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 aus (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 Das Symbol wird angezeigt, wenn die Werte von den Standardeinstellungen abweichen. Mit der Schaltfläche „Zurücksetzen“ können Sie alle Werte auf die Standardeinstellungen 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 Ultralytics aus:

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:

Unterregisterkarte „Diagramme“

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 Auftrag 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 die Registerkarte „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

Vor Beginn des Trainings schätzt die Plattform die Gesamtkosten wie folgt:

1. Schätzung der Sekunden pro Epoche anhand der Datensatzgröße, Modellkomplexität, Bildgröße, Batchgröße und GPU
2. Berechnung der Gesamttrainingszeit durch Multiplikation der Sekunden pro Epoche mit der Anzahl der Epochen und anschließender Addition des Start-Overheads
3. Berechnung der geschätzten Kosten aus der Gesamtzahl der Schulungsstunden multipliziert mit dem Stundensatz 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-Schulungen:

1. Schätzung: Kosten werden vor Beginn der Schulung berechnet
2. Guthabenprüfung: Vor dem Start wird das verfügbare Guthaben überprüft.
3. Zug: Job läuft auf ausgewählten Rechnern
4. Gebühr: Die endgültigen Kosten basieren auf der tatsächlichen Laufzeit.

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?

Das Training pausiert am Ende der aktuellen Epoche. Ihr Checkpoint wird gespeichert, und Sie können nach dem Hinzufügen von Guthaben fortfahren.

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.

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 1 Monat ✏️ Aktualisiert vor 5 Tagen

Kommentare