モデル#

Ultralytics Platformは、YOLOモデルのトレーニング、分析、デプロイのための包括的なモデル管理機能を提供します。事前トレーニング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新しいモデルを直接トレーニングできます。

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. .ptファイルをプロジェクトページまたはモデルサイドバーにドラッグ＆ドロップするか、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件の同時実行）。

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新しいモデルを直接トレーニングします。

1. プロジェクトに移動します
2. New Modelをクリックします
3. ベースモデルとデータセットを選択します
4. トレーニングパラメーターを設定します
5. クラウドまたはローカルトレーニングを選択します
6. トレーニングを開始します

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、次のタブがあります。

モデルヘッダー#

タブの上にあるヘッダーには、モデルの色（編集可能）、名前（クリックして変更）、タスクバッジ、チェックポイントのultralyticsバージョン、ライセンスセレクターが表示されます。アクションには、モデルをクローン（完了済みのモデルで、まだ所有していないウェイトがある場合）、ダウンロード、スター、共有（公開モデルの場合）、およびその他のアクションメニューがあり、そこには情報、更新、モデルを削除が含まれます。

その直下には、タスクメトリクスごとに1枚のカードが表示され、トレーニングの進行状況を示すスパークライン上に最終値が示されます。任意のカードをクリックするとチャートに移動できます。また、モデルのトレーニングに使用されたデータセットへのリンクカードも表示されます。

概要タブ#

実行情報カードには、実行の詳細が記録されます。ステータス、開始時刻、実行時間、GPUと時間単価に基づく計算コスト、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、固定されたデータセットバージョン、実行時に報告されたGitリポジトリ、ブランチ、コミット、およびコピー可能な再現用のyolo trainコマンドが含まれます。

実行中は、このカードに進行状況がリアルタイムで表示されます。エポックカウンター、プログレスバー、経過時間、ETA、累積コスト、およびキャンセルボタンが表示されます。実行に失敗した場合は、キャプチャされたエラーとコンソールログ全体を表示およびトレーニングを再試行のアクションを含むエラーバナーに置き換わります。

その下のトレーニング設定には使用されたすべてのハイパーパラメータが一覧表示され、パフォーマンスメトリクスには最終評価結果が一覧表示されます。どちらのテーブルも検索に対応し、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）を備えています。

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。

Charts サブタブ#

エポックごとのインタラクティブなメトリクスチャートです。実行によって検証アーティファクトが生成された場合は、トレーニングビューと検証ビューに分かれます。チャートグループは、実行で報告されたメトリクスに従います。

各グループは折りたたみ可能で、メニューから個別のチャート（損失の場合はトレーニングまたは検証系列も含む）の表示・非表示を切り替えられます。また、チャートをドラッグしてサイズ変更し、セッション間で保持されるレイアウトに配置できます。

Console 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）
• エポックの進行状況バーと検証結果
• 実行を終了し、メッセージをバナーに表示する致命的エラー検出
• ANSIカラーのサポート、オプションのタイムスタンプ列、プレーンテキストとしてのワンクリックコピー

System サブタブ#

トレーニングインスタンス（ホスト名、CPU、GPU、RAMとディスクの合計容量、最終確認時刻）をまとめたホストカードに続いて、エポックごとのチャートが表示されます。

GPU、ネットワーク、ディスクのチャートは、実行時に該当するカウンターが報告された場合にのみ表示されます。

予測タブ#

ブラウザ上でインタラクティブ推論を直接実行します。

• 画像をアップロードする、サンプル画像を使用する、またはWebカメラを使用する
• 結果には、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が表示されます
• 画像が提供されると自動的に推論します
• すべてのタスクタイプ（detect、segment、semantic、depth、classify、pose、OBB）をサポートします

エクスポートタブ#

モデルを20種類のデプロイ形式にエクスポートできます。詳しくは、以下のモデルのエクスポートと、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#

トレーニングが完了すると、チャートサブタブ内の検証ビューに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です。

PR/F1曲線#

トレーニング実行で提供される場合、Validation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。利用できる検証プロットは、実行によって生成されたアーティファクトによって異なります。

画像ごとの診断#

保存済みデータセットバージョンを使用してトレーニングされた検出モデルでは、画像ごとの検証分析も利用できます。この分析により、期待外れのスコアの原因となったデータを確認できます。

• パフォーマンスが最も低い画像と最も高い画像を、画像ごとのF1で順位付けし、正解ボックスとともに表示します
• 特徴量エクスプローラーでは、F1と画像の幅、高さ、ピクセル数、アスペクト比、インスタンス数の相関を確認できます。デフォルトでは、最も強い関係が選択されます
• 失敗に関連するクラスでは、パフォーマンスが最も低い画像に最も頻繁に現れるクラスを順位付けします
• 類似画像を検索は、最もパフォーマンスの低いギャラリー、単一画像のフルスクリーン表示、およびクラス行で利用でき、取得した失敗例に似た画像を公開データセットから検索し、選択した画像を未ラベルの train 画像としてトレーニングデータセットに追加します（類似画像の検索を参照）。プロジェクトを編集可能で、トレーニングデータセットが同じワークスペースの未接続データセットである場合に表示されます。

モデルをエクスポート#

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種類のデプロイ形式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、dynamicなど）を設定します
4. GPUが必要な形式（TensorRT）では、GPUタイプを選択します
5. Start Exportをクリックします
6. 完了したらダウンロードします

Slackアラートを接続すると、エクスポートの準備が完了したとき、または失敗したときにメッセージを受け取れます。

サポートされているフォーマット#

Platformは20種類のデプロイ形式へのエクスポートをサポートしています。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です。

形式選択ガイド#

NVIDIA Jetson TensorRTターゲット#

Ultralytics Platformでは、TensorRT .engine エクスポート向けに以下のJetsonターゲット選択肢を提供しています。以下の2026年7月の検証測定では、JetPack 7.2 / L4T r39.2、Python 3.12.3、NVIDIA PyTorch 2.12.0a0（26.04ビルド）、CUDA 13.2、TensorRT 10.16.1.11を使用しています。これらはテストされた環境を表すものであり、エクスポートされたエンジンを再利用する前に、現在のワーカーおよびデプロイデバイスのランタイムを確認してください。

記載の所要時間は、2026年7月に実施した単一のエンドツーエンド本番ルーティングテストの結果を最も近い秒に丸めたものであり、参考測定値です。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。Thorの2つの選択肢は、NVIDIAのT4000互換プロファイルに設定したT5000 Developer Kit上で構築されています。Orinの6つのルートはAGX Orin 64GB上で構築され、生成されたすべてのエンジンがロードされて実行されています。

RKNNチップサポート#

RKNN形式にエクスポートする場合は、ターゲットのRockchipデバイスを選択します。

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次のステータスを経て進行します。

一括エクスポート操作#

• すべてエクスポート: Export All をクリックすると、デフォルト設定ですべての CPU ベースのフォーマットのエクスポートジョブが開始されます。GPU の選択が必要なフォーマット、このモデルで利用できないフォーマット、またはすでにエクスポート済みのフォーマットはスキップされ、一覧に表示されます。
• すべてのエクスポートを削除: Delete All をクリックすると、モデルのすべてのエクスポートが削除されます。

フォーマットの制限#

一部のエクスポートフォーマットには、アーキテクチャまたはタスクの制限があります。

プロジェクト間でモデルを移動する#

編集可能なモデルを、コピーせずに同じワークスペースの別のプロジェクトに移動します。

1. ソースプロジェクトを開き、モデルリストで1つ以上のモデルを選択します
2. 右クリックして切り取り (Cmd/Ctrl+X) を選択します
3. 宛先プロジェクトを開き、モデルリストを右クリックして貼り付け (Cmd/Ctrl+V) を選択するか、選択したモデルをサイドバーの宛先プロジェクトにドラッグします

移動されたモデルは、重み、メトリクス、エクスポート、およびデプロイを維持し、宛先プロジェクトのURLを引き継ぎます。URL名が宛先で既に使用されているモデルは到着時に名前が変更され、まだトレーニング中のモデルは移動できず、Esc は保留中の切り取りをキャンセルします。所有していないモデルを自分のプロジェクトのいずれかにコピーするには、モデルのクローンを使用します。

モデルのクローン#

モデルを別のプロジェクトにクローンします。

1. モデルページを開きます
2. モデルをクローン をクリックします
3. 移行先のプロジェクトを選択するか、新しいプロジェクト を選択してその場で作成します
4. 必要に応じて、クローンに別の名前を付けます
5. モデルをクローン をクリックします

モデルとそのウェightsが対象プロジェクトにコピーされます。モデルをクローン は、完了済みで、まだ自分が所有していないウェightsを持つモデルに表示されます。

モデルのダウンロード#

モデルのウェightsをダウンロードします。

1. モデルの 概要 タブに移動します
2. ダウンロード ボタンをクリックします
3. モデルのプライマリ .pt チェックポイントが自動的にダウンロードされます

エクスポート済みのフォーマットは、エクスポート完了後に エクスポート タブからダウンロードできます。

データセットのリンク#

モデルを元のデータセットにリンクできます。

• トレーニングに使用したデータセットを確認します
• 概要タブでデータセットカードをクリックして移動します
• データの系譜を追跡します

ul:// URI フォーマット を使用してPlatformのデータセットでトレーニングすると、リンクが自動的に作成されます。

# 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#

More actions を開き、Information を選択して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、読み取り専用の Platform 詳細情報です
• 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データに使用する独自の JSON オブジェクトです

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、トレーニング引数とは別に管理されます。ワークスペース閲覧者は確認でき、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られます。シリアライズされたメタデータオブジェクトは500,000文字に制限され、各トップレベルキーは128文字に制限されます。空のオブジェクト（{}）を保存すると、カスタムメタデータが消去されます。

公開設定#

モデルを表示できるユーザーを制御します。

公開範囲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に適用されます。変更するには、ページ上部のパンくずリストで、プロジェクト名の横にある公開範囲バッジ（private または public）をクリックしてください。非公開への切り替えは直ちに反映されます。公開への切り替えでは、適用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します。

1. モデルヘッダーの その他の操作 メニューを開き、モデルを削除 を選択します
2. 削除を確定します

関連項目#

• 推論: Predictタブでブラウザ上でモデルをテストします
• エンドポイント: 専用エンドポイントで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を設定して実行します
• エクスポートフォーマット: 20種類すべてのエクスポートフォーマットに関する完全ガイドです

FAQ#