エクスポートの準備が完了したときや失敗したときにメッセージを受信します。

サポートされているフォーマット#

Platformは、20種類のデプロイメントフォーマット（ONNX、TorchScript、OpenVINO、TensorRT、CoreML、TF SavedModel、TF GraphDef、LiteRT、TF Edge TPU、PaddlePaddle、NCNN、MNN、RKNN、Qualcomm (QNN)、IMX500、Axelera、ExecuTorch、DeepX、Hailo、Huawei Ascend）へのエクスポートをサポートしています。

形式選択ガイド#

NVIDIA Jetson TensorRTターゲット#

Ultralytics Platformは、TensorRT .engine エクスポート向けに以下のJetsonターゲット選択を提供します。2026年7月時点で、Jetson TensorRTエクスポートはJetPack 7.2 / L4T r39.2、Python 3.12.3、NVIDIA PyTorch 2.12.0a0（26.04ビルド）、CUDA 13.2、およびTensorRT 10.16.1.11でビルドされています。

このタイミングは、2026年7月に行われた単一の観測によるエンドツーエンドのプロダクションルーティングテストの結果であり、秒単位で四捨五入されています。これらは参照測定値であり、SLAやSKUごとのパフォーマンスベンチマークではありません。両方のThorセレクションは、NVIDIAのT4000互換性プロファイルにおけるT5000 Developer Kit上で構築されています。6つのOrinルートはAGX Orin 64GB上で構築されており、その際、生成されたすべてのエンジンがロードおよび実行されました。

RKNNチップのサポート#

RKNN形式にエクスポートする際は、ターゲットのRockchipデバイスを選択してください：

エクスポートジョブのライフサイクル#

エクスポートジョブは以下のステータスで進行します：

一括エクスポート操作#

• すべてエクスポート: Export All をクリックして、デフォルト設定ですべてのCPUベース形式のエクスポートジョブを開始します。GPU選択が必要な形式、このモデルで使用できない形式、またはすでにエクスポートが存在する形式はスキップされ、リストに表示されます。
• すべてのエクスポートを削除: モデルのすべてのエクスポートを削除するには、Delete Allをクリックします。

形式の制限#

一部のエクスポート形式には、アーキテクチャまたはタスクに関する制限があります：

モデルをクローンする#

モデルを別のプロジェクトに複製する：

1. モデルページを開きます
2. Clone Model をクリックします
3. 宛先プロジェクトを選択するか、新しいプロジェクト を選択してインラインで作成します
4. オプションでクローンに別の名前を付けます
5. Clone Model をクリックします

モデルとその重みがターゲットプロジェクトにコピーされます。モデルをクローン は、すでに所有していない重みを持つ完了したモデルに表示されます。

モデルをダウンロードする#

モデルの重みをダウンロードする：

1. モデルのOverviewタブに移動します
2. Downloadボタンをクリックします
3. モデルの主要な.ptチェックポイントが自動的にダウンロードされます

エクスポートされた形式は、エクスポート完了後にExportタブからダウンロードできます。

データセットのリンク#

モデルをそのソースデータセットにリンクできます：

• トレーニングに使用されたデータセットを表示します
• Overviewタブにあるデータセットカードをクリックして、データセットに移動します
• データ系統を追跡する

ul:// URIフォーマットを使用してPlatformデータセットでトレーニングを行う場合、リンク付けは自動的に行われます。

# Train with a Platform dataset — linking is automatic
yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100

カスタムメタデータ#

その他のアクションを開き、情報を選択して、次の2つのセクションを確認します。

• Ultralyticsメタデータ: モデルID、プロジェクト、ソースデータセット、タスク、ステータス、タイムスタンプなどの読み取り専用のPlatform詳細
• カスタムメタデータ: 評価コンテキスト、リリース追跡、ガバナンス、その他のモデル固有のデータのための独自のJSONオブジェクト

カスタムメタデータは、トレーニングが所有するモデル情報、環境の詳細、およびトレーニング引数とは別個のものです。ワークスペースの閲覧者はこれを検査でき、編集アクセス権を持つメンバーはオブジェクトを置き換えることができます。シリアル化されたメタデータオブジェクトは500,000文字に制限されており、各トップレベルキーは128文字に制限されています。カスタムメタデータをクリアするには、空のオブジェクト（{}）を保存してください。

公開設定#

モデルの閲覧権限を制御する：

可視性はプロジェクトレベルで設定されるため、プロジェクト内のすべてのモデルを制御します。変更するには、ページ上部のパンくずリストにあるプロジェクト名の横にある可視性バッジ（private または public）をクリックします。プライベートへの切り替えは即座に有効になります。パブリックへの切り替えは、適用する前に確認ダイアログが表示されます。

モデルの削除#

不要になったモデルを削除する：

1. モデルヘッダーの その他のアクション メニューを開き、モデルを削除 を選択します
2. 削除を確認します。

関連項目#

• 推論: Predictタブを使用してブラウザでモデルをテストします
• エンドポイント: 専用のエンドポイントを使用してモデルを本番環境にデプロイします
• クラウドトレーニング: クラウドGPUでトレーニングジョブの設定と実行を行います
• エクスポートフォーマット: 20種類のエクスポートフォーマットすべての完全なガイド

よくある質問 (FAQ)#