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。
- プロジェクトに移動します
- 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 - 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：
| 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、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。
- プロジェクトに移動します
- 新しいモデルをクリック
- ベースモデルとデータセットを選択
- トレーニングパラメータを設定する
- 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
- トレーニングを開始する
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]:::start --> B[Overview]:::proc
C[Train]:::start --> B
B --> D[Predict]:::proc
B --> E[Export]:::proc
B --> F[Deploy]:::proc
E --> G[19+ Formats]:::out
F --> H[Endpoint]:::out
classDef start fill:#4CAF50,color:#fff
classDef proc fill:#2196F3,color:#fff
classDef out fill:#9C27B0,color:#fffLink 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。
| タブ | コンテンツ |
|---|---|
| 概要 | モデルのメタデータ、主要メトリクス、データセットへのリンク |
| トレーニング | トレーニングチャート、コンソール出力、システム統計 |
| 推論 (Predict) | ブラウザ内でのインタラクティブな推論 |
| エクスポート | GPU選択によるフォーマット変換 |
| デプロイ | エンドポイントの作成と管理 |
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。
| チャートグループ | メトリクス |
|---|---|
| Metrics | mAP50, mAP50-95, precision, recall |
| トレーニング損失 | train/box_loss, train/cls_loss, train/dfl_loss |
| 検証損失 | val/box_loss, val/cls_loss, val/dfl_loss |
| Learning Rate | lr/pg0, lr/pg1, lr/pg2 |
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。
| メトリクス | 説明 |
|---|---|
| GPU使用率 | GPU使用率（パーセント） |
| GPUメモリ | GPUメモリ使用量 |
| GPU温度 | GPU温度 |
| CPU使用率 | CPU使用率 |
| RAM | システムメモリ使用量 |
| ディスク | ディスク使用量 |
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）
推論タブはUltralytics Cloudで推論を実行するため、ローカルGPUは不要です。結果はモデルのタスクタイプに合わせたインタラクティブなオーバーレイで表示されます。
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：
| 曲線 | 説明 |
|---|---|
| 適合率-再現率（Precision-Recall） | 適合率と再現率のトレードオフ |
| F1スコア-信頼度（F1-Confidence） | 異なる信頼度レベルにおけるF1スコア |
| 精度-信頼度 (Precision-Confidence) | 異なる信頼度レベルにおける精度 |
| 再現率-信頼度 (Recall-Confidence) | 異なる信頼度レベルにおける再現率 |
Link to this section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19種類以上のデプロイ形式にエクスポートします：
- Exportタブに移動します
- ターゲット形式を選択します
- 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
- GPUが必要な形式（TensorRTなど）の場合は、GPUタイプを選択します
- Exportをクリックします
- 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#
本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、LiteRT、TF Edge TPU、PaddlePaddle、NCNN、MNN、RKNN、Qualcomm (QNN)、IMX500、Axelera、ExecuTorch、およびDeepX。
Link to this section形式選択ガイド#
| ターゲット | 推奨形式 | 注意点 |
|---|---|---|
| NVIDIA GPUs | TensorRT | デプロイ先のデバイスと同じGPUファミリーを選択してください。 |
| NVIDIA Jetson | TensorRT | 目的のターゲットを選択し、その検証状況を確認してください。 |
| Intel Hardware | OpenVINO | CPU、GPU、VPU |
| Apple Devices | CoreML または LiteRT | iOS、macOS、Apple Silicon |
| Android | LiteRT または NCNN | LiteRT (Googleのオンデバイスランタイム) または ARM用 NCNN |
| Web Browsers | LiteRT.js または ONNX | LiteRT.js または ONNX Runtime Web経由の ONNX |
| Edge Devices | TF Edge TPUまたはRKNN | CoralおよびRockchip（サポートされているチップを参照） |
| General | ONNX | ほとんどのランタイムで動作 |
Link to this sectionNVIDIA Jetson TensorRTターゲット#
Ultralytics Platformでは、TensorRT .engine エクスポート用に以下のJetsonターゲット選択肢を提供しています。2026年7月時点で、Jetson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。
| ターゲット選択 | API gpuType | メモリ | GPUアーキテクチャ | Python | CUDA | TensorRT | 測定済みのYOLO26n FP16エクスポート | 物理ビルド/ロード検証 |
|---|---|---|---|---|---|---|---|---|
| Jetson Thor T5000 | jetson-thor-t5000 | 128 GB | Blackwell, CC 11.0 | 3.12.3 | 13.2 | 10.16.1.11 | ~1分46秒 | NVIDIA T4000プロファイルでのThor、T5000候補 |
| Jetson Thor T4000 | jetson-thor-t4000 | 64 GB | Blackwell, CC 11.0 | 3.12.3 | 13.2 | 10.16.1.11 | ~1分46秒 | NVIDIA T4000プロファイルでのThor |
| Jetson AGX Orin 64GB | jetson-agx-orin-64gb | 64 GB | Ampere, CC 8.7 | 3.12.3 | 13.2 | 10.16.1.11 | 7分15秒 | AGX Orin 64GBでビルド、ロード、推論済み |
| Jetson AGX Orin 32GB | jetson-agx-orin-32gb | 32 GB | Ampere, CC 8.7 | 3.12.3 | 13.2 | 10.16.1.11 | 5分34秒 | AGX Orin 64GBでビルド/ロード、32GB SKUは保留中 |
| Jetson Orin NX 16GB | jetson-orin-nx-16gb | 16 GB | Ampere, CC 8.7 | 3.12.3 | 13.2 | 10.16.1.11 | 5分09秒 | AGX Orin 64GBでビルド/ロード、NX SKUは保留中 |
| Jetson Orin NX 8GB | jetson-orin-nx-8gb | 8 GB | Ampere, CC 8.7 | 3.12.3 | 13.2 | 10.16.1.11 | 5分01秒 | AGX Orin 64GBでビルド/ロード、NX SKUは保留中 |
| Jetson Orin Nano 8GB Super | jetson-orin-nano-8gb | 8 GB | Ampere, CC 8.7 | 3.12.3 | 13.2 | 10.16.1.11 | 4分59秒 | AGX Orin 64GBでビルド/ロード、Nano SKUは保留中 |
| Jetson Orin Nano 4GB | jetson-orin-nano-4gb | 4 GB | Ampere, CC 8.7 | 3.12.3 | 13.2 | 10.16.1.11 | 5分01秒 | AGX Orin 64GBでビルド/ロード、Nano SKUは保留中 |
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。
ダウンロードされたエンジンは、そのビルドプラットフォーム、GPUファミリ、TensorRTバージョン、および互換性のあるCUDAランタイムに依存します。Jetsonターゲットの場合、ソフトウェアバージョンは上記の表に示されています。各エンジンとそれがデプロイメントデバイスのメモリに適合するかを確認し、最良の結果を得るためにそこでINT8キャリブレーションを実行してください。環境が一致しない場合は、代わりにエンジンをローカルでエクスポートしてください。ローカルデプロイメントの詳細については、NVIDIA Jetson guideおよびTensorRT integration guideを参照してください。
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：
| チップ | 説明 |
|---|---|
| RK3588 | ハイエンドエッジSoC |
| RK3576 | ミッドレンジエッジSoC |
| RK3568 | ミッドレンジエッジSoC |
| RK3566 | ミッドレンジエッジSoC |
| RK3562 | エントリーレベルエッジSoC |
| RV1103 | ビジョンプロセッサ |
| RV1106 | ビジョンプロセッサ |
| RV1103B | ビジョンプロセッサ |
| RV1106B | ビジョンプロセッサ |
| RK2118 | AIプロセッサ |
| RV1126B | ビジョンプロセッサ |
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：
| ステータス | 説明 |
|---|---|
| Queued | エクスポートジョブの待機中 |
| Starting | エクスポートジョブの初期化中 |
| Running | エクスポート実行中 |
| Completed | エクスポート完了 — ダウンロード可能 |
| Failed | エクスポート失敗（エラーメッセージを参照） |
| Cancelled | ユーザーによってキャンセルされました |
エクスポート時間は、フォーマットやビルドホストによって異なります。TensorRTエクスポートは、Jetson検証テーブルに示されている物理GPU、または選択されたクラウドGPU上でTensorRTがプロファイルを生成しエンジンをチューニングするため、数分かかる場合があります。
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：
| 形式 | 制限 |
|---|---|
| IMX500 | YOLOv8nおよびYOLO11nでのみ利用可能 |
| Axelera | 検出モデルのみ |
- 分類モデルのエクスポートにはNMSは含まれません。
- バッチサイズが
1を超えるCoreMLのエクスポートでは、dynamic=trueが使用されます。 - サポートされていない形式とモデルの組み合わせは、起動前のエクスポートダイアログで無効化されます。
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：
- モデルページを開きます
- Cloneボタンをクリックします
- 宛先プロジェクトを選択します
- 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：
- モデルのOverviewタブに移動します
- Downloadボタンをクリックします
- 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=100ul://スキームはPlatformデータセットに解決されます。トレーニング済みモデルの「概要」タブには、このデータセットへのリンクが表示されます（Platformデータセットの使用を参照）。
Link to this section公開設定#
モデルの閲覧権限を制御する：
| 設定 | 説明 |
|---|---|
| Private（プライベート） | 自分のみアクセス可能 |
| Public（パブリック） | Exploreページで誰でも閲覧可能 |
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：
- モデルのアクションメニューを開く
- 削除をクリックする
- 削除を確認します。
削除されたモデルは30日間ゴミ箱に移動します。設定 > ゴミ箱から復元してください。
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：
- 「概要」タブのダウンロードアイコンをクリックする
- 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」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：
- モデルを単一のプロジェクトに複製するか、
- メトリクスをエクスポートして外部で比較します
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。