Link to this sectionCloud-Training#

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

Link to this sectionTrainingsdialog#

Starte das Training über die Plattform-UI, indem du auf jeder Projektseite auf Neues Modell klickst (oder auf einer Datensatzseite auf Trainieren). Der Trainingsdialog hat zwei Tabs: 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 organisiert (Detect, Segment, Semantic, Pose, OBB, Classify) mit Größen von nano bis xlarge.

Link to this sectionSchritt 2: Datensatz auswählen#

Wähle einen Datensatz zum Trainieren aus (siehe Datasets):

Link to this sectionSchritt 3: Parameter konfigurieren#

Lege die grundlegenden Trainingsparameter fest:

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

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

Die Parameter sind aufgabenabhängig (z. B. copy_paste wird nur bei Segmentierungsaufgaben angezeigt, pose/kobj nur bei Pose-Aufgaben). Ein Modifiziert-Abzeichen erscheint, wenn Werte von den Standardwerten abweichen, und du kannst alles 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

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

Wähle deine GPU aus der Ultralytics Cloud:

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

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 das Training
4. Streamt Metriken in Echtzeit

Link to this sectionLebenszyklus eines Trainingsjobs#

Trainingsjobs durchlaufen die folgenden Status:

Link to this sectionTraining überwachen#

Sieh dir den Trainingsfortschritt in Echtzeit auf dem Tab Trainieren der Modellseite an:

Link to this sectionDiagramm-Subtab#

Link to this sectionKonsolen-Unterregisterkarte#

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

Link to this sectionSystem-Unterregisterkarte#

GPU-Auslastung in Echtzeit, Speicher, 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 für Download, Export und Bereitstellung zur Verfügung.

Link to this sectionTraining abbrechen#

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

• Die Compute-Instanz wird beendet
• Credits werden nicht mehr abgerechnet
• Der beste Checkpoint bleibt verfügbar, falls 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 Metriken an die Plattform gestreamt werden.

pip install -U ultralytics

Link to this sectionAPI-Schlüssel einrichten#

1. Go to Settings > API Keys
2. Erstelle einen neuen Schlüssel (oder die Plattform erstellt automatisch einen, wenn du die Registerkarte für lokales 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

Die Registerkarte Lokales Training im Trainingsdialog zeigt einen vorkonfigurierten Befehl mit deinem API-Schlüssel, ausgewählten Parametern und enthaltenen erweiterten Argumenten.

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 Plattform-Datensätze verwenden).

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, Batch-Größe 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 den gesamten Trainingsstunden 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 überprüft
3. Training: Job läuft auf der ausgewählten Compute-Instanz
4. Abrechnung: Endgültige Kosten basieren auf der tatsächlichen Laufzeit

Link to this sectionAbrechnung nach Jobstatus#

Link to this sectionZahlungsmethoden#

Link to this sectionTrainingskosten einsehen#

Nach dem Training kannst du die detaillierten Kosten in der Registerkarte Abrechnung einsehen:

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

Link to this sectionTipps für das Training#

Link to this sectionWähle die richtige Modellgröße#

Link to this sectionTrainingszeit optimieren#

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
• Ausgewählte 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 ausreichend Guthaben für das epochenbasierte Training verfügt.

Link to this sectionWas passiert, wenn mein Guthaben aufgebraucht ist?#

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

Nach Abschluss des Trainings musst du Guthaben aufladen, um dein Konto wieder auf einen positiven Stand zu bringen, bevor du neue Trainingsaufträge startest. Dein fertiggestelltes Modell, die Checkpoints und alle Trainingsartefakte bleiben unabhängig vom Kontostand vollständig erhalten.

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

Kostenschätzungen sind Richtwerte – die tatsächliche Trainingszeit kann aufgrund von Faktoren wie Datenladegeschwindigkeit, GPU-Aufwärmphase 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.

So verwaltest du die Kosten:

• Überwache den Trainingsfortschritt in Echtzeit und brich bei Bedarf frühzeitig ab
• Aktiviere automatische Aufladung, um Guthaben automatisch aufzufüllen
• Starte mit kürzeren Läufen (weniger Epochen), um die 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-Standardwerte werden sowohl in Cloud- als auch in lokalen Trainingsbefehlen berücksichtigt.

Der YAML-Editor unterstützt auch den Import von Konfigurationen aus früheren Trainingsläufen:

• Von vorhandenem 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 – das Format wird automatisch erkannt und alle Parameter werden importiert.
• YAML oder JSON einfügen: Füge eine beliebige gültige YAML- oder JSON-Trainingskonfiguration in den Editor ein. Die Parameter werden automatisch validiert, Werte außerhalb des Bereichs werden korrigiert und Warnungen werden angezeigt.
• Dateien per Drag-and-Drop: Ziehe eine .yaml- oder .json-Datei direkt in den Editor, um deren Parameter zu importieren.

Dies macht es einfach, frühere 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 Schaltfläche Trainieren auf Datensatzseiten öffnet den Trainingsdialog, wobei der Datensatz vorausgewählt und gesperrt ist. Du wählst dann ein Projekt und ein Modell aus, um das Training zu starten.

Link to this sectionReferenz der Trainingsparameter#