Cloud-Training

Das Ultralytics Platform Cloud-Training bietet Training mit nur 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

Trainingsdialog

Starte das Training über die Plattform-Benutzeroberfläche, 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.

Schritt 1: Basismodell auswählen

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

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

Schritt 2: Datensatz auswählen

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

Schritt 3: Parameter konfigurieren

Lege die grundlegenden Trainingsparameter fest:

Schritt 4: Erweiterte Einstellungen (optional)

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

Parameter sind aufgabenbewusst (z. B. wird copy_paste nur für Segmentierungsaufgaben angezeigt, pose/kobj nur für Pose-Aufgaben). Ein Geändert-Badge erscheint, wenn Werte von den Standardwerten abweichen, und du kannst alle mit der Reset-Schaltfläche 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 (Cloud-Reiter)

Wähle deine GPU aus der Ultralytics Cloud:

Der Dialog zeigt dein aktuelles Guthaben und eine Aufladen-Schaltfläche. Die geschätzten Kosten und die Dauer werden basierend auf deiner Konfiguration berechnet (Modellgröße, Datensatzbilder, Epochen, GPU-Geschwindigkeit).

Schritt 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

Lebenszyklus von Trainingsjobs

Trainingsjobs durchlaufen die folgenden Status:

Training überwachen

Sieh dir den Trainingsfortschritt in Echtzeit auf dem Reiter Training der Modellseite an:

Unter-Reiter Diagramme

Konsole-Untertab

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

System-Untertab

Echtzeit-GPU-Auslastung, Speicher, Temperatur, CPU- und Festplattennutzung.

Checkpoints

Nach Abschluss des Trainings wird das best model (best.pt, der Checkpoint mit dem höchsten mAP) auf die Plattform hochgeladen und steht zum Download, Export und für die Bereitstellung zur Verfügung.

Training abbrechen

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

• Die Compute-Instanz wird beendet
• Guthaben wird nicht mehr abgebucht
• Der beste Checkpoint bleibt verfügbar, sofern er vor dem Abbruch erreicht wurde

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

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

pip install -U ultralytics

API-Schlüssel einrichten

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

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

Training 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.

Plattform-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).

Abrechnung

Trainingskosten basieren auf der GPU-Nutzung:

Kostenschätzung

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, zuzüglich Start-Overhead
3. Berechnung der geschätzten Kosten aus der gesamten Trainingszeit multipliziert mit dem Stundensatz der GPU

Faktoren, die die Kosten beeinflussen:

Kostenbeispiele

Abrechnungsablauf

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: Kostenberechnung vor Trainingsbeginn
2. Guthabenprüfung: Verfügbares Guthaben wird vor dem Start geprüft
3. Training: Job läuft auf ausgewählter Compute-Instanz
4. Abrechnung: Endgültige Kosten basieren auf der tatsächlichen Laufzeit

Abrechnung nach Jobstatus

Zahlungsmethoden

Trainingskosten anzeigen

Nach dem Training kannst du die detaillierten Kosten im Billing Tab einsehen:

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

Trainingstipps

Wähle die richtige Modellgröße

Trainingszeit optimieren

Fehlerbehebung

FAQ

Wie lange dauert das Training?

Die Trainingsdauer hängt ab von:

• Dataset-Größe
• Modellgröße
• Anzahl der Epochen
• GPU ausgewählt

Typische Zeiten (1000 Bilder, 100 Epochen):

Kann ich über Nacht trainieren?

Ja, das Training läuft bis zur Fertigstellung weiter. Du erhältst eine Benachrichtigung, sobald das Training abgeschlossen ist. Stelle sicher, dass dein Konto über ausreichend Guthaben für epochenbasiertes Training verfügt.

Was passiert, wenn mein Guthaben aufgebraucht ist?

Wenn dein Guthaben während eines Trainingslaufs auf Null sinkt, wird das Training bis zur Fertigstellung fortgesetzt und dein Saldo rutscht ins Negative. Dies stellt sicher, dass dein Trainingsjob niemals mitten im Lauf unterbrochen wird.

Nach Abschluss des Trainings musst du Guthaben hinzufügen, um deinen Saldo wieder auf einen positiven Stand zu bringen, bevor du neue Trainingsjobs starten kannst. Dein fertiggestelltes Modell, Checkpoints und alle Trainingsartefakte bleiben unabhängig vom Kontostand vollständig erhalten.

Was passiert, wenn mein Training mehr kostet als geschätzt?

Kostenschätzungen sind Richtwerte — die tatsächliche Trainingszeit kann aufgrund von Faktoren wie Datenladegeschwindigkeit, GPU-Aufwärmphase und Konvergenzverhalten des Modells variieren. Wenn die tatsächlichen Kosten die Schätzung übersteigen, kann dein Saldo negativ werden (siehe oben). Die Plattform stoppt das Training nicht basierend auf der Schätzung.

Um die Kosten zu verwalten:

• Überwache den Trainingsfortschritt in Echtzeit und brich bei Bedarf frühzeitig ab
• Aktiviere automatische Aufladung, um Guthaben automatisch aufzustocken
• Starte mit kürzeren Läufen (weniger Epochen), um ein Gefühl für den Verbrauch zu bekommen

Kann ich benutzerdefinierte Trainingsargumente verwenden?

Ja, klappe den Bereich Erweiterte Einstellungen im Trainingsdialog aus, um auf einen YAML-Editor mit über 40 konfigurierbaren Parametern zuzugreifen. Nicht-Standardwerte 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 befindet sich auf 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, wobei Werte außerhalb des Bereichs korrigiert und Warnungen angezeigt werden.
• Dateien per Drag & Drop: Ziehe eine .yaml- oder .json-Datei direkt in den Editor, um deren Parameter zu importieren.

Dies erleichtert es, frühere Trainingskonfigurationen zu reproduzieren oder anzupassen, ohne jeden Parameter manuell neu eingeben zu müssen.

Kann ich von einer Dataset-Seite aus trainieren?

Ja, die Trainieren-Schaltfläche auf Dataset-Seiten öffnet den Trainingsdialog, wobei das Dataset bereits ausgewählt und gesperrt ist. Du wählst dann ein Projekt und ein Modell aus, um das Training zu beginnen.

Referenz der Trainingsparameter