Cloud-Training#

Das Ultralytics Platform Cloud-Training bietet Training mit 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]:::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-UI, indem du auf jeder Projekt- oder Datensatzseite auf New Model klickst. Der Trainingsdialog hat zwei Registerkarten: Cloud Training und Local Training.

Schritt 1: Basismodell auswählen#

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

Der Selektor filtert offizielle Modelle nach Aufgaben, die mit dem ausgewählten Dataset kompatibel sind. YOLO26 enthält Detect-, Segment-, Semantic-, Depth-, Classify-, Pose- und OBB-Varianten in Größen von nano bis xlarge.

Schritt 2: Datensatz auswählen#

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

Schritt 3: Parameter konfigurieren#

Lege die wichtigsten Trainingsparameter fest:

Schritt 4: Erweiterte Einstellungen (Optional)#

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

Die Parameter sind aufgabenbezogen (z. B. copy_paste wird nur für Segment-Aufgaben angezeigt, pose/kobj nur für Pose-Aufgaben). Ein Geändert-Badge erscheint, wenn Werte von den Standards abweichen, und du kannst alle mit dem Zurücksetzen-Button 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

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 einen Aufladen-Button. Basierend auf deiner Konfiguration (Modellgröße, Datensatzbilder, Epochen, GPU-Geschwindigkeit) werden geschätzte Kosten und Dauer berechnet.

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

Trainingsjob-Lebenszyklus#

Trainingsjobs durchlaufen die folgenden Status:

Um die Ergebnisse abgeschlossener und fehlgeschlagener Trainings zu erhalten, ohne diese Seite offen halten zu müssen, verbinde Slack-Benachrichtigungen.

Training überwachen#

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

Charts-Unter-Tab#

Konsole-Unter-Tab#

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

System-Unter-Tab#

GPU-Auslastung in Echtzeit, Arbeitsspeicher, Temperatur, CPU- und Festplattennutzung.

Checkpoints#

Nach Abschluss des Trainings wird das beste Modell (best.pt, der Checkpoint mit der höchsten mAP) auf die Plattform hochgeladen und steht zum Download, Export und Deployment bereit.

Training abbrechen#

Klicke auf der Modellseite auf Cancel Training und bestätige die Aktion. Beim Cloud-Training stoppt die Plattform den Job, gibt die Rechenleistung frei und stellt die vor dem Abbruch verbrauchte GPU-Zeit in Rechnung. Beim lokalen Training signalisiert der Abbruch dem Prozess, an der nächsten Epochengrenze zu stoppen, und bewahrt Teilergebnisse auf.

Remote-Training#

graph LR
    A[Local GPU]:::start --> B[Train]:::proc
    B --> C[ultralytics Package]:::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 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 Using Platform Datasets).

Abrechnung#

Die Trainingskosten basieren auf der GPU-Nutzung:

Kostenschätzung#

Vor Beginn des Trainings schätzt die Plattform die Gesamtkosten durch:

1. Schätzung der Sekunden pro Epoche basierend auf Datensatzgröße, Modellkomplexität, Bildgröße, Batchgröße und GPU-Geschwindigkeit
2. Berechnung der gesamten Trainingszeit durch Multiplikation der Sekunden pro Epoche mit der Anzahl der Epochen, plus Start-Overhead
3. Berechnung der geschätzten Kosten aus der gesamten Trainingszeit in Stunden multipliziert mit dem Stundensatz der GPU

Faktoren, die die Kosten beeinflussen:

Kostenbeispiele#

Abrechnungsablauf#

graph LR
    A[Estimate Cost]:::start --> B[Balance Check]:::decide
    B --> C[Train]:::proc
    C --> D[Charge Actual Runtime]:::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. Training: Der Job läuft auf der ausgewählten Rechenleistung
4. Abrechnung: Die Endkosten basieren auf der tatsächlichen Laufzeit

Abrechnung nach Jobstatus#

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#

FAQ#

Wie lange dauert das Training?#

Die Trainingsdauer hängt ab von:

• Datensatzgröße
• Modellgröße
• Anzahl der Epochen
• Gewählte GPU

Typische Zeiten (1000 Bilder, 100 Epochen):

Kann ich über Nacht trainieren?#

Ja. Das Training kann unbeaufsichtigt laufen, solange es finanziert bleibt, und die Plattform protokolliert ein Abschluss- oder Fehlerereignis. Wenn die Zählung das Guthaben unter Null treibt, stoppen aktive bezahlte Cloud-Läufe und rechnen die bereits verwendete GPU-Zeit ab.

Was passiert, wenn meine Credits aufgebraucht sind?#

Die Cloud-Nutzung wird während des Trainingsfortschritts erfasst. Wenn eine Gebühr dein Guthaben unter Null drückt, werden aktive bezahlte Cloud-Trainingsläufe gestoppt und für die bereits verwendete GPU-Zeit abgerechnet. Füge Guthaben hinzu oder aktiviere das automatische Aufladen, um lang laufende Jobs finanziert zu halten.

Was passiert, wenn mein Training mehr als geschätzt kostet?#

Kostenschätzungen sind ungefähr — die tatsächliche Trainingszeit kann aufgrund von Faktoren wie Ladegeschwindigkeit der Daten, GPU-Aufwärmphase und Modellkonvergenzverhalten variieren. Wenn die tatsächliche Nutzung das verfügbare Guthaben aufbraucht, stoppt die Plattform aktive bezahlte Cloud-Läufe, nachdem das Guthaben negativ geworden ist.

Um Kosten zu verwalten:

• Überwache den Trainingsfortschritt in Echtzeit und brich bei Bedarf vorzeitig ab
• Aktiviere automatisches Aufladen, um Credits automatisch aufzufüllen
• Starte mit kürzeren Läufen (weniger Epochen), um Erwartungen zu kalibrieren

Kann ich benutzerdefinierte Trainingsargumente verwenden?#

Ja, erweitere den Bereich Erweiterte Einstellungen im Trainingsdialog, um auf einen YAML-Editor mit über 40 konfigurierbaren Parametern zuzugreifen. Nicht-standardmäßige Werte werden sowohl in Cloud- als auch in lokalen Trainingsbefehlen berücksichtigt.

Der YAML-Editor unterstützt auch das Importieren von Konfigurationen aus früheren Trainingsläufen:

• Von bestehendem Modell kopieren: Auf der Seite jedes abgeschlossenen Modells findest du in der Karte Trainingskonfiguration eine Schaltfläche Als JSON kopieren. Kopiere das JSON und füge es direkt in den YAML-Editor ein — er erkennt das JSON-Format automatisch und importiert alle Parameter.
• YAML oder JSON einfügen: Füge eine beliebige gültige YAML- oder JSON-Trainingskonfiguration in den Editor ein. Parameter werden automatisch validiert, Werte außerhalb des Bereichs werden begrenzt und Warnungen angezeigt.
• Dateien per Drag & Drop ziehen: Ziehe eine .yaml- oder .json-Datei direkt in den Editor, um deren Parameter zu importieren.

Dies erleichtert das Reproduzieren oder Iterieren vorheriger Trainingskonfigurationen, ohne jeden Parameter manuell neu eingeben zu müssen.

Kann ich von einer Datensatzseite aus trainieren?#

Ja, die Schaltfläche New Model auf Datensatzseiten öffnet den Trainingsdialog mit vorausgewähltem und gesperrtem Datensatz. Du wählst dann ein Projekt und ein Modell aus, um das Training zu beginnen.

Referenz der Trainingsparameter#