モデル
Ultralytics Platformは、YOLOモデルの学習、分析、デプロイのための包括的なモデル管理を提供します。事前学習済みモデルをアップロードするか、Platform上で直接新しいモデルを学習させることができます。
モデルのアップロード
既存のモデルウェイトをPlatformにアップロードする：
- プロジェクトに移動します。
- モデルをアップロードをクリック
- お使いの
.ptファイル - 名前と説明を追加
- アップロードをクリックします
対応モデルフォーマット：
| 形式 | 拡張子 | 説明 |
|---|---|---|
| PyTorch | .pt | ネイティブUltralyticsフォーマット |
アップロード後、Platformはモデルのメタデータを解析します：
- タスクタイプ (detect, segment, pose, obb, classify)
- アーキテクチャ（YOLO26n、YOLO26sなど）
- クラス名と数
- 入力サイズとパラメータ
モデルのトレーニング
Platform上で直接新しいモデルを学習させる：
- プロジェクトに移動します。
- モデルをトレーニングをクリックします
- データセットを選択
- ベースモデルを選択
- トレーニングパラメータを設定します。
- 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。
モデル概要
各モデルページには以下が表示されます:
| セクション | コンテンツ |
|---|---|
| 概要 | モデルのメタデータ、タスクタイプ、アーキテクチャ |
| メトリクス | トレーニング損失とパフォーマンスチャート |
| プロット | 混同行列、PR曲線、F1曲線 |
| テスト | インタラクティブな推論テスト |
| デプロイ | エンドポイントの作成と管理 |
| エクスポート | フォーマット変換とダウンロード |
学習メトリクス
リアルタイムおよび履歴のトレーニングメトリクスを表示:
損失曲線
| 損失 | 説明 |
|---|---|
| ボックス | バウンディングボックス回帰損失 |
| クラス | 分類損失 |
| DFL | 分布焦点損失 |
パフォーマンス指標
| メトリック | 説明 |
|---|---|
| mAP50 | IoU 0.50における平均適合率 |
| mAP50-95 | IoU 0.50-0.95における平均適合率 |
| 適合率 | 正しく陽性と予測された割合 |
| 再現率 | 実際に陽性であると識別された割合 |
検証プロット
トレーニング完了後、詳細な検証分析を表示:
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
異なる信頼度しきい値でのパフォーマンス曲線:
| 曲線 | 説明 |
|---|---|
| 適合率-再現率 | 適合率と再現率の間のトレードオフ |
| F1-信頼度 | 異なる信頼度レベルでのF1スコア |
| 精度-信頼度 | 異なる信頼度レベルでの精度 |
| 再現率-信頼度 | 異なる信頼度レベルでの再現率 |
モデルのエクスポート
モデルを17種類のデプロイメント形式にエクスポート:
- エクスポートタブに移動します
- ターゲット形式を選択
- エクスポートをクリック
- 完了したらダウンロード
対応フォーマット（合計17種類）
| # | 形式 | ファイル拡張子 | ユースケース |
|---|---|---|---|
| 1 | ONNX | .onnx | クロスプラットフォーム、ウェブ、ほとんどのランタイム |
| 2 | TorchScript | .torchscript | PythonなしでPyTorch |
| 3 | OpenVINO | .xml, .bin | Intel 、GPU、VPU |
| 4 | TensorRT | .engine | NVIDIA （最速推論） |
| 5 | CoreML | .mlpackage | AppleiOS、macOS、watchOS |
| 6 | TF Lite | .tflite | モバイル（Android、iOS）、エッジ |
| 7 | TF SavedModel | saved_model/ | TensorFlow |
| 8 | TF GraphDef | .pb | TensorFlow .x |
| 9 | TF Edge TPU | .tflite | Google デバイス |
| 10 | TF.js | .json, .bin | ブラウザの推測 |
| 11 | PaddlePaddle | .pdmodel | 百度PaddlePaddlePaddle |
| 12 | NCNN | .param, .bin | モバイル（iOS）、最適化済み |
| 13 | MNN | .mnn | アリババモバイルランタイム |
| 14 | RKNN | .rknn | ロックチップNPU |
| 15 | IMX500 | .imx | ソニー IMX500 センサー |
| 16 | Axelera | .axelera | アクセレラAIアクセラレータ |
フォーマット選択ガイド
NVIDIA の場合:TensorRT で最高速度を実現
Intel の場合:OpenVINOIntel 、GPU、および VPU 向けに
Appleデバイス向け:CoreMLiOS、macOS、Apple Silicon向け
Androidの場合： TF または NCNN を使用すると最高のパフォーマンスが得られます
Webブラウザの場合： TF.jsまたは ONNX (ONNX Web を使用)
エッジデバイス向け:CoralにはTF TPU、RockchipにはRKNNを使用する
汎用互換性のため：ONNX — ほとんどの推論ランタイムで動作します
エクスポート時間
エクスポート時間は形式によって異なります。TensorRTのエクスポートは、エンジン最適化のため数分かかる場合があります。
データセットのリンク
モデルは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されたデータセットを表示
- モデルページからデータセットにアクセス
- trackデータリネージ
プラットフォームデータセットを使用してトレーニングする場合 ul:// URI形式、リンクは自動的に行われます。
表示設定
モデルの公開範囲を制御します。
| 設定 | 説明 |
|---|---|
| プライベート | あなたのみがアクセス可能 |
| パブリック | Exploreページで誰でも閲覧可能 |
表示設定を変更するには:
- モデルアクションメニューを開く
- 編集をクリック
- 公開設定を切り替える
- 保存をクリック
モデルの削除
不要になったモデルを削除します。
- モデルアクションメニューを開く
- 削除をクリックします
- 削除を確認
ゴミ箱と復元
削除されたモデルは30日間ゴミ箱に移動します。設定 > ゴミ箱から復元できます。
よくある質問
どのような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、すべてのYOLOアーキテクチャをサポートしています：
- YOLO26: n、s、m、l、x バリエーション（推奨）
- YOLO11: n、s、m、l、xバリアント
- YOLOv10: レガシーサポート
- YOLOv8: レガシーサポート
- YOLOv5: レガシーサポート
学習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：
- ダウンロードアイコンをクリックします。
- フォーマットを選択します（オリジナル
.ptまたはエクスポート済み） - ダウンロードが自動的に開始されます。
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：
- モデルを単一のプロジェクトに転送するか、
- メトリクスをエクスポートして外部で比較します。
最大モデルサイズはどのくらいですか？
厳密な制限はありませんが、非常に大きなモデル（2GB超）の場合、アップロードと処理に時間がかかることがあります。
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！学習済みモデルをアップロードし、そのチェックポイントからご自身のデータセットで学習を開始できます。プラットフォームはアップロードされたモデルを自動的に開始点として使用します。
