Cloud-Training

Ultralytics Platform Cloud-Training bietet Training mit einem Klick auf Cloud-GPUs, wodurch das Modelltraining ohne komplexe Einrichtung zugänglich wird. Trainieren Sie YOLO-Modelle mit Echtzeit-Metrik-Streaming und automatischer Checkpoint-Speicherung.

graph LR
    A[Configure] --> B[Start Training]
    B --> C[Provision GPU]
    C --> D[Download Dataset]
    D --> E[Train]
    E --> F[Stream Metrics]
    F --> G[Save Checkpoints]
    G --> H[Complete]

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

Schulungsdialog

Starten Sie das Training über die Plattform-Benutzeroberfläche, indem Sie auf einer beliebigen Projektseite auf „Neues Modell “ klicken (oder auf einer Datensatzseite auf „Trainieren“ ). Der Trainingsdialog verfügt über zwei Registerkarten: „Cloud-Training “ und „Lokales Training“.

Schritt 1: Basismodell auswählen

Wählen Sie aus offiziellen YOLO26-Modellen oder Ihren eigenen trainierten Modellen:

Offizielle Modelle sind nach Aufgabentyp (Erkennen, Segmentieren, Pose, OBB, Klassifizieren) mit Größen von Nano bis XL organisiert.

Schritt 2: Datensatz auswählen

Wählen Sie einen Datensatz zum Trainieren (siehe Datensätze):

Schritt 3: Parameter konfigurieren

Kern-Trainingsparameter festlegen:

Schritt 4: Erweiterte Einstellungen (optional)

Erweitern Sie die erweiterten Einstellungen, um auf den vollständigen YAML-basierten Parametereditor mit über 40 nach Gruppen geordneten Trainingsparametern zuzugreifen (siehe Konfigurationsreferenz):

Parameter sind aufgabenbezogen (z. B. copy_paste nur für segment anzeigen, pose/kobj nur für Posenaufgaben). A Geändert Ein Badge erscheint, wenn Werte von den Standardeinstellungen abweichen, und Sie können alle mit der Reset-Taste auf die Standardwerte zurücksetzen.

mosaic: 1.0       # Keep mosaic on
mixup: 0.3        # Add mixup blending
copy_paste: 0.3   # Add copy-paste (segment only)
fliplr: 0.5       # Horizontal flip
degrees: 10.0     # Slight rotation
scale: 0.9        # Aggressive scaling

Schritt 5: GPU auswählen GPU Registerkarte „Cloud“)

Wählen Sie Ihre GPU aus der Ultralytics Cloud:

Der Dialog zeigt Ihren aktuellen Kontostand und eine Schaltfläche „Aufladen“ an. Die geschätzten Kosten und die Dauer werden auf Grundlage Ihrer Konfiguration (Modellgröße, Datensatzbilder, Epochen, GPU ) berechnet.

Schritt 6: Mit dem Training beginnen

Klicken Sie auf Training starten, um Ihren Job zu starten. Die Plattform:

1. Stellt eine GPU-Instanz bereit
2. Lädt Ihren Datensatz herunter
3. Beginnt das Training
4. Streamt Metriken in Echtzeit

Ausbildungsjob-Lebenszyklus

Schulungsaufträge durchlaufen die folgenden Status:

Training überwachen

Zeigen Sie den Trainingsfortschritt in Echtzeit auf der Registerkarte „Trainieren“ der Modellseite an:

Diagramm-Unterregisterkarte

Konsolen-Unterregisterkarte

Live-Konsolenausgabe mit ANSI-Farbunterstützung, Fortschrittsbalken und Fehlererkennung.

System-Unterregisterkarte

GPU , Speicher, Temperatur, CPU und Festplattennutzung.

Checkpoints

Checkpoints werden automatisch gespeichert:

• Jede Epoche: Neueste Gewichte gespeichert
• Bestes Modell: Checkpoint mit höchstem mAP beibehalten
• Endgültiges Modell: Gewichte nach Abschluss des Trainings

Training abbrechen

Klicken Sie auf der Modellseite auf Training abbrechen, um einen laufenden Job zu beenden:

• Die Recheninstanz wird beendet.
• Guthaben wird nicht mehr berechnet
• Bis zu diesem Zeitpunkt gespeicherte Checkpoints bleiben erhalten

Remote-Training

graph LR
    A[Local GPU] --> B[Train]
    B --> C[ultralytics Package]
    C --> D[Stream Metrics]
    D --> E[Platform Dashboard]

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

Trainieren Sie auf Ihrer eigenen Hardware, während Sie Metriken an die Plattform streamen.

pip install -U ultralytics

API-Schlüssel einrichten

1. Gehen Sie zu Settings > Profile (Abschnitt API-Schlüssel)
2. Erstellen Sie einen neuen Schlüssel (oder die Plattform erstellt automatisch einen, wenn Sie den Tab „Lokales Training“ öffnen)
3. Setzen Sie die Umgebungsvariable:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

Training mit Streaming

Verwenden Sie den project und name Parameter zum Streamen von Metriken:

yolo train model=yolo26n.pt data=coco.yaml epochs=100 \
  project=username/my-project name=experiment-1

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(
    data="coco.yaml",
    epochs=100,
    project="username/my-project",
    name="experiment-1",
)

Die Registerkarte „Lokale Schulung“ im Schulungsdialogfeld zeigt einen vorkonfigurierten Befehl mit Ihrem API-Schlüssel, ausgewählten Parametern und erweiterten Argumenten an.

Nutzung von Plattform-Datensätzen

Trainieren Sie mit Datensätzen, die auf der Plattform gespeichert sind, unter Verwendung der ul:// URI-Format:

yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100 \
  project=username/my-project name=exp1

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(
    data="ul://username/datasets/my-dataset",
    epochs=100,
    project="username/my-project",
    name="exp1",
)

Die ul:// Das URI-Format lädt Ihren Datensatz automatisch herunter und konfiguriert ihn. Das Modell wird automatisch mit dem Datensatz auf der Plattform verknüpft (siehe Nutzung von Plattform-Datensätzen), oder Auto-Modus mit angegebener Auslastungsfraktion (

Abrechnung

Trainingskosten basieren auf der GPU-Nutzung:

Kostenvoranschlag

Bevor das Training beginnt, schätzt die Plattform die Gesamtkosten durch:

1. Schätzung der Sekunden pro Epoche anhand von Datensatzgröße, Modellkomplexität, Bildgröße, Batch-Größe und GPU-Geschwindigkeit
2. Berechnung der gesamten Trainingszeit durch Multiplikation der Sekunden pro Epoche mit der Anzahl der Epochen und anschließendes Hinzufügen des Start-Overheads
3. Berechnung der geschätzten Kosten aus der Gesamtzahl der Trainingsstunden multipliziert mit dem Stundensatz der GPU

Faktoren, die die Kosten beeinflussen:

Kostenbeispiele

Abrechnungsfluss

graph LR
    A[Estimate Cost] --> B[Balance Check]
    B --> C[Train]
    C --> D[Charge Actual Runtime]

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

Abrechnungsprozess für Cloud-Training:

1. Schätzung: Kosten werden vor Beginn der Schulung berechnet
2. Guthabenprüfung: Verfügbare Credits werden vor dem Start geprüft
3. Trainieren: Der Job läuft auf dem ausgewählten Compute.
4. Kosten: Die endgültigen Kosten basieren auf der tatsächlichen Laufzeit

Abrechnung nach Job-Status

Zahlungsmethoden

Trainingskosten anzeigen

Nach dem Training können Sie detaillierte Kosten im Tab Abrechnung einsehen:

• Kostenaufschlüsselung pro Epoche
• Gesamte GPU-Zeit
• Kostenbericht herunterladen

Trainingstipps

Die richtige Modellgröße wählen

Trainingszeit optimieren

Fehlerbehebung

FAQ

Wie lange dauert das Training?

Die Trainingszeit hängt ab von:

• Datensatzgröße
• Modellgröße
• Anzahl der Epochen
• Ausgewählte GPU

Typische Zeiten (1000 Bilder, 100 Epochen):

Kann ich über Nacht trainieren?

Ja, das Training wird bis zum Abschluss fortgesetzt. Sie erhalten eine Benachrichtigung, wenn das Training beendet ist. Stellen Sie sicher, dass Ihr Konto über ausreichend Guthaben für das epochenbasierte Training verfügt.

Was passiert, wenn meine Credits aufgebraucht sind?

Wenn Ihr Guthaben während eines Trainingslaufs auf null sinkt, wird das Training bis zum Ende fortgesetzt und Ihr Guthaben wird negativ. Dadurch wird sichergestellt, dass Ihr Trainingsauftrag niemals mitten im Lauf unterbrochen wird.

Nach Abschluss des Trainings müssen Sie Guthaben hinzufügen, um Ihr Konto wieder ins Positive zu bringen, bevor Sie neue Trainingsjobs starten können. Ihr fertiges Modell, Checkpoints und alle Trainingsartefakte bleiben unabhängig vom Kontostand vollständig erhalten.

Was passiert, wenn meine Schulung teurer wird als veranschlagt?

Kostenkalkulationen sind Schätzwerte — die tatsächliche Trainingszeit kann aufgrund von Faktoren wie Datenladegeschwindigkeit, GPU-Aufwärmphase und Modellkonvergenzverhalten variieren. Wenn die tatsächlichen Kosten die Schätzung überschreiten, kann Ihr Guthaben negativ werden (siehe oben). Die Plattform stoppt das Training nicht basierend auf der Schätzung.

Zur Kostenkontrolle:

• Verfolgen Sie den Trainingsfortschritt in Echtzeit und brechen Sie das Training bei Bedarf vorzeitig ab
• Aktivieren Sie die automatische Aufladung, um Ihr Guthaben automatisch aufzufüllen
• Beginnen Sie mit kürzeren Durchläufen (weniger Epochen), um die Erwartungen abzustimmen

Kann ich benutzerdefinierte Trainingsargumente verwenden?

Ja, erweitern Sie den Abschnitt „Erweiterte Einstellungen“ im Trainingsdialog, um auf einen YAML-Editor mit über 40 konfigurierbaren Parametern zuzugreifen. Nicht standardmäßige Werte sind sowohl in Cloud- als auch in lokalen Trainingsbefehlen enthalten.

Der YAML-Editor unterstützt zudem das Importieren von Konfigurationen aus früheren Trainingsläufen:

• Aus bestehendem Modell kopieren: Auf der Seite eines beliebigen abgeschlossenen Modells befindet sich auf der Karte „Trainingskonfiguration“ eine Schaltfläche Als JSON kopieren. Kopieren Sie das JSON und fügen Sie es direkt in den YAML-Editor ein – dieser erkennt das JSON-Format automatisch und importiert alle Parameter.
• YAML oder JSON einfügen: Fügen Sie eine beliebige gültige YAML- oder JSON-Trainingskonfiguration in den Editor ein. Parameter werden automatisch validiert, wobei Werte außerhalb des Bereichs begrenzt und Warnungen angezeigt werden.
• Dateien ziehen und ablegen: Ziehen Sie eine .yaml oder .json Datei direkt in den Editor einfügen, um deren Parameter zu importieren.

Dadurch lassen sich frühere Trainingskonfigurationen leicht reproduzieren oder weiterentwickeln, ohne dass jeder Parameter manuell erneut eingegeben werden muss.

Kann ich von einer Datensatzseite aus trainieren?

Ja, die Schaltfläche „Trainieren“ auf den Datensatzseiten öffnet den Trainingsdialog, wobei der Datensatz bereits ausgewählt und gesperrt ist. Anschließend wählen Sie ein Projekt und ein Modell aus, um mit dem Training zu beginnen.

Trainingsparameter-Referenz

📅 Erstellt vor 2 Monaten ✏️ Aktualisiert vor 11 Tagen

Kommentare