Cloud-Training#

Ultralytics Platform Cloud-Training ermöglicht das Training mit Cloud-GPUs per Mausklick und macht das Modelltraining ohne komplexe Einrichtung zugänglich. Trainiere YOLO-Modelle mit Metriken in Echtzeit und automatischer Speicherung von Checkpoints.

Trainingsdialog#

Starte das Training über die Benutzeroberfläche der Platform, indem du auf einer beliebigen Projekt- oder Datensatzseite auf Neues Modell klickst. Der Trainingsdialog enthält zwei Tabs: Cloud-Training und Lokales Training. Befindet sich der ausgewählte Datensatz auf einem On-Premise-Host, heißt der erste Tab On-Premise und der Tab „Lokales Training“ wird ausgeblendet. Dieser Datensatz kann nur auf seinem eigenen Host trainiert werden. Dafür ist ein Enterprise-Tarif sowie ein verbundener, aktiver Worker erforderlich.

Der Dialog merkt sich für jede Datensatzaufgabe und jeden Workspace im aktuellen Browser das Basismodell und alle Parameter, die nicht den Standardwerten entsprechen und beim letzten Schließen eingestellt waren. Beim nächsten Öffnen für dieselbe Aufgabe werden diese Einstellungen wiederhergestellt. Die GPU-Auswahl wird nicht gespeichert. Bei Training wiederholen für einen fehlgeschlagenen Lauf werden stattdessen die Argumente dieses Laufs wiederhergestellt.

Schritt 1: Basismodell auswählen#

Wähle ein offizielles Ultralytics-Modell oder eines deiner eigenen abgeschlossenen Modelle aus:

In jedem Tab sind die Modelle nach Aufgabe in kanonischer Reihenfolge gruppiert und nach Größe sortiert. Beide Tabs zeigen nur Modelle an, deren Aufgabe mit dem ausgewählten Datensatz trainiert werden kann. YOLO26 umfasst Varianten für Objekterkennung, Segmentierung, semantische Segmentierung, Tiefenschätzung, Klassifizierung, Posenschätzung und OBB in Größen von Nano bis Xlarge.

Schritt 2: Datensatz auswählen#

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

Schritt 3: Parameter konfigurieren#

Lege die wichtigsten Trainingsparameter fest:

Werte außerhalb des zulässigen Parameterbereichs werden begrenzt, sobald das Feld den Fokus verliert.

Schritt 4: Erweiterte Einstellungen (optional)#

Klappe Erweiterte Einstellungen aus, um auf den YAML-basierten Parametereditor mit über 50 Trainingsparametern in den Bereichen Trainingseinstellungen und Bildveränderungen zuzugreifen (siehe Referenz zur Konfiguration):

Die Parameter richten sich nach der jeweiligen Aufgabe (z. B. wird copy_paste nur bei Segmentierungs-, semantischen und OBB-Aufgaben angezeigt, pose/kobj nur bei Pose-Aufgaben und auto_augment/erasing nur bei Klassifizierungsaufgaben). Der Editor blendet device, cache, workers, iou, dropout, val und time aus und ignoriert diese Parameter in eingefügten oder abgelegten Konfigurationen. Lege sie in deinem eigenen yolo train-Befehl fest, wenn du lokal trainierst. Ein Geändert-Abzeichen erscheint, wenn Werte von den Standardwerten abweichen. Mit der Schaltfläche zum Zurücksetzen kannst du alle Werte auf die Standardwerte zurücksetzen. An den Trainingsjob werden nur erweiterte Werte übermittelt, die von den Standardwerten abweichen (die grundlegenden Parameter für epochs, batch und Bildgröße sind immer enthalten). So bleibt der resultierende Befehl übersichtlich.

mosaic: 1.0       # Keep mosaic on
mixup: 0.3        # Add mixup blending
copy_paste: 0.3   # Add copy-paste (segment, semantic, OBB)
fliplr: 0.5       # Horizontal flip
degrees: 10.0     # Slight rotation
scale: 0.9        # Aggressive scaling

Datensatzversion speichern (optional)#

Aktiviere Datensatzversion speichern, um das Modell mit einer unveränderlichen Version eines auf der Plattform gehosteten Datensatzes zu verknüpfen. Die Plattform prüft, ob sich die Inhalte des Datensatzes geändert haben, verwendet eine übereinstimmende Version erneut, wenn sie unverändert sind, und erstellt nur bei Bedarf eine neue nummerierte Version. Das Training verwendet dann genau diesen NDJSON-Snapshot und speichert dessen Versionsnummer und Inhalts-Hash im Modell.

So bleiben die für den Trainingslauf verwendeten Daten erhalten, auch wenn du später Bilder hinzufügst oder entfernst, Annotationen bearbeitest oder die Aufteilung des Datensatzes änderst. Die verknüpfte Version findest du in den Tabs Modelle und Versionen des Datensatzes.

Schritt 5: GPU auswählen (Cloud-Tab)#

Wähle deine GPU in Ultralytics Cloud aus:

Im Dialog werden dein aktuelles Guthaben und eine Schaltfläche Aufladen angezeigt. Die Kostenkarte schätzt die Gesamtdauer und den Preis für deine Konfiguration (Modellgröße, Anzahl der Datensatzbilder, epochs, Bildgröße, Batch-Größe, Optimierer und GPU-Geschwindigkeit) und zeigt außerdem die geschätzte Dauer pro Epoche sowie die Anzahl der Datensatzbilder an.

Schritt 6: Training starten#

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

1. Ermittelt die unveränderliche Datensatzversion, wenn Datensatzversion speichern aktiviert ist
2. Stellt eine GPU-Instanz bereit
3. Lädt deinen Datensatz herunter
4. Startet das Training
5. Überträgt Metriken in Echtzeit

Beim erneuten Training eines vorhandenen Modells wird dieselbe Modellseite verwendet. Sobald der neue Job erstellt wurde, werden die Diagramme, die Konsolenausgabe, die Systemmetriken und der Fehlerstatus des vorherigen Trainingslaufs gelöscht. Bei einem Trainingslauf, der fehlschlägt, bevor Rechenressourcen bereitgestellt wurden, bleiben die vorherigen Ergebnisse unverändert.

Lebenszyklus eines Trainingsjobs#

Trainingsjobs durchlaufen die folgenden Status:

Ein schwerwiegender Python-Fehler im Konsolenstream – etwa ein Traceback, ein CUDA-Fehler wegen unzureichenden Speichers oder eine fehlgeschlagene CUDA-Initialisierung – beendet den Trainingslauf sofort, statt auf eine Zeitüberschreitung zu warten. Die ausgelesene Meldung erscheint auf der Modellseite in einem Fehlerbanner mit den Aktionen Vollständige Konsolenprotokolle anzeigen und Training erneut versuchen. Trainingsläufe, bei denen vier Stunden lang keine Aktivität gemeldet wird, werden automatisch als fehlgeschlagen markiert und ihre Rechenressourcen freigegeben.

Um Ergebnisse abgeschlossener und fehlgeschlagener Trainingsläufe zu erhalten, ohne diese Seite geöffnet zu lassen, richte Slack-Benachrichtigungen ein.

Training überwachen#

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

Untertab „Charts“#

Die Diagramme sind nach Metrikgruppen geordnet. Welche Gruppen angezeigt werden, hängt davon ab, welche Metriken der Trainingslauf meldet:

Du kannst jede Gruppe einklappen, einzelne Diagramme über das Gruppenmenü ein- oder ausblenden sowie Diagramme verschieben und ihre Größe anpassen. Das Layout wird für das nächste Mal gespeichert.

Untertab „Konsole“#

Live-Konsolenausgabe mit Unterstützung für ANSI-Farben, Fortschrittsbalken und Erkennung schwerwiegender Fehler. Die letzten 2000 Zeilen werden gespeichert, Zeitstempel lassen sich einblenden und das gesamte Protokoll kann als Klartext kopiert werden.

Untertab „System“#

Eine Live-Übersicht des Hosts (Hostname, CPU, GPU, RAM und gesamte Festplattenkapazität) sowie Diagramme pro Epoche zur CPU- und RAM-Auslastung, GPU-Auslastung und -Speicherbelegung, GPU-Temperatur, Netzwerk-I/O und Festplatten-I/O.

Checkpoints#

Der beste Checkpoint (best.pt) wird während des Trainings regelmäßig und erneut am Ende des Trainingslaufs auf die Plattform hochgeladen. So werden beim Herunterladen, Exportieren und Bereitstellen immer die Ergebnisse der bis dahin besten Epoche verwendet. Wird der Trainingslauf abgebrochen, bleibt der vor dem Abbruch hochgeladene Checkpoint erhalten.

Training abbrechen#

Klicke in der Karte mit den Laufdetails auf der Modellseite auf Abbrechen und bestätige die Aktion. Beim Cloud-Training stoppt die Plattform den Job, gibt dessen Rechenressourcen frei und berechnet die bis zum Abbruch angefallene GPU-Zeit. Beim lokalen Training wird dem Prozess signalisiert, an der nächsten Epochengrenze anzuhalten, und Teilergebnisse bleiben erhalten – vor dem Beenden lädt der Trainingslauf alle bis dahin vorhandenen Ergebnisse hoch.

Remote-Training#

Trainiere auf deiner eigenen Hardware und übertrage dabei Metriken an die Plattform.

pip install -U ultralytics

API-Schlüssel einrichten#

1. Gehe zu Settings > API Keys
2. Erstelle einen neuen Schlüssel (oder lass die Plattform automatisch einen erstellen, wenn du den Tab „Lokales Training“ öffnest)
3. Lege die Umgebungsvariable fest:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

Mit Streaming trainieren#

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

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

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

Datensätze auf der Plattform verwenden#

Trainiere mit Datensätzen, die auf der Plattform gespeichert sind, und verwende dafür das 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 deinen Datensatz automatisch herunter und konfiguriert ihn. Das Modell wird automatisch mit dem Datensatz auf der Plattform verknüpft (siehe Datensätze auf der Plattform verwenden).

Abrechnung#

Die Trainingskosten richten sich nach der GPU-Nutzung:

Kostenschätzung#

Vor Trainingsbeginn schätzt die Plattform anhand der Datensatzgröße, der Modellgröße, der Bildgröße, der Batch-Größe, der Anzahl der Epochen und der ausgewählten GPU die Gesamtdauer und die Kosten. Die Schätzungen sind Näherungswerte; abgerechnet wird die tatsächliche Nutzung.

Kostenfaktoren:

Die Schätzungen basieren auf tatsächlichen Cloud-Trainingsläufen und verwenden immer die von dir ausgewählte GPU. Daher wird ein Job, der auf schnellere Ultralytics-Infrastruktur umgeleitet wird, früher als geschätzt abgeschlossen.

Kostenbeispiele#

Abrechnungsablauf#

Abrechnungsablauf für Cloud-Training:

1. Schätzung: Kostenberechnung vor Trainingsbeginn
2. Guthabenprüfung: Das verfügbare Guthaben wird vor dem Start geprüft
3. Training und Erfassung: Der Auftrag läuft auf der ausgewählten Rechenleistung. Währenddessen wird die angefallene GPU-Zeit schrittweise von deinem Guthaben abgezogen.
4. Abrechnung: Beim Erreichen des Endstatus wird die verbleibende Restzeit abgezogen und eine einzelne Training-Transaktion für den gesamten Lauf verbucht.

Abrechnung nach Auftragsstatus#

Ein Lauf, der 4 Stunden lang keine Aktivität meldet, wird automatisch als fehlgeschlagen markiert; die Instanz wird beendet und die verstrichene GPU-Zeit abgerechnet. Remote-Läufe auf deiner eigenen Hardware werden lediglich als fehlgeschlagen markiert; es fallen keine Kosten an.

Zahlungsmethoden#

Cloud-Training wird über dein Plattformguthaben bezahlt.

Trainingskosten anzeigen#

Vor dem Start eines Cloud-Auftrags zeigt der Trainingsdialog dein aktuelles Guthaben an und schätzt Dauer und Kosten des Auftrags anhand des ausgewählten Modells, Datensatzes, der Epochen, Bildgröße und GPU. Die Schätzung dient nur zur Orientierung; tatsächlich berechnet wird die verbrauchte GPU-Zeit. Prüfe anschließend die daraus entstandene Guthabentransaktion unter Einstellungen > Abrechnung.

Trainingstipps#

Die passende Modellgröße auswählen#

Trainingszeit optimieren#

Fehlerbehebung#

Referenz der Trainingsparameter#

Häufig gestellte Fragen#