Cloud-Training#

Ultralytics Platform Cloud-Training ermöglicht das Training auf Cloud-GPUs mit nur einem Klick und macht Modelltraining ohne komplexe Einrichtung zugänglich. Trainiere YOLO-Modelle mit Metrikübertragung in Echtzeit und automatischer Speicherung von Checkpoints.

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 Benutzeroberfläche der Plattform, indem du auf einer beliebigen Projekt- oder Dataset-Seite auf New Model klickst. Der Trainingsdialog enthält zwei Registerkarten: Cloud Training und Local Training. Wenn das ausgewählte Dataset auf einem On-Premises-Host liegt, wird die erste Registerkarte zu On Premise und die Registerkarte „Local Training“ wird ausgeblendet – dieses Dataset kann nur auf seinem eigenen Host trainiert werden. Dafür sind ein Enterprise-Plan sowie ein verbundener und online befindlicher Worker erforderlich.

Der Dialog merkt sich das Basismodell und alle nicht standardmäßigen Parameter, die er beim letzten Schließen enthalten hat, pro Datensatzaufgabe und Arbeitsbereich im aktuellen Browser und stellt sie beim nächsten Öffnen für diese Aufgabe wieder her. Die GPU-Auswahl wird nicht gespeichert, und Retry bei einem fehlgeschlagenen Durchlauf stellt die Argumente dieses Durchlaufs selbst wieder her.

Schritt 1: Basismodell auswählen#

Wähle ein offizielles Ultralytics-Modell oder eines deiner fertig trainierten Modelle aus:

In jeder Registerkarte werden die Modelle nach Aufgabe in kanonischer Reihenfolge gruppiert und nach Größe sortiert. Der Auswahlfilter zeigt offizielle Modelle an, deren Aufgaben mit dem ausgewählten Dataset kompatibel sind. YOLO26 umfasst Varianten für Detect, Segment, Semantic, Depth, Classify, Pose und OBB in Größen von nano bis xlarge.

Schritt 2: Dataset auswählen#

Wähle ein Dataset für das Training aus (siehe Datasets):

Schritt 3: Parameter konfigurieren#

Lege die grundlegenden Trainingsparameter fest:

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

Schritt 4: Erweiterte Einstellungen (optional)#

Blende Advanced Settings ein, um den vollständigen YAML-basierten Parametereditor mit mehr als 50 nach Gruppen organisierten Trainingsparametern zu öffnen (siehe Konfigurationsreferenz):

Die Parameter berücksichtigen die jeweilige Aufgabe (z. B. wird copy_paste nur für Segmentierungsaufgaben angezeigt, pose/kobj nur für Posensaufgaben und dropout nur für Klassifikationsaufgaben). Ein Modified-Abzeichen wird angezeigt, wenn Werte von den Standardwerten abweichen. Mit der Zurücksetzen-Schaltfläche kannst du alle Werte auf die Standardwerte zurücksetzen. Nur erweiterte Werte, die von den Standardwerten abweichen, werden an den Trainingsjob übermittelt (die grundlegenden Parameter für Epochen, Batchgröße und Bildgröße werden immer einbezogen), damit der resultierende Befehl übersichtlich 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 von der Platform gehosteten Datasets zu verknüpfen. Die Platform prüft, ob sich die Dataset-Inhalte geändert haben, verwendet eine passende Version erneut, wenn dies nicht der Fall ist, und erstellt nur bei Bedarf eine neue nummerierte Version. Das Training verwendet anschließend genau diesen NDJSON-Snapshot und speichert dessen Versionsnummer und Inhalts-Hash im Modell.

Dadurch bleiben die für den Lauf verwendeten Daten erhalten, selbst wenn du später Bilder hinzufügst oder entfernst, Annotationen bearbeitest oder Dataset-Splits änderst. Die verknüpfte Version findest du in den Registerkarten Models und Versions des Datasets.

Schritt 5: GPU auswählen (Registerkarte „Cloud“)#

Wähle deine GPU aus der Ultralytics Cloud aus:

Der Dialog zeigt dein aktuelles Guthaben und eine Aufladen-Schaltfläche. Die Kostenkarte schätzt die Gesamtdauer und den Preis für deine Konfiguration (Modellgröße, Dataset-Bilder, Epochen, Bildgröße, Batchgröße, Optimierer und GPU-Geschwindigkeit) und gibt außerdem die geschätzte Dauer pro Epoche sowie die Anzahl der Dataset-Bilder an.

Schritt 6: Training starten#

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

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

Beim erneuten Trainieren eines vorhandenen Modells wird dieselbe Modellseite verwendet. Die Diagramme, Konsolenausgabe, Systemmetriken und der Fehlerstatus des vorherigen Laufs werden gelöscht, sobald der neue Job erstellt wurde. Bei einem Lauf, 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-Out-of-Memory-Fehler oder eine fehlgeschlagene CUDA-Initialisierung – beendet den Lauf sofort, anstatt auf eine Zeitüberschreitung zu warten. Die extrahierte Meldung erscheint auf der Modellseite in einem Fehlerbanner mit den Aktionen Vollständige Konsolenprotokolle anzeigen und Training wiederholen. Läufe, die mehrere Stunden lang keine Aktivität mehr melden, werden automatisch als fehlgeschlagen markiert und ihre Rechenressourcen werden freigegeben.

Um abgeschlossene und fehlgeschlagene Ergebnisse zu erhalten, ohne diese Seite geöffnet zu lassen, verbinde Slack-Benachrichtigungen.

Training überwachen#

Zeige den Trainingsfortschritt in Echtzeit im Tab Trainieren der Modellseite an:

Unterregister „Diagramme“#

Diagramme sind nach Metrikgruppen geordnet. Welche Gruppen angezeigt werden, hängt davon ab, welche Daten der Lauf meldet:

Jede Gruppe kann eingeklappt werden, einzelne Diagramme lassen sich über das Gruppenmenü ausblenden oder anzeigen, und Diagramme können verschoben und in der Größe angepasst werden – das Layout wird für die nächste Sitzung gespeichert.

Unterregister „Konsole“#

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

Unterregister „System“#

Eine Live-Hostkarte mit Hostname, CPU, GPU, RAM- und Festplattenkapazität sowie Diagramme pro Epoche für CPU- und RAM-Auslastung, GPU-Auslastung und -Speicher, GPU-Temperatur, Netzwerk-I/O und Festplatten-I/O.

Prüfpunkte#

Der beste Prüfpunkt (best.pt) wird während des Trainings regelmäßig und erneut beim Ende des Laufs auf die Platform hochgeladen. Dadurch verwenden Download, Export und Bereitstellung immer die bisher beste erzeugte Epoche. Wird der Lauf abgebrochen, bleibt der vor dem Abbruch hochgeladene Prüfpunkt erhalten.

Training abbrechen#

Klicke auf der Modellseite in der Karte „Laufinformationen“ auf Abbrechen und bestätige die Aktion. Beim Cloud-Training stoppt die Platform den Auftrag, gibt die Rechenressourcen frei und berechnet die vor dem Abbruch verstrichene GPU-Zeit. Beim lokalen Training weist das Abbruchsignal den Prozess an, an der nächsten Epochengrenze zu stoppen, und bewahrt Teilergebnisse – der Lauf lädt vor dem Beenden hoch, was bis dahin vorhanden ist.

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 und übertrage Metriken dabei kontinuierlich an die Platform.

pip install -U ultralytics

API-Schlüssel einrichten#

1. Gehe zu Settings > API Keys
2. Erstelle einen neuen Schlüssel (oder lasse ihn von der Platform automatisch erstellen, wenn du den Tab „Lokales Training“ öffnest).
3. Setze die Umgebungsvariable:

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 enthaltenen erweiterten Argumenten an.

Platform-Datasets verwenden#

Trainiere mit auf der Platform gespeicherten Datasets im Format ul:// URI:

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 automatisch mit dem Dataset auf der Platform verknüpft (siehe Platform-Datasets verwenden).

Abrechnung#

Die Trainingskosten richten sich nach der GPU-Nutzung:

Kostenschätzung#

Vor Beginn des Trainings schätzt die Platform die Gesamtdauer und die Kosten anhand deiner Dataset-Größe, Modellgröße, Bildgröße, Batch-Größe, Epochen und der ausgewählten GPU. Die Schätzungen sind Näherungswerte; abgerechnet wird die tatsächliche Nutzung.

Kostenfaktoren:

Die Schätzungen basieren auf realen Cloud-Trainingsläufen und verwenden immer die von dir ausgewählte GPU – daher wird ein Auftrag, der an eine schnellere Ultralytics-Infrastruktur weitergeleitet wird, vor der Schätzung fertig.

Kostenbeispiele#

Ablauf der Abrechnung#

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

Ablauf der Abrechnung beim Cloud-Training:

1. Schätzung: Kosten werden vor Beginn des Trainings berechnet
2. Guthabenprüfung: Das verfügbare Guthaben wird vor dem Start geprüft
3. Training und Erfassung: Der Auftrag läuft auf den ausgewählten Rechenressourcen, und die angefallene GPU-Zeit wird während des Laufs schrittweise von deinem Guthaben abgezogen
4. Abrechnung: Beim Erreichen des Endstatus wird der verbleibende Restbetrag abgezogen und eine einzelne Training-Transaktion für den gesamten Lauf erstellt

Abrechnung nach Auftragsstatus#

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. Remote-Läufe auf deiner eigenen Hardware werden einfach als fehlgeschlagen markiert, ohne dass Kosten anfallen.

Zahlungsmethoden#

Das Cloud-Training wird aus deinem Platform-Guthaben bezahlt.

Trainingskosten anzeigen#

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

Trainingstipps#

Die richtige Modellgröße auswählen#

Trainingszeit optimieren#

Fehlerbehebung#

Referenz der Trainingsparameter#

FAQ#