Link to this sectionEntrenamiento en la nube#

El entrenamiento en la nube de la Ultralytics Platform ofrece entrenamiento con un solo clic en GPUs en la nube, lo que hace que el entrenamiento de modelos sea accesible sin configuraciones complejas. Entrena modelos YOLO con transmisión de métricas en tiempo real y guardado automático de puntos de control.

graph LR
    A[Configure] --> B[Start Training]
    B --> C[Provision GPU]
    C --> D[Download Dataset]
    D --> E[Train]
    E --> F[Stream Metrics]
    F --> G[Save Checkpoints]
    G --> H[Complete]

    style A fill:#2196F3,color:#fff
    style B fill:#FF9800,color:#fff
    style E fill:#9C27B0,color:#fff
    style H fill:#4CAF50,color:#fff

Link to this sectionDiálogo de entrenamiento#

Inicia el entrenamiento desde la interfaz de usuario de la plataforma haciendo clic en New Model (Nuevo modelo) en cualquier página de proyecto (o en Train (Entrenar) desde una página de conjunto de datos). El diálogo de entrenamiento tiene dos pestañas: Cloud Training (Entrenamiento en la nube) y Local Training (Entrenamiento local).

Link to this sectionPaso 1: Seleccionar modelo base#

Elige entre los modelos oficiales de YOLO26 o tus propios modelos entrenados:

Los modelos oficiales están organizados por tipo de tarea (Detect, Segment, Semantic, Pose, OBB, Classify) con tamaños desde nano hasta xlarge.

Link to this sectionPaso 2: Seleccionar conjunto de datos#

Elige un conjunto de datos para entrenar (consulta Datasets):

Link to this sectionPaso 3: Configurar parámetros#

Establece los parámetros de entrenamiento principales:

Link to this sectionPaso 4: Configuración avanzada (opcional)#

Despliega Advanced Settings (Configuración avanzada) para acceder al editor de parámetros completo basado en YAML con más de 40 parámetros de entrenamiento organizados por grupo (consulta la referencia de configuración):

Los parámetros son sensibles a la tarea (p. ej., copy_paste solo aparece para tareas de segmentación, pose/kobj solo para tareas de pose). Aparece una insignia de Modified (Modificado) cuando los valores difieren de los predeterminados, y puedes restablecer todo a los valores predeterminados con el botón de restablecimiento.

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

Link to this sectionPaso 5: Seleccionar GPU (pestaña en la nube)#

Elige tu GPU desde Ultralytics Cloud:

El diálogo muestra tu balance actual y un botón de Top Up (Recargar). El coste y la duración estimados se calculan en función de tu configuración (tamaño del modelo, imágenes del conjunto de datos, épocas, velocidad de la GPU).

Link to this sectionPaso 6: Iniciar entrenamiento#

Haz clic en Start Training (Iniciar entrenamiento) para lanzar tu trabajo. La plataforma:

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

Link to this sectionCiclo de vida del trabajo de entrenamiento#

Los trabajos de entrenamiento progresan a través de los siguientes estados:

Link to this sectionMonitorear entrenamiento#

Visualiza el progreso del entrenamiento en tiempo real en la pestaña Train (Entrenar) de la página del modelo:

Link to this sectionSubpestaña Charts (Gráficos)#

Link to this sectionSubpestaña Console (Consola)#

Salida de consola en vivo con soporte de color ANSI, barras de progreso y detección de errores.

Link to this sectionSubpestaña System (Sistema)#

Utilización de GPU en tiempo real, memoria, temperatura, CPU y uso de disco.

Link to this sectionPuntos de control (Checkpoints)#

Una vez completado el entrenamiento, el mejor modelo (best.pt, el punto de control con el mAP más alto) se sube a la plataforma y se pone a disposición para su descarga, exportación y despliegue.

Link to this sectionCancelar entrenamiento#

Haz clic en Cancelar entrenamiento en la página del modelo para detener un trabajo en curso:

• La instancia de computación se termina
• Los créditos dejan de consumirse
• El mejor punto de control permanece disponible si se alcanzó antes de la cancelación

Link to this sectionEntrenamiento remoto#

graph LR
    A[Local GPU] --> B[Train]
    B --> C[ultralytics Package]
    C --> D[Stream Metrics]
    D --> E[Platform Dashboard]

    style A fill:#FF9800,color:#fff
    style C fill:#2196F3,color:#fff
    style E fill:#4CAF50,color:#fff

Entrena en tu propio hardware mientras transmites métricas a la plataforma.

pip install -U ultralytics

Link to this sectionConfigurar clave de API#

1. Ve a Settings > API Keys
2. Crea una nueva clave (o la plataforma crea una automáticamente cuando abres la pestaña de Entrenamiento local)
3. Establece la variable de entorno:

export ULTRALYTICS_API_KEY="YOUR_API_KEY"

Link to this sectionEntrenar con transmisión de datos#

Usa los parámetros project y name para transmitir métricas:

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

La pestaña de Entrenamiento local en el cuadro de diálogo de entrenamiento muestra un comando preconfigurado con tu clave de API, parámetros seleccionados y argumentos avanzados incluidos.

Link to this sectionUso de datasets de la plataforma#

Entrena con conjuntos de datos almacenados en la plataforma usando el formato de URI ul:// :

yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100 \
  project=username/my-project name=exp1

El formato de URI ul:// descarga y configura automáticamente tu conjunto de datos. El modelo se vincula automáticamente al conjunto de datos en la plataforma (consulta Uso de conjuntos de datos de la plataforma).

Link to this sectionFacturación#

Los costes de entrenamiento se basan en el uso de la GPU:

Link to this sectionEstimación de costes#

Antes de que comience el entrenamiento, la plataforma estima el coste total mediante:

1. Estimación de segundos por época a partir del tamaño del conjunto de datos, la complejidad del modelo, el tamaño de la imagen, el tamaño del lote y la velocidad de la GPU
2. Cálculo del tiempo total de entrenamiento multiplicando los segundos por época por el número de épocas, añadiendo después la sobrecarga de inicio
3. Cómputo del coste estimado a partir del total de horas de entrenamiento multiplicadas por la tarifa horaria de la GPU

Factores que afectan al coste:

Link to this sectionEjemplos de costes#

Link to this sectionFlujo de facturación#

graph LR
    A[Estimate Cost] --> B[Balance Check]
    B --> C[Train]
    C --> D[Charge Actual Runtime]

    style A fill:#2196F3,color:#fff
    style B fill:#FF9800,color:#fff
    style C fill:#9C27B0,color:#fff
    style D fill:#4CAF50,color:#fff

Flujo de facturación del entrenamiento en la nube:

1. Estimación: Coste calculado antes de comenzar el entrenamiento
2. Verificación de saldo: Los créditos disponibles se comprueban antes del lanzamiento
3. Entrenamiento: El trabajo se ejecuta en la computación seleccionada
4. Cargo: El coste final se basa en el tiempo de ejecución real

Link to this sectionFacturación por estado del trabajo#

Link to this sectionMétodos de pago#

Link to this sectionVer costes de entrenamiento#

Después del entrenamiento, consulta los costes detallados en la pestaña de Facturación:

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

Link to this sectionConsejos de entrenamiento#

Link to this sectionElige el tamaño de modelo correcto#

Link to this sectionOptimiza el tiempo de entrenamiento#

Link to this sectionSolución de problemas#

Link to this sectionFAQ#

Link to this section¿Cuánto tarda el entrenamiento?#

El tiempo de entrenamiento depende de:

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

Tiempos típicos (1000 imágenes, 100 épocas):

Link to this section¿Puedo entrenar durante la noche?#

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

Link to this section¿Qué ocurre si me quedo sin créditos?#

Si tu saldo de créditos llega a cero durante una ejecución de entrenamiento, el entrenamiento continúa hasta completarse y tu saldo quedará en negativo. Esto garantiza que tu trabajo de entrenamiento nunca se interrumpa a mitad de proceso.

Una vez completado el entrenamiento, deberás añadir créditos para que tu saldo vuelva a ser positivo antes de iniciar nuevos trabajos de entrenamiento. Tu modelo completado, los puntos de control (checkpoints) y todos los artefactos de entrenamiento se conservan totalmente, independientemente del saldo.

Link to this section¿Qué ocurre si mi entrenamiento cuesta más de lo estimado?#

Las estimaciones de costes son aproximadas; el tiempo real de entrenamiento puede variar debido a factores como la velocidad de carga de datos, el calentamiento de la GPU y el comportamiento de convergencia del modelo. Si el coste real supera la estimación, tu saldo puede quedar en negativo (ver arriba). La plataforma no detiene el entrenamiento basándose en la estimación.

Para gestionar los costes:

• Monitoriza el progreso del entrenamiento en tiempo real y cancéalo antes si es necesario
• Activa la recarga automática para reponer créditos automáticamente
• Empieza con ejecuciones más cortas (menos épocas) para calibrar las expectativas

Link to this section¿Puedo utilizar argumentos de entrenamiento personalizados?#

Sí, expande la sección Configuración avanzada en el diálogo de entrenamiento para acceder a un editor YAML con más de 40 parámetros configurables. Los valores no predeterminados se incluyen tanto en los comandos de entrenamiento en la nube como en los locales.

El editor YAML también permite importar configuraciones de ejecuciones de entrenamiento anteriores:

• Copiar desde un modelo existente: En la página de cualquier modelo completado, la tarjeta de Configuración de entrenamiento tiene un botón Copiar como JSON. Copia el JSON y pégalo directamente en el editor YAML; este detecta automáticamente el formato JSON e importa todos los parámetros.
• Pegar YAML o JSON: Pega cualquier configuración de entrenamiento YAML o JSON válida en el editor. Los parámetros se validan automáticamente, los valores fuera de rango se ajustan y se muestran advertencias.
• Arrastrar y soltar archivos: Arrastra un archivo .yaml o .json directamente al editor para importar sus parámetros.

Esto facilita la reproducción o la iteración sobre configuraciones de entrenamiento anteriores sin tener que volver a introducir manualmente cada parámetro.

Link to this section¿Puedo entrenar desde una página de conjunto de datos?#

Sí, el botón Entrenar en las páginas de conjuntos de datos abre el diálogo de entrenamiento con el conjunto de datos preseleccionado y bloqueado. A continuación, seleccionas un proyecto y un modelo para comenzar el entrenamiento.

Link to this sectionReferencia de parámetros de entrenamiento#