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。

概要タブ#

モデルのメタデータと主要メトリクスを表示します。

• モデル名（編集可能）、ステータスバッジ、タスクタイプ
• 最終メトリクス（mAP50、mAP50-95、精度、再現率）
• トレーニングの進行状況を示すメトリクススパークラインチャート
• トレーニング引数（エポック数、バッチサイズ、画像サイズなど）
• データセットへのリンク（プラットフォームデータセットでトレーニングされた場合）
• モデルウェイトのダウンロードボタン

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#

損失曲線やエポックごとのパフォーマンスメトリクスを表示するインタラクティブなトレーニングメトリクスチャート。

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
• エポックの進捗バーと検証結果
• 強調表示されたエラーバナーによるエラー検出
• フォーマットされた出力のためのANSIカラーサポート

システムサブタブ#

トレーニング中のGPUおよびシステムメトリクス。

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、詳細な検証分析を確認できます。

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#

トレーニングランで提供されている場合、Validation サブタブには異なる信頼度しきい値におけるパフォーマンス曲線も表示されます。利用可能なバリデーションプロットは、ランによって生成された成果物に依存します。

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では、TensorRTの.engineエクスポートにおいて以下のJetsonターゲット選択肢を提供しています。2026年7月の時点で、Jetsonのエクスポートワーカーはエクスポートコンテナ内で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を使用しています。

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: デフォルト設定でCPUベースのすべてのフォーマットのエクスポートジョブを開始するには、Export Allをクリックします。
• 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します
4. 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：

可視性を変更するには、ページヘッダーの可視性バッジ（例：privateまたはpublic）をクリックします。可視性はプロジェクトレベルで設定されるため、これによりプロジェクト内のすべてのモデルが制御されます。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. モデルヘッダーにある Delete model のごみ箱アイコンをクリックします
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)#

どのモデルアーキテクチャがサポートされていますか？#

Ultralytics Platformは、専用プロジェクトで以下のすべてのYOLOアーキテクチャを完全にサポートしています：

• YOLO26: n、s、m、l、xバリアント（最新、推奨）— platform.ultralytics.com/ultralytics/yolo26
• YOLO11: n、s、m、l、xバリアント — platform.ultralytics.com/ultralytics/yolo11
• YOLOv8: n、s、m、l、xバリアント — platform.ultralytics.com/ultralytics/yolov8
• YOLOv5: n、s、m、l、xバリアント — platform.ultralytics.com/ultralytics/yolov5

YOLO26は、detect、segment、semantic、depth、classify、pose、OBBの7つのタスクタイプをサポートしています。YOLO11およびYOLOv8はセマンティックセグメンテーションと深度を除く同じセットをサポートし、YOLOv5はdetect、segment、およびclassifyをサポートします。

トレーニング済みモデルをダウンロードできますか？#

はい、モデルページからモデルの重みをダウンロードできます：

1. 「概要」タブのダウンロードアイコンをクリックする
2. 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
3. エクスポートされた形式は「エクスポート」タブからダウンロードできます

プロジェクト間でモデルを比較するにはどうすればよいですか？#

現在、モデルの比較はプロジェクト内で行われます。プロジェクト間で比較するには：

1. モデルを単一のプロジェクトに複製するか、
2. メトリクスをエクスポートして外部で比較します

モデルの最大サイズはどれくらいですか？#

アップロードされた.ptモデルファイルは1 GBに制限されており、その制限に近いモデルはアップロードと処理に時間がかかる場合があります。

事前学習済みモデルをファインチューニングできますか？#

はい。公式の YOLO26、YOLO11、YOLOv8、または YOLOv5 プロジェクトから互換性のあるモデルを選択するか、トレーニングダイアログの My Models から自分で完了またはアップロードしたチェックポイントのいずれかを選択してください。