Entrenamiento en la Nube

Ultralytics Cloud Training ofrece formación con un solo clic sobre GPU en la nube, lo que permite acceder a la formación de modelos sin necesidad de realizar configuraciones complejas. Entrene YOLO con streaming de métricas en tiempo real y guardado automático de puntos de control.

Ver: Formación en la nube con Ultralytics

Tren desde UI

Comience la formación sobre la nube directamente desde la plataforma:

1. Navega hasta tu proyecto.
2. Haga clic en el modelo de tren.
3. Configurar los parámetros de entrenamiento
4. Haga clic en «Iniciar entrenamiento».

Paso 1: Seleccionar conjunto de datos

Elige un conjunto de datos de tus archivos subidos:

Paso 2: Configurar el modelo

Seleccionar modelo base y parámetros:

Paso 3: Seleccionar GPU

Elija sus recursos informáticos:

Paso 4: Comience el entrenamiento

Haga clic en «Iniciar formación » para comenzar su trabajo. La plataforma:

1. Provisiones de una GPU
2. Descarga tu conjunto de datos
3. Comienza el entrenamiento.
4. Transmite métricas en tiempo real.

Formación en monitorización

Ver el progreso del entrenamiento en tiempo real:

Métricas en tiempo real

Puntos de control

Los puntos de control se guardan automáticamente:

• Cada época: Últimos pesos guardados
• Mejor modelo: se conserva mAP más alto.
• Modelo final: Pesos al finalizar el entrenamiento

Detener y reanudar

Deja de entrenar

Haga clic en Detener entrenamiento para pausar su trabajo:

• El punto de control actual se guarda.
• Se libera GPU .
• Los créditos dejan de cobrarse.

Reanudar la formación

Continúa desde tu último punto de control:

1. Navegar hasta el modelo
2. Haga clic en Reanudar formación.
3. Confirmar continuación

Formación a distancia

Entrene en su propio hardware mientras transmite métricas a la plataforma.

pip install "ultralytics>=8.4.0"

Configurar clave API

1. Ve a Configuración > Claves API.
2. Crear una nueva clave con ámbito de formación
3. Establezca la variable de entorno:

export ULTRALYTICS_API_KEY="your_api_key"

Entrena con Streaming

Utilice el project y name Parámetros para transmitir métricas:

yolo train model=yolo11n.pt data=coco.yaml epochs=100 \
  project=username/my-project name=experiment-1

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
model.train(
    data="coco.yaml",
    epochs=100,
    project="username/my-project",
    name="experiment-1",
)

Uso de conjuntos de datos de la plataforma

Entrena con conjuntos de datos almacenados en la plataforma:

yolo train model=yolo11n.pt data=ul://username/datasets/my-dataset epochs=100

El ul:// El formato URI descarga y configura automáticamente su conjunto de datos.

Facturación

Los costes de formación se basan en GPU :

Cálculo de costes

Total Cost = GPU Rate × Training Time (hours)

Formas de pago

Ver los costes de formación

Después de la formación, consulte los costes detallados en la pestaña Facturación:

• Desglose de costes por época
• GPU total GPU
• Descargar informe de costes

Consejos de entrenamiento

Elija el tamaño de modelo adecuado

Optimizar el tiempo de entrenamiento

1. Empieza poco a poco: primero prueba con menos épocas.
2. Utiliza GPU adecuada: adapta GPU tamaño del modelo/lote.
3. Validar el conjunto de datos: garantizar la calidad antes del entrenamiento.
4. Supervise desde el principio: deténgase si las métricas se estancan.

Solución de problemas

Preguntas frecuentes

¿Cuánto tiempo dura la formación?

El tiempo de entrenamiento depende de:

• Tamaño del conjunto de datos
• Tamaño del modelo
• Número de épocas
• GPU

Tiempos típicos (1000 imágenes, 100 épocas):

¿Puedo entrenar por la noche?

Sí, el entrenamiento continúa hasta su finalización. Recibirás una notificación cuando finalice el entrenamiento. Asegúrate de que tu cuenta tenga saldo suficiente para el entrenamiento basado en épocas.

¿Qué pasa si me quedo sin créditos?

El entrenamiento se detiene al final de la época actual. Tu punto de control se guarda y puedes reanudarlo después de añadir créditos.

¿Puedo utilizar argumentos de formación personalizados?

Sí, los usuarios avanzados pueden especificar argumentos adicionales en la configuración del entrenamiento.

Referencia de parámetros de entrenamiento

Parámetros básicos

Parámetros de la tasa de aprendizaje

Parámetros de aumento

Selección del optimizador

📅 Creado hace 0 días ✏️ Actualizado hace 0 días

Comentarios