Empezar

Entrenamiento de modelos

Ultralytics Platform ofrece herramientas para entrenar modelos YOLO, desde organizar experimentos hasta ejecutar trabajos de entrenamiento en la nube con transmisión de métricas en tiempo real.



Ver: Empieza a usar Ultralytics Platform: entrenamiento

Descripción general#

La sección Entrenamiento te ayuda a:

  • Organizar modelos en proyectos para gestionarlos más fácilmente
  • Entrenar en GPU en la nube con un solo clic
  • Supervisar métricas en tiempo real durante el entrenamiento
  • Comparar el rendimiento de los modelos entre experimentos
  • Exporta a 23 formatos de despliegue (consulta los formatos compatibles)

Resumen del entrenamiento en Ultralytics Platform

Flujo de trabajo#

EtapaDescripción
ProyectoCrea un espacio de trabajo para organizar modelos relacionados
ConfigurarSelecciona el conjunto de datos, el modelo base y los parámetros de entrenamiento
EntrenarEjecuta el entrenamiento en GPU en la nube o en tu hardware local
SupervisarConsulta las curvas de pérdida y las métricas en tiempo real
ExportarConvierte a 23 formatos de despliegue (más información)

Opciones de entrenamiento#

Ultralytics Platform admite varios métodos de entrenamiento:

MétodoDescripciónIdeal para
Entrenamiento en la nubeEntrena en las GPU en la nube de UltralyticsSin GPU local, escalabilidad
Entrenamiento localEntrena localmente y transmite métricas a la plataformaHardware existente, privacidad
Entrenamiento en ColabUsa Google Colab con la integración de la plataformaAcceso gratuito a GPU
Asignación automática de GPU

Cuando seleccionas una GPU más barata que la RTX PRO 6000 y hay capacidad gestionada por Ultralytics disponible, Platform ejecuta tu trabajo en una RTX PRO 6000, pero te cobra la tarifa por hora de la GPU que has seleccionado. Los trabajos pueden terminar antes y costar menos que si se ejecutaran en la GPU seleccionada: la mejora nunca añade tiempo ni coste.

Opciones de GPU#

GPU disponibles para entrenar en la nube de Ultralytics Cloud:

GPUGeneraciónVRAMIdeal para
RTX 2000 AdaAda16 GBConjuntos de datos pequeños, pruebas
RTX A4500Ampere20 GBConjuntos de datos pequeños o medianos
RTX A5000Ampere24 GBConjuntos de datos medianos
RTX 4000 AdaAda20 GBConjuntos de datos medianos
RTX 3090Ampere24 GBEntrenamiento general
RTX PRO 4000Blackwell24 GBBlackwell económica
L4Ada24 GBOptimizada para inferencia
A40Ampere48 GBTamaños de lote mayores
RTX A6000Ampere48 GBModelos grandes
RTX PRO 4500Blackwell32 GBExcelente relación calidad-precio
L40Ada48 GBModelos grandes
RTX 4090Ada24 GBEntrenamiento general
RTX PRO 5000Blackwell48 GBEntrenamiento con lotes grandes
RTX 6000 AdaAda48 GBEntrenamiento con lotes grandes
L40SAda48 GBEntrenamiento con lotes grandes
RTX 5090Blackwell32 GBÚltima generación de consumo
A100 PCIeAmpere80 GBEntrenamiento en producción
A100 SXMAmpere80 GBEntrenamiento en producción
RTX PRO 6000Blackwell96 GBOpción predeterminada recomendada
H100 PCIeHopper80 GBEntrenamiento de alto rendimiento
H100 NVLHopper94 GBMáximo rendimiento
H200 NVLHopper143 GBMemoria máxima
H100 SXMHopper80 GBEntrenamiento más rápido
H200 SXMHopper141 GBMáximo rendimiento
B200Blackwell180 GBModelos grandes (Pro+)
B300Blackwell288 GBLos modelos más grandes (Pro+)

Los precios por hora actuales se muestran en el selector de GPU del cuadro de diálogo de entrenamiento y en la página de precios.

Acceso por nivel de GPU

Las GPU B200 y B300 requieren un plan Pro o Enterprise. Todas las demás GPU están disponibles en todos los planes, incluido Free.

Créditos de registro

Las cuentas nuevas reciben créditos de registro para el entrenamiento. Consulta Facturación para obtener más información.

Métricas en tiempo real#

En la pestaña Entrenar del modelo, consulta las métricas en directo y los resultados de validación disponibles:

SubpestañaMétricas
MétricasMétricas de la tarea (mAP50, mAP50-95, precisión y sensibilidad para detección), pérdidas de entrenamiento/validación, tasa de aprendizaje
ValidaciónGráficos de validación registrados y análisis por imagen, cuando estén disponibles
ConsolaRegistros de entrenamiento en directo con colores ANSI y detección automática de errores
SistemaUso y temperatura de la GPU, memoria de la GPU, CPU, RAM, red y E/S de disco
Puntos de control automáticos

El mejor punto de control (best.pt, la época con mayor puntuación de aptitud) se carga periódicamente en Platform mientras se ejecuta el entrenamiento y de nuevo cuando finaliza el trabajo, de modo que las descargas, exportaciones e implementaciones siempre usan la mejor época obtenida hasta ese momento. Los trabajos cancelados conservan el último punto de control cuya carga se completó.

Inicio rápido#

Empieza a entrenar en la nube en menos de un minuto:

  1. Crea un proyecto desde la barra lateral
  2. Haz clic en Nuevo modelo
  3. Selecciona un modelo, un conjunto de datos y una GPU
  4. Haz clic en Iniciar entrenamiento

Preguntas frecuentes#

  • La duración del entrenamiento depende de:

    • El tamaño del conjunto de datos (número de imágenes)
    • El tamaño del modelo (n, s, m, l, x)
    • El número de épocas
    • El tipo de GPU seleccionada

    El estimador actual prevé unos 6 minutos para 1000 imágenes, YOLO26n y 100 épocas en RTX PRO 6000, y unos 2 minutos para 500 imágenes, YOLO26n y 50 épocas en RTX 4090. La duración real puede variar; consulta la estimación en tiempo real del cuadro de diálogo de entrenamiento para el conjunto de datos y la configuración seleccionados.

  • Sí. Los límites de entrenamiento simultáneo en la nube dependen de tu plan: Free permite 3 trabajos, Pro permite 10 y Enterprise no tiene límite. Para ejecutar más entrenamientos en paralelo, usa el entrenamiento remoto desde varias máquinas.

  • Si falla el entrenamiento:

    1. El modelo se marca como fallido y la instancia de computación se termina
    2. La página del modelo muestra un banner de error con el error capturado, un enlace a la salida de la consola y las acciones Diagnosticar con IA y Reintentar entrenamiento (rol de Editor o superior), que vuelve a abrir el diálogo de entrenamiento con la misma configuración
    3. Si un trabajo deja de informar de actividad durante 4 horas, se marca automáticamente como fallido y se libera su capacidad de computación
    4. Si se había iniciado la computación en la nube, se cobra el tiempo de GPU transcurrido; los fallos anteriores al inicio de la computación no generan cargos por uso de GPU
  • EscenarioGPU recomendada
    La mayoría de los trabajos de entrenamientoRTX PRO 6000
    Conjuntos de datos o tamaños de lote grandesH100 SXM o H200
    Con presupuesto ajustadoRTX 4090

Comentarios

Haz una pregunta, comparte tus resultados o ayuda a otra persona.