モデル#

Ultralytics Platformは、YOLOモデルのトレーニング、分析、デプロイに対応した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、Platform上で直接新しいモデルをトレーニングできます。

モデルをアップロード#

既存のモデルの重みをPlatform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、Upload models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（同時アップロードは最大3件です）。

対応しているモデル形式：

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（検出、セグメント、セマンティック、深度、分類、姿勢、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ー
• 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#

Platform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. 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. クラウドトレーニング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

詳しい手順については、クラウドトレーニングをご覧ください。

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[22 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。操作メニューには、モデルをクローン（重みを持つ完成済みモデルのうち、まだ所有していないものが対象）、ダウンロード、スター、共有（公開モデル）、および情報、更新、モデルを削除を含むその他の操作メニューがあります。

そのすぐ下には、タスクのメトリクスごとにカードが表示され、トレーニングの推移を示すスパークラインと最終値が確認できます。カードをクリックするとチャートに移動します。また、モデルのトレーニングに使用したデータセットへのリンクを含むカードも表示されます。

概要タブ#

Run Informationカードには、実行の状況が記録されます。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のバージョン、Gitリポジトリ、実行から報告された場合のブランチとコミット、コピーして再現可能な yolo train コマンドが含まれます。

実行中は、エポック数、進捗バー、経過時間、ETA、累積コストなどの進捗状況がカードにリアルタイムで表示され、Cancelボタンも表示されます。実行に失敗すると、エラーバナーに切り替わり、取得したエラーとView full console logsおよびRetry Trainingの操作が表示されます。

その下には、使用したすべてのハイパーパラメーターを示すTraining Configurationと、最終評価結果を示すPerformance Metricsが表示されます。どちらのテーブルも検索に対応しており、Export data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）を利用できます。

トレーニングタブ#

トレーニングタブには、次の3つのサブタブがあります。

チャートサブタブ#

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。実行で検証アーティファクトが生成された場合は、TrainingビューとValidationビューに分かれます。チャートのグループは、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むことができ、メニューでは個々のチャート（損失の場合はトレーニング系列または検証系列）を表示または非表示にできます。また、チャートをドラッグしてサイズを変更し、セッション間で保持されるレイアウトに配置できます。

コンソールサブタブ#

トレーニングプロセスのライブコンソール出力です。

• トレーニング中のリアルタイムログストリーミング。直近の2000行を保持します
• エポックの進行状況バーと検証結果
• 致命的なエラーを検出すると実行を終了し、バナーにメッセージを表示します
• ANSIカラーのサポート、オプションのタイムスタンプ列、ワンクリックでのプレーンテキストコピー

システムサブタブ#

トレーニングインスタンスの概要（ホスト名、CPU、GPU、RAMとディスクの合計容量、最終確認時刻）を示すホストカードと、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、実行で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。

Predictタブ#

ブラウザー上でインタラクティブな推論を直接実行できます。

• 画像をアップロードする、サンプル画像を使う、またはWebカメラを使う
• 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
• 画像を指定すると自動で推論します
• すべてのタスクタイプ（検出、セグメンテーション、セマンティック、深度、分類、姿勢推定、OBB）をサポートします

Exportタブ#

モデルを22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、コアとなるエクスポートモードガイドを参照してください。

Deployタブ#

専用の推論エンドポイントを作成および管理できます。詳しくはデプロイメントをご覧ください。

検証プロット#

トレーニング完了後、Chartsサブタブ内のValidation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曲線が生成された場合、Validationビューには、信頼度しきい値ごとの性能曲線も表示されます。利用できる検証プロットは、実行で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ってトレーニングした検出モデルでは、画像ごとの検証分析も利用できます。期待外れのスコアの原因となったデータを特定できます。

• 最も性能の低い画像と最も高い画像。画像ごとのF1で順位付けし、正解ボックスを描画します
• 特徴量エクスプローラー。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調べます。最も強い関係がデフォルトで選択されます
• 失敗に関連するクラス。性能が最も低い画像に頻出するクラスを順位付けします
• 類似画像を検索。性能が最も低い画像のギャラリー、全画面表示での個別画像、クラスの行から利用できます。公開データセット、自分のデータセット、チームのデータセットを検索して、記録された失敗画像に似た画像を探します。選択した画像は、ラベルなしのtrain画像としてトレーニングデータセットに追加されます（類似画像の検索を参照）。プロジェクトを編集でき、トレーニングデータセットが同じワークスペース内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

モデルを次の22種類のデプロイ形式にエクスポートできます。

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、精度、動的設定など）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. エクスポートを開始をクリックします
6. 完了したらダウンロードします

エクスポートの準備完了時または失敗時にメッセージを受け取るには、Slackアラートを接続します。

サポートされている形式#

Platformは22種類のデプロイ形式へのエクスポートに対応しています。TorchScript、ONNX、OpenVINO、TensorRT、CoreML、Apple Core AI、TF SavedModel、TF GraphDef、TF Edge TPU、LiteRT、PaddlePaddle、MNN、NCNN、IMX500、RKNN、ExecuTorch、Axelera、DeepX、Qualcomm（QNN）、Hailo、Huawei Ascend、AMD Xilinxです。

形式の選択ガイド#

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ターゲットを選択できます。以下の2026年7月の検証測定には、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を使用しました。これらの測定値はテスト済みの環境を示すものです。エクスポート済みエンジンを再利用する前に、現在のワーカーとデプロイ先デバイスのランタイムを確認してください。

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の本番ルーティングテストで観測された値を秒単位に四捨五入したものです。参考値であり、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。Thorの2つの構成は、NVIDIAのT4000互換プロファイルを使用し、T5000 Developer Kitでビルドしています。Orinの6つのルートはAGX Orin 64GBでビルドし、生成されたすべてのエンジンを読み込んで実行しています。

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: Export Allをクリックすると、デフォルト設定でCPUベースのすべての形式のエクスポートジョブが開始されます。GPUの選択が必要な形式、このモデルで利用できない形式、またはすでにエクスポート済みの形式はスキップされ、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、そのモデルのすべてのエクスポートが削除されます。

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。

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内の別のプロジェクトに移動できます。

1. ソースプロジェクトを開き、モデル一覧から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. 移動先のプロジェクトを開き、モデル一覧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移動先プロジェクトにドラッグします

移動したモデルは、重み、メトリクス、エクスポート、デプロイメントを保持し、移動先プロジェクトのURLを使用します。移動先で同じURL名がすでに使用されている場合、移動したモデルの名前が変更されます。トレーニング中のモデルは移動できません。また、Escを実行すると、保留中の切り取りがキャンセルされます。所有していないモデルを自分のプロジェクトにコピーするには、モデルをクローンを使用してください。

モデルをクローン#

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. 移動先のプロジェクトを選択するか、新規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

モデルとその重みがターゲットプロジェクトにコピーされます。重みをまだ所有していない場合、トレーニングが完了したモデルにモデルをクローンが表示されます。

モデルをダウンロード#

モデルの重みをダウンロードします:

1. モデルページを開きます
2. モデルヘッダーのダウンロードアイコンをクリックします（どのタブからでも利用できます）
3. モデルのプライマリ .pt チェックポイントは自動的にダウンロードされます

エクスポート形式は、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#

モデルは、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確認します
• Overviewタブの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形式を使用してPlatformデータセットでトレーニングすると、リンクは自動的に設定されます。

# 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#

その他のアクションを開き、情報を選択すると、次の2つのセクションを確認できます:

• Ultralytics Metadata: 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情報
• Custom Metadata: 評価のコンテキスト、リリースの追跡、ガバナンス、その他モデル固有のデータに使用する独自のJSONオブジェクト

カスタムメタデータは、トレーニングが管理するモデル情報、環境の詳細、トレーニング引数とは別に保存されます。ワークスペースの閲覧者は内容を確認でき、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文字まで、各トップレベルキーは128文字までです。空のオブジェクト（{}）を保存すると、カスタムメタデータがクリアされます。

公開範囲の設定#

モデルを閲覧できるユーザーを制御します:

公開設定はプロジェクトレベルで適用されるため、プロジェクト内のすべてのモデルに影響します。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設定バッジ（privateまたはpublic）をクリックします。非公開への切り替えはすぐに適用されます。公開への切り替え時は、適用前に確認ダイアログが表示されます。

モデルを削除#

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アクションメニューを開き、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タブでブラウザー上から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を設定して実行します
• エクスポート形式：22種類すべてのエクスポート形式に関する完全ガイド

よくある質問#