Cloud-Training#

Ultralytics Platform Cloud Training bietet ein Klick Training auf Cloud-GPUs, wodurch das Modelltraining ohne komplexes Setup zugänglich wird. Trainiere YOLO-Modelle mit Metrik-Streaming in Echtzeit und automatischer Checkpoint-Speicherung.

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

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,color:#fff

Trainingsdialog#

Starte das Training über die Plattform-Benutzeroberfläche, indem du auf einer beliebigen Projekt- oder Datensatzseite auf New Model klickst. Der Trainingsdialog hat zwei Tabs: Cloud Training und Local Training. Wenn sich der ausgewählte Datensatz auf einem On Premise-Host befindet, wird der erste Tab zu On Premise und der Tab für das lokale Training ausgeblendet – dieser Datensatz kann nur auf seinem eigenen Host trainiert werden, was einen Enterprise-Tarif und einen verbundenen, online betriebenen Worker erfordert.

Schritt 1: Basismodell auswählen#

Wähle ein offizielles Ultralytics Modell oder eines deiner eigenen fertiggestellten Modelle:

Innerhalb jedes Tabs sind Modelle nach Aufgabe in kanonischer Reihenfolge gruppiert und nach Größe sortiert. Die Auswahl filtert offizielle Modelle nach Aufgaben, die mit dem ausgewählten Datensatz kompatibel sind. YOLO26 umfasst Detect-, Segment-, Semantic-, Depth-, Classify-, Pose- und OBB-Varianten in Größen von Nano bis XLarge.

Schritt 2: Datensatz auswählen#

Wähle ein Dataset zum Trainieren aus (siehe Datasets):

Schritt 3: Parameter konfigurieren#

Lege die wichtigsten Trainingsparameter fest:

Werte, die außerhalb des Parameterbereichs eingegeben werden, werden angepasst, sobald das Feld den Fokus verliert.

Schritt 4: Erweiterte Einstellungen (Optional)#

Erweitere Advanced Settings, um auf den vollständigen YAML-basierten Parameter-Editor mit über 50 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, dropout nur für Klassifizierung). Ein Modified-Badge wird angezeigt, wenn sich Werte von den Standardwerten unterscheiden, und du kannst alle Werte über die Reset-Schaltfläche auf die Standardwerte zurücksetzen. Nur nicht standardmäßige erweiterte Werte werden an den Trainingsauftrag gesendet (die grundlegenden Parameter für Epochen, Batch und Bildgröße sind immer enthalten), sodass der resultierende Befehl lesbar bleibt.

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

Dataset-Version speichern (optional)#

Aktiviere Save Dataset Version, um das Modell mit einer unveränderlichen Version eines auf der Plattform gehosteten Datensatzes zu verknüpfen. Die Plattform prüft, ob sich die Datensatzinhalte geändert haben, verwendet eine passende Version wieder, wenn dies nicht der Fall war, und erstellt nur bei Bedarf eine neue nummerierte Version. Das Training verwendet dann genau diesen NDJSON-Snapshot und zeichnet dessen Versionsnummer und Inhalts-Hash auf dem Modell auf.

Dies bewahrt die für den Durchlauf verwendeten Daten, selbst wenn du später Bilder hinzufügst oder entfernst, Annotationen bearbeitest oder Datensatz-Splits änderst. Du findest die verknüpfte Version in den Tabs Models und Versions des Datensatzes.

Schritt 5: GPU auswählen (Cloud-Reiter)#

Wähle deine GPU aus der Ultralytics Cloud:

Der Dialog zeigt dein aktuelles Guthaben und eine Top Up-Schaltfläche. Die Kostenkarte schätzt die Gesamtdauer und den Preis für deine Konfiguration (Modellgröße, Datensatzbilder, Epochen, Bildgröße, Batchgröße, Optimierer und GPU-Geschwindigkeit) und gibt außerdem die geschätzten Sekunden pro Epoche sowie die Anzahl der Datensatzbilder an.

Schritt 6: Training starten#

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

1. Löst die unveränderliche Datensatzversion auf, wenn Save Dataset Version aktiviert ist
2. Stellt eine GPU-Instanz bereit
3. Lädt deinen Datensatz herunter
4. Beginnt mit dem Training
5. Streamt Metriken in Echtzeit

Das erneute Trainieren eines bestehenden Modells verwendet dieselbe Modellseite wieder und löscht die Diagramme, die Konsolenausgabe, die Systemmetriken und den Fehlerzustand des vorherigen Laufs, sobald der neue Job erstellt wird. Ein Lauf, der fehlschlägt, bevor Rechenleistung bereitgestellt wird, lässt die früheren Ergebnisse unberührt.

Trainingsjob-Lebenszyklus#

Trainingsjobs durchlaufen die folgenden Status:

Ein schwerwiegender Python-Fehler im Konsolenstrom – ein Traceback, ein CUDA-Out-of-Memory-Fehler oder eine fehlgeschlagene CUDA-Initialisierung – beendet den Lauf sofort, anstatt auf ein Timeout zu warten, und die extrahierte Nachricht erscheint in einem Fehlerbanner auf der Modellseite mit den Aktionen View full console logs und Retry Training. Läufe, die mehrere Stunden lang keine Aktivität mehr melden, werden automatisch als fehlgeschlagen markiert und ihre Rechenleistung wird freigegeben.

Um die Ergebnisse bei Abschluss oder Fehlschlag zu erhalten, ohne diese Seite geöffnet zu halten, verbinde Slack alerts.

Training überwachen#

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

Charts-Unter-Tab#

Diagramme sind nach Metrikfamilie gruppiert, und die Gruppen, die angezeigt werden, hängen davon ab, was der Lauf meldet:

Jede Gruppe kann minimiert werden, einzelne Diagramme können über das Gruppenmenü ausgeblendet oder angezeigt werden, und Diagramme können verschoben und in der Größe verändert werden – das Layout wird für das nächste Mal gespeichert.

Konsole-Unter-Tab#

Live-Konsolenausgabe mit ANSI-Farbunterstützung, Fortschrittsleisten und Erkennung schwerwiegender Fehler. Die letzten 2000 Zeilen werden beibehalten, Zeitstempel können ein- und ausgeschaltet werden, und das gesamte Protokoll kann als Klartext kopiert werden.

System-Unter-Tab#

Eine Live-Host-Karte (Hostname, CPU, GPU, RAM und Festplattensummen) sowie Epochen-Diagramme für CPU- und RAM-Nutzung, GPU-Auslastung und -Speicher, GPU-Temperatur, Netzwerk-E/A und Festplatten-E/A.

Checkpoints#

Der beste Checkpoint (best.pt) wird regelmäßig während des Trainings und erneut am Ende des Laufs auf die Plattform hochgeladen, sodass Download, Export und Bereitstellung immer die bisher beste Epoche verwenden. Wenn der Lauf abgebrochen wird, wird der vor dem Abbruch hochgeladene Checkpoint beibehalten.

Training abbrechen#

Klicke in der Run Information-Karte auf der Modellseite auf Cancel und bestätige die Aktion. Beim Cloud-Training stoppt die Plattform den Job, gibt seine Rechenleistung frei und berechnet die verstrichene GPU-Zeit, die vor dem Abbruch verwendet wurde. Beim lokalen Training signalisiert der Abbruch dem Prozess, an der nächsten Epochengrenze zu stoppen, und bewahrt teilweise Ergebnisse – der Lauf lädt hoch, was er hat, bevor er beendet wird.

Remote-Training#

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

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef out fill:#9C27B0,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 Tab Local Training 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 an.

Plattform-Datensätze verwenden#

Trainiere mit auf der Plattform gespeicherten Datasets unter Verwendung des ul:// URI format:

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

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

Abrechnung#

Die Trainingskosten basieren auf der GPU-Nutzung:

Kostenschätzung#

Vor Beginn des Trainings schätzt die Plattform die Gesamtdauer und die Kosten basierend auf deiner Datensatzgröße, Modellgröße, Bildgröße, Batchgröße, den Epochen und der ausgewählten GPU ab. Schätzungen sind ungefähr; die tatsächliche Nutzung wird abgerechnet.

Faktoren, die die Kosten beeinflussen:

Schätzungen basieren auf echten Cloud-Trainingsläufen, und die Schätzung verwendet immer die von dir ausgewählte GPU – ein Job, der an eine schnellere Ultralytics-Infrastruktur weitergeleitet wird, ist also vor seiner geschätzten Zeit fertig.

Kostenbeispiele#

Abrechnungsablauf#

graph LR
    A[Estimate Cost]:::start --> B[Balance Check]:::decide
    B --> C[Train and Meter GPU Time]:::proc
    C --> D[Settle at Terminal State]:::out

    classDef start fill:#4CAF50,color:#fff
    classDef proc fill:#2196F3,color:#fff
    classDef decide fill:#FF9800,color:#fff
    classDef out fill:#9C27B0,color:#fff

Abrechnungsablauf für Cloud-Training:

1. Schätzung: Kosten werden vor Trainingsbeginn berechnet
2. Guthabenprüfung: Verfügbare Credits werden vor dem Start geprüft
3. Trainieren und abrechnen: Der Job läuft auf der ausgewählten Compute-Ressource, und die aufgelaufene GPU-Zeit wird während der Ausführung schrittweise von deinem Guthaben abgebucht
4. Begleichen: Im Endstatus wird der verbleibende Restbetrag abgebucht und eine einzige Training-Transaktion für den gesamten Lauf geschrieben

Abrechnung nach Jobstatus#

Ein Lauf, der mehrere Stunden lang keine Aktivität mehr meldet, wird automatisch als fehlgeschlagen markiert; die Instanz wird beendet und die verstrichene GPU-Zeit abgerechnet. Remotelläufe auf eigener Hardware werden einfach als fehlgeschlagen markiert, ohne dass Kosten anfallen.

Zahlungsmethoden#

Cloud-Training wird von deinem Plattform-Guthaben bezahlt.

Trainingskosten anzeigen#

Vor dem Start eines Cloud-Jobs zeigt der Trainingsdialog dein aktuelles Guthaben an und schätzt die Jobdauer sowie die Kosten anhand des ausgewählten Modells, Datensatzes, der Epochen, der Bildgröße und der GPU ab. Die Schätzung dient zu Informationszwecken; die tatsächliche Nutzung wird für die verbrauchte GPU-Zeit berechnet. Überprüfe danach die resultierende Guthabentransaktion unter Settings > Billing.

Trainingstipps#

Wähle die richtige Modellgröße#

Optimierung der Trainingszeit#

Fehlerbehebung#

Referenz der Trainingsparameter#

FAQ#