Link to this sectionCloud-Training#

Das Ultralytics Platform Cloud-Training bietet Training mit einem Klick auf Cloud-GPUs, wodurch das Modelltraining ohne komplexe Einrichtung zugänglich wird. Trainiere 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

Link to this sectionTrainingsdialog#

Starte das Training über die Plattform-UI, indem du auf jeder Projektseite auf Neues Modell (oder auf einer Datensatzseite auf Trainieren) klickst. Der Trainingsdialog hat zwei Reiter: Cloud-Training und Lokales Training.

Link to this sectionSchritt 1: Basismodell auswählen#

Wähle aus offiziellen YOLO26-Modellen oder deinen eigenen trainierten Modellen:

Offizielle Modelle sind nach Aufgabentyp (Detect, Segment, Semantic, Pose, OBB, Classify) mit Größen von nano bis xlarge organisiert.

Link to this sectionSchritt 2: Datensatz auswählen#

Wähle einen Datensatz für das Training aus (siehe Datasets):

Link to this sectionSchritt 3: Parameter konfigurieren#

Lege die wichtigsten Trainingsparameter fest:

Link to this sectionSchritt 4: Erweiterte Einstellungen (Optional)#

Klappe die Erweiterten Einstellungen aus, um auf den vollständigen YAML-basierten Parameter-Editor mit über 40 Trainingsparametern zuzugreifen, die nach Gruppen organisiert sind (siehe Konfigurationsreferenz):

Die Parameter sind aufgabenbezogen (z. B. copy_paste wird nur für Segment-Aufgaben angezeigt, pose/kobj nur für Pose-Aufgaben). Ein Geändert-Badge erscheint, wenn Werte von den Standards abweichen, und du kannst alle mit dem Zurücksetzen-Button 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

Link to this sectionSchritt 5: GPU auswählen (Cloud-Reiter)#

Wähle deine GPU aus der Ultralytics Cloud:

Der Dialog zeigt dein aktuelles Guthaben und einen Aufladen-Button. Basierend auf deiner Konfiguration (Modellgröße, Datensatzbilder, Epochen, GPU-Geschwindigkeit) werden geschätzte Kosten und Dauer berechnet.

Link to this sectionSchritt 6: Training starten#

Klicke auf Training starten, um deinen Job zu starten. Die Plattform:

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

Link to this sectionTrainingsjob-Lebenszyklus#

Trainingsjobs durchlaufen die folgenden Status:

Link to this sectionTraining überwachen#

Verfolge den Trainingsfortschritt in Echtzeit auf dem Reiter Trainieren der Modellseite:

Link to this sectionCharts-Unter-Tab#

Link to this sectionKonsole-Unter-Tab#

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

Link to this sectionSystem-Unter-Tab#

GPU-Auslastung in Echtzeit, Arbeitsspeicher, Temperatur, CPU- und Festplattennutzung.

Link to this sectionCheckpoints#

Nach Abschluss des Trainings wird das beste Modell (best.pt, der Checkpoint mit der höchsten mAP) auf die Plattform hochgeladen und steht zum Download, Export und Deployment bereit.

Link to this sectionTraining abbrechen#

Klicke auf der Modellseite auf Training abbrechen, um einen laufenden Job zu stoppen:

• Die Compute-Instanz wird beendet
• Die Berechnung der Credits wird gestoppt
• Der beste Checkpoint bleibt verfügbar, wenn er vor dem Abbruch erreicht wurde

Link to this sectionRemote-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

Trainiere auf deiner eigenen Hardware, während du Metriken an die Plattform streamst.

pip install -U ultralytics

Link to this sectionAPI-Schlüssel einrichten#

1. Gehe zu Settings > API Keys
2. Erstelle einen neuen Schlüssel (oder die Plattform erstellt automatisch einen, wenn du den Tab Local Training öffnest)
3. Setze die Umgebungsvariable:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

Link to this sectionTraining mit Streaming#

Verwende die Parameter project und name, um Metriken zu streamen:

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

Der Local Training-Tab im Trainingsdialog zeigt einen vorkonfigurierten Befehl mit deinem API-Schlüssel, ausgewählten Parametern und erweiterten Argumenten an.

Link to this sectionPlattform-Datensätze verwenden#

Trainiere mit Datensätzen, die auf der Plattform gespeichert sind, unter Verwendung des ul:// URI-Formats:

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

Das ul:// URI-Format lädt deinen Datensatz automatisch herunter und konfiguriert ihn. Das Modell wird automatisch mit dem Datensatz auf der Plattform verknüpft (siehe Using Platform Datasets).

Link to this sectionAbrechnung#

Die Trainingskosten basieren auf der GPU-Nutzung:

Link to this sectionKostenschätzung#

Vor Beginn des Trainings schätzt die Plattform die Gesamtkosten durch:

1. Schätzung der Sekunden pro Epoche basierend auf Datensatzgröße, Modellkomplexität, Bildgröße, Batchgröße und GPU-Geschwindigkeit
2. Berechnung der gesamten Trainingszeit durch Multiplikation der Sekunden pro Epoche mit der Anzahl der Epochen, plus Start-Overhead
3. Berechnung der geschätzten Kosten aus der gesamten Trainingszeit in Stunden multipliziert mit dem Stundensatz der GPU

Faktoren, die die Kosten beeinflussen:

Link to this sectionKostenbeispiele#

Link to this sectionAbrechnungsablauf#

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

Abrechnungsablauf für Cloud-Training:

1. Schätzung: Kosten werden vor Trainingsbeginn berechnet
2. Guthabenprüfung: Verfügbare Credits werden vor dem Start geprüft
3. Training: Der Job läuft auf der ausgewählten Rechenleistung
4. Abrechnung: Die Endkosten basieren auf der tatsächlichen Laufzeit

Link to this sectionAbrechnung nach Jobstatus#

Link to this sectionZahlungsmethoden#

Link to this sectionTrainingskosten anzeigen#

Nach dem Training kannst du detaillierte Kosten im Billing-Tab einsehen:

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

Link to this sectionTrainingstipps#

Link to this sectionWähle die richtige Modellgröße#

Link to this sectionOptimierung der Trainingszeit#

Link to this sectionFehlerbehebung#

Link to this sectionFAQ#

Link to this sectionWie lange dauert das Training?#

Die Trainingsdauer hängt ab von:

• Datensatzgröße
• Modellgröße
• Anzahl der Epochen
• Gewählte GPU

Typische Zeiten (1000 Bilder, 100 Epochen):

Link to this sectionKann ich über Nacht trainieren?#

Ja, das Training läuft bis zum Abschluss weiter. Du erhältst eine Benachrichtigung, wenn das Training beendet ist. Stelle sicher, dass dein Konto über genügend Guthaben für das epochenbasierte Training verfügt.

Link to this sectionWas passiert, wenn meine Credits aufgebraucht sind?#

Wenn dein Guthaben während eines Trainingslaufs auf Null sinkt, läuft das Training bis zum Abschluss weiter und dein Kontostand wird negativ. Dies stellt sicher, dass dein Trainingsauftrag niemals mittendrin unterbrochen wird.

Nach Abschluss des Trainings musst du Credits hinzufügen, um deinen Kontostand wieder ins Positive zu bringen, bevor du neue Trainingsaufträge startest. Dein fertiges Modell, Checkpoints und alle Trainingsartefakte bleiben unabhängig vom Kontostand vollständig erhalten.

Link to this sectionWas passiert, wenn mein Training mehr als geschätzt kostet?#

Kostenschätzungen sind Näherungswerte — die tatsächliche Trainingszeit kann aufgrund von Faktoren wie Datenladegeschwindigkeit, GPU-Warmup und Modellkonvergenzverhalten variieren. Wenn die tatsächlichen Kosten die Schätzung übersteigen, kann dein Kontostand negativ werden (siehe oben). Die Plattform stoppt das Training nicht basierend auf der Schätzung.

Um Kosten zu verwalten:

• Überwache den Trainingsfortschritt in Echtzeit und brich bei Bedarf vorzeitig ab
• Aktiviere automatisches Aufladen, um Credits automatisch aufzufüllen
• Starte mit kürzeren Läufen (weniger Epochen), um Erwartungen zu kalibrieren

Link to this sectionKann ich benutzerdefinierte Trainingsargumente verwenden?#

Ja, erweitere den Bereich Erweiterte Einstellungen im Trainingsdialog, um auf einen YAML-Editor mit über 40 konfigurierbaren Parametern zuzugreifen. Nicht-standardmäßige Werte werden sowohl in Cloud- als auch in lokalen Trainingsbefehlen berücksichtigt.

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

• Von bestehendem Modell kopieren: Auf der Seite jedes abgeschlossenen Modells findest du in der Karte Trainingskonfiguration eine Schaltfläche Als JSON kopieren. Kopiere das JSON und füge es direkt in den YAML-Editor ein — er erkennt das JSON-Format automatisch und importiert alle Parameter.
• YAML oder JSON einfügen: Füge eine beliebige gültige YAML- oder JSON-Trainingskonfiguration in den Editor ein. Parameter werden automatisch validiert, Werte außerhalb des Bereichs werden begrenzt und Warnungen angezeigt.
• Dateien per Drag & Drop ziehen: Ziehe eine .yaml- oder .json-Datei direkt in den Editor, um deren Parameter zu importieren.

Dies macht es einfach, vorherige Trainingskonfigurationen zu reproduzieren oder zu iterieren, ohne jeden Parameter manuell neu eingeben zu müssen.

Link to this sectionKann ich von einer Datensatzseite aus trainieren?#

Ja, die Trainieren-Schaltfläche auf Datensatzseiten öffnet den Trainingsdialog, bei dem der Datensatz bereits vorausgewählt und gesperrt ist. Du wählst dann ein Projekt und ein Modell aus, um mit dem Training zu beginnen.

Link to this sectionReferenz der Trainingsparameter#