Link to this sectionModels#

Ultralytics Platformは、YOLOモデルのトレーニング、分析、デプロイを行うための包括的なモデル管理機能を提供します。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できます。

Link to this section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またはモデルサイドバーにアップロードします
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、pose、OBB、classify）
• 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）

Link to this section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
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

詳細については、Cloud Trainingを参照してください。

Link to this sectionモデルのライフサイクル#

graph LR
    A[Upload .pt] --> B[Overview]
    C[Train] --> B
    B --> D[Predict]
    B --> E[Export]
    B --> F[Deploy]
    E --> G[19+ Formats]
    F --> H[Endpoint]

    style A fill:#4CAF50,color:#fff
    style C fill:#FF9800,color:#fff
    style E fill:#2196F3,color:#fff
    style F fill:#9C27B0,color:#fff

Link to this section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。

Link to this section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

Link to this section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。

Link to this section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。

Link to this section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

Link to this section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。

Link to this section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に対応（detect、segment、semantic、pose、OBB、classify）

Link to this sectionエクスポートタブ#

モデルを19種類以上のデプロイ用フォーマットにエクスポートします。詳細は下記Export Modelおよび主要なExportモードガイドを参照してください。

Link to this section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。詳細はDeploymentsを参照してください。

Link to this section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。

Link to this section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：

Link to this sectionPR/F1曲線#

異なる信頼度閾値におけるパフォーマンス曲線：

Link to this sectionモデルのエクスポート#

graph LR
    A[Select Format] --> B[Configure Args]
    B --> C[Export]
    C --> D{GPU Required?}
    D -->|Yes| E[Cloud GPU Export]
    D -->|No| F[CPU Export]
    E --> G[Download]
    F --> G

    style A fill:#2196F3,color:#fff
    style C fill:#FF9800,color:#fff
    style G fill:#4CAF50,color:#fff

モデルを19種類以上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、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. Exportをクリックします
6. 完了後にダウンロードします

Link to this sectionサポートされているフォーマット#

プラットフォームは19種類以上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、TF Lite、TF Edge TPU、TF.js、PaddlePaddle、NCNN、MNN、RKNN、Qualcomm (QNN)、IMX500、Axelera、ExecuTorch、DeepX。

Link to this section形式選択ガイド#

Link to this sectionRKNN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：

Link to this section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：

Link to this section一括エクスポート操作#

• Export All: Export Allをクリックすると、デフォルト設定ですべてのCPUベース形式のエクスポートジョブを開始します。
• Delete All Exports: Delete Allをクリックすると、そのモデルのすべてエクスポートが削除されます。

Link to this section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：

Link to this section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ボタンをクリックします
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。

Link to this section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. 元の.ptファイル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。

Link to this section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形式を使用してPlatformデータセットでトレーニングする場合、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

Link to this section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、ページヘッダーにある可視性バッジ（例：privateや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、これはプロジェクト内のすべてのモデルに適用されます。プライベートへの切り替えは即座に反映されます。パブリックへの切り替えは、適用前に確認ダイアログが表示されます。

Link to this sectionモデルの削除#

不要になったモデルを削除する：

1. モデルのアクションメニューを開く
2. 削除をクリックする
3. 削除を確認する

Link to this section関連項目#

• 推論: 予測タブを使用してブラウザでモデルをテストする
• エンドポイント: 専用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する
• クラウドトレーニング: クラウドGPU上でトレーニングジョブを構成および実行する
• エクスポート形式: 19種類以上の全エクスポート形式に関する詳細ガイド

Link to this sectionよくある質問 (FAQ)#

Link to this section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6つのタスクタイプ（detect, segment, semantic, pose, OBB, classify）をサポートしています。YOLO11とYOLOv8はセマンティックセグメンテーションを除く同じセットをサポートし、YOLOv5はdetect、segment、classifyをサポートしています。

Link to this section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. 元の.ptファイル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

Link to this section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

Link to this sectionモデルの最大サイズはどれくらいですか？#

アップロードされる.ptモデルファイルは1GB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や処理に時間がかかる場合があります。

Link to this section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モデルをベースとして使用するか、トレーニングダイアログのモデルセレクターから自身が完了させたモデルのいずれかを選択できます。Platformは、アップロードされたあらゆるチェックポイントからのファインチューニングをサポートしています。